Mga nadagdag:
- Unawain ang panganib sa pagsa-sample at ang lohika ng buong pagsusuri sa populasyon (100% na pagsubok) at magagawang gumamit ng artificial intelligence para sa paghahanda ng data, pagsulat ng panuntunan at interpretasyon ng resulta.
- Kakayahang magdisenyo at magpatupad ng mga pagsubok sa pagtutugma, pagkakumpleto at katumpakan sa malalaking set ng data na may suporta sa artificial intelligence
- Kakayahang maunawaan na ang listahan ng pagbubukod sa buong pagsusuri ng populasyon ay hindi isang resulta, ngunit isang simula na susuriin ng auditor, at na ang huling pagsusuri ay pagmamay-ari ng auditor.
Isa sa mga pinakapangunahing limitasyon ng propesyon sa pag-audit ay ang auditor ay kailangang magtrabaho kasama ang sampling sa loob ng maraming taon. Hindi mo maaaring manual na suriin ang 180,000 mga invoice sa isang isyu sa negosyo sa isang taon; Kaya pumili ka ng ilang daang talaan gamit ang isang istatistika o mapanghusgang paraan, subukan ang mga ito, at gawing pangkalahatan ang resulta sa buong populasyon. Ang pagsa-sample ay isang makapangyarihan at lehitimong pamamaraan, ngunit may taglay itong likas na panganib: panganib sa pag-sample — ang sample na iyong pipiliin ay maaaring hindi kinatawan ng populasyon, at ang tunay na error dito ay maaaring hindi eksaktong mahulog kung saan ka tumitingin.
Binago ng data analytics at AI ang larawang ito: maaari mo na ngayong subukan ang buong populasyon, ibig sabihin, 100%. Ito ay tinatawag na kumpletong pagsusuri sa populasyon. Inilalaan namin ang yunit na ito sa pag-unawa sa paglipat mula sa "sample patungo sa kabuuan," ang kapangyarihang dulot nito, at ang mga bagong responsibilidad na hindi pinapansin ng maraming tao. Dahil ang buong pagsusuri sa populasyon ay hindi nagpapadali sa inspeksyon; Binabago nito ang katangian ng pagsusulit at naglalagay ng mga bagong pasanin sa tagasuri.
Pagkakaiba sa pagitan ng sampling at full population testing
Sa classical sampling, ang lohika ay: "Hayaan akong masusing subukan ang isang maliit ngunit kinatawan na grupo, at bigyang-kahulugan ang resulta sa kabuuan." Sa buong pagsubok sa populasyon, ang lohika ay binaligtad: "Hayaan akong i-scan ang kabuuan ayon sa ilang mga patakaran, hanapin ang mga pagbubukod na nasa labas ng panuntunan at suriin ang mga ito nang lubusan." Sa unang diskarte, ang panganib ay "pagpili ng maling sample"; Sa pangalawa, ang panganib ay "pagsusulat ng maling panuntunan" at "paggawa gamit ang hindi kumpleto/maling data".
Inihahambing ng sumusunod na talahanayan ang dalawang diskarte:
Sukat
sampling
Buong pagsusuri sa populasyon (100%)
Saklaw
bahagi ng populasyon
buong populasyon
Pangunahing panganib
Panganib sa pagsa-sample (error sa representasyon)
Error sa panuntunan + error sa integridad ng data
output
Limitadong bilang ng mga resulta ng pagsubok
Listahan ng mga pagbubukod na hindi sumusunod sa panuntunan
Ang pasanin ng auditor
pagpipilian + pagsubok
Disenyo ng panuntunan + pagsusuri sa pagbubukod
Papel ng AI
Tulong sa pagpili ng sample
Paghahanda ng data, pagsulat ng panuntunan, pagmarka ng exception
Tandaan: ang buong pagsusuri sa populasyon ay hindi nangangahulugang "Sinubukan ko ang lahat, tapos na ang trabaho". Sa kabaligtaran, kadalasan ay nagbibigay ito sa iyo ng higit pang mga bagay na susuriin. Kapag pinatakbo mo ang lahat ng 180,000 invoice sa pamamagitan ng panuntunan sa pag-apruba sa halaga ng petsa, makakahanap ka ng marahil 900 na pagbubukod. Bawat isa sa mga ito ay isang katanungan; hindi sagot. Dito pumapasok ang audit judiciary.
Pagkumpleto ng data: ang hindi nakikitang batayan ng pagsubok
Ang pinakamalaking pitfall ng pagsusuri sa buong populasyon ay ang kalidad ng pagsubok ay nakasalalay sa kalidad ng data. "Sinubukan ko ang 100% ng data" ay may katuturan lamang kung ang data na mayroon ka ay talagang 100% ng populasyon. Kung mali ang isang filter noong kumukuha ng data mula sa system, naiwan ang ilang tala, o nailipat ang column ng halaga nang may error sa decimal, ang iyong "buong" pagsubok ay talagang isasagawa sa hindi kumpleto o sira na data. Samakatuwid, ang pagkumpirma ng pagkakumpleto at katumpakan ng data ay ang una at kailangang-kailangan na hakbang sa buong pagsusuri sa populasyon.
Mga praktikal na pagsusuri para sa pag-verify ng pagiging kumpleto:
- Reconciliation ng record count: Ang bilang ba ng mga row sa dataset na nakuha mo ay tumutugma sa kabuuang bilang ng mga record sa system?
- Pagkakasundo sa halaga: Ang kabuuang halaga ba sa dataset ay tumutugma sa nauugnay na kabuuang account sa trial balance/subsidiary?
- Hanay ng petsa: Kasama ba sa data ang una at huling mga araw ng panahon; May kulang bang buwan/araw?
- Walang laman at masamang pag-scan ng espasyo: Mayroon bang anumang mga puwang o walang kahulugan na mga halaga sa mga kinakailangang field (petsa, halaga, account code)?
Tumutulong ang AI sa lahat ng mga pagsusuring ito: pag-crawl ng data, pagkuha ng mga kabuuan, pagbibilang ng mga bakanteng espasyo, pag-uulat ng hanay ng petsa. Ngunit ang auditor ang magpapasya kung ang kasunduan ay "may hawak", sinisiyasat ang pagkakaiba, at kinukumpirma na ang data ay angkop para sa layunin ng pag-audit.
Babala: Huwag isulat ang "Sinubukan ko ang lahat ng data" sa worksheet nang hindi bini-verify ang pagkakumpleto ng data. Ang isang buong pagsusuri sa populasyon sa nawawalang data ay nagbibigay ng tila kumpleto ngunit mapanlinlang na kasiguruhan.
Buong pagsusuri sa populasyon gamit ang AI: hakbang-hakbang
- Ihanda ang data nang ligtas. I-anonymize ang mga personal/pribadong field o palitan ang mga ito ng mga placeholder. Kung maaari, gumamit ng pangkorporasyon, kinontratang sasakyan.
- Kumpirmahin ang pagkakumpleto. Ipagkasundo ang bilang ng mga tala at halaga.
- Malinaw na tukuyin ang panuntunan sa pagsubok. Ano ang binibilang bilang isang "pagbubukod"? (Halimbawa: hindi naaprubahang invoice, invoice na inisyu sa katapusan ng linggo, malaking round na pagbabayad, naitala ang kita pagkatapos ng cut-off date.)
- Ilapat ang panuntunan sa AI. Inilalapat ng AI ang panuntunan sa data at gumagawa ng listahan ng mga pagbubukod; Isulat nang malinaw ang panuntunan para ma-audit ito.
- Unahin at suriin ang mga pagbubukod. Siyasatin ang bawat pagbubukod na may ebidensya; tugunan ang mga maling positibo, bigyang-katwiran ang mga aktwal na natuklasan.
- Idokumento ang resulta. I-link ang panuntunan, bilang ng mga pagbubukod, mga item na sinuri, at konklusyon sa worksheet.
tatlong mini case
Kaso 1 — Pagsubok sa pagputol. Nais ng isang auditor na subukan ang cutoff ng kita sa katapusan ng taon. Kinuha niya ang 42,000 mga invoice ng benta bilang buong populasyon at ipinatupad ng AI ang "mga talaan ng listahan na may mga petsa ng invoice bago ang ika-31 ng Disyembre, ngunit mga petsa ng pagpapadala/paghahatid sa o pagkatapos ng ika-1 ng Enero." Nagmarka ang YZ ng 118 na talaan. Sinuri ng auditor ang mga ito: 96 ang mga lehitimong transaksyon na walang mga pagkakaiba sa oras (parehong araw na paghahatid), 22 ang aktwal na kita para sa susunod na taon at naitala sa nakaraang panahon. Ang 22 item na ito ay iniulat dahil nagpakita sila ng isang pattern, kahit na mas mababa ang kahalagahan. Nagtanong ang AI ng 118 na katanungan; Nakahanap ang auditor ng 22 sagot.
Kaso 2 — Kapag ang pagkakumpleto ay tinanggal. Sinabi ng isang miyembro ng koponan na gumawa siya ng buong pagsusuri sa populasyon sa 180,000 invoice; Walang mga pagbubukod at siya ay hinalinhan. Inihambing ng responsableng tao ang kabuuang halaga ng dataset sa trial balance: data 155 million TL, trial balance 210 million TL. Lumalabas na habang kinukuha ang data mula sa system, isang sangay ang na-filter at iniwan. Ang "buong" pagsubok ay talagang hindi nakuha ang isang-kapat ng data. Ang pagsubok ay tinakbo gamit ang tamang data. Aralin: walang kumpletong pagsusuri sa populasyon nang walang kumpirmasyon ng pagkakumpleto.
Kaso 3 — Error sa mga panuntunan. Ipinasulat ng isang auditor sa AI ang panuntunang "Ilista ang mga hindi naaprubahang pagbabayad na higit sa 50,000 TL", ngunit hindi niya napagtanto na ang field na "pag-apruba" ay pinananatili sa dalawang magkaibang column sa system (electronic na pag-apruba at manual na pag-apruba). Minarkahan ng AI ang 300 na mga pagbabayad bilang "hindi naaprubahan" dahil tumingin lamang ito sa isa; Sa pagsusuri, nakita na karamihan sa kanila ay naaprubahan sa kabilang kolum. Ang maling panuntunan ay nagbunga ng daan-daang maling positibo. Itinama ng auditor ang panuntunan para isama ang parehong column. Aralin: ang auditor ay nagpapatunay na ang panuntunan ay sumusunod sa data at proseso ng negosyo.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Maghanap ng mga may problemang tala sa data ng invoice na ito.
Problema: Walang kahulugan ng "problema." Hindi alam ng AI kung ano ang ituturing na exception; Gumagana siya alinman ayon sa mga random na signal o ayon sa isang pamantayan na kanyang ginawa. Hindi ito nauulit at naa-audit.
Napakahusay na prompt:
Ang iyong tungkulin: isa kang data analytics assistant sa isang independent auditor. Ang paghatol ay akin; Ilalapat mo ang panuntunan at bubuo ng listahan ng pagbubukod. Konteksto: Nasa ibaba ang hindi kilalang data ng invoice ng benta (mga column: invoice_no, invoice_date, delivery_date, halaga, approval_status, branch). Katapusan ng taon: 31.12.STEP 1 - Completeness: Ibigay ang kabuuang bilang ng mga record at ang kabuuang halaga upang maihambing ko ito sa trial balance. Iulat kung may laman/nawawalang espasyo.STEP 2 - Cutting test rule: Ilista ang mga record na may invoice_date <= 31.12 AT delivery_date >= 01.01 bilang "cutoff exception".STEP 3 - Isulat ang panuntunan sa plain text (anong kundisyon ang inilapat mo) para ma-audit ito. Mga Panuntunan: Ibinigay ko ang panuntunan, huwag baguhin ito. Isumite ang mga talaan na iyong na-flag bilang "mga pagbubukod para sa pagsusuri"; Huwag sabihin ang "error/finding". Huwag gumawa ng kung ano ang hindi mo mahihinuha mula sa data.
Makapangyarihan ang kahilingang ito dahil kinukumpirma muna nito ang pagiging kumpleto, malinaw na tinutukoy ang panuntunan sa pagbubukod, nangangailangan ng plaintext ng panuntunan (auditability), at inilalagay ang output bilang "exception."
Mga karaniwang pagkakamali
- Nilaktawan ang pag-verify sa pagiging kumpleto. Nagsasagawa ng "buong" pagsubok sa hindi kumpleto/corrupt na data at nagbibigay ng maling katiyakan.
- Napagkamalan ang pagbubukod para sa isang paghahanap. Nagbibilang ng mga error nang hindi bini-verify ang record na minarkahan ng AI; pag-iwas sa pag-alis ng mga maling positibo.
- Hindi sinusuri ang panuntunan. Bumubuo ng daan-daang maling flag nang hindi tinitingnan kung sumusunod ang panuntunan sa data at proseso ng negosyo.
- Pagsusulat ng hindi malinaw na mga tuntunin. Pagkuha ng mga hindi mauulit na resulta gamit ang mga hindi natukoy na prompt tulad ng "hanapin ang mga may problemang talaan."
- Ang pagiging kontento sa isang simula. Hindi pagtatanong sa panuntunan o data kung ang bilang ng mga pagbubukod ay ibang-iba sa inaasahan.
Tip: Mag-alala kung ang bilang ng mga pagbubukod ay masyadong maliit (malapit sa zero) o masyadong malaki. Karaniwang nangangahulugan ang zero na "maling isinulat ang panuntunan" o "nawawalang data"; Ang isang napakalaking bilang ay nagpapahiwatig na ang panuntunan ay masyadong malawak. Pinaghihinalaan ng isang mahusay na auditor ang parehong "walang mga pagbubukod" at "lahat ay mga pagbubukod".
Sa buod
Ang buong pagsusuri sa populasyon ay isang malaking hakbang sa pag-audit: inaalis nito ang panganib sa pag-sample, pag-screen ng 100% ng data. Ngunit hindi ito libre. Nagdadala ito ng dalawang bagong responsibilidad: (1) pag-verify sa pagiging kumpleto at katumpakan ng data, (2) pagsusuri ng mga indibidwal na pagbubukod na lumitaw. Inihahanda ng AI ang data, inilalapat ang panuntunan, ibina-flag ang pagbubukod at binabawasan ang mga oras ng pag-scan sa mga segundo; Ngunit ang katumpakan ng panuntunan, ang pagkakumpleto ng data at ang pagsusuri ng mga pagbubukod ay pagmamay-ari ng auditor. Ang pagbubukod ay hindi isang kinalabasan, ito ay isang simula.
Gawain ng aplikasyon
Isaalang-alang ang isang umiiral na (o hypothetical) na dataset ng transaksyon. Tukuyin muna ang dalawang tseke sa pagiging kumpleto (bilang ng mga tala at pagkakasundo ng halaga). Pagkatapos ay magsulat ng malinaw na panuntunan sa pagbubukod para sa layunin ng pag-audit (hal. mga invoice na inisyu sa katapusan ng linggo, o mga pagbubukod sa pagputol). Gamit ang malakas na pattern ng prompt sa itaas, ipatupad muna sa AI ang pagkakumpleto at pagkatapos ay ang panuntunan. Ang unang 10 sa mga pagbubukod na lumalabas ay "mga tunay na natuklasan o maling positibo?" Magsanay sa pag-uuri gaya ng mga sumusunod at isulat kung anong ebidensya ang hahanapin mo para sa bawat isa.
checklist
- [ ] Ginawa kong anonymize ang data at nagmaneho nang ligtas.
- [ ] Kinumpirma ko ang pagkakumpleto ng data sa pamamagitan ng pag-reconcile sa bilang ng mga tala at sa halaga.
- [ ] Nag-scan ako para sa libre/masamang espasyo.
- [ ] Tinukoy ko ang panuntunan sa pagbubukod sa isang malinaw, nauulit na paraan.
- [ ] Natanggap ko ang plain text ng panuntunan mula sa AI at na-verify ang pagsunod nito sa data at proseso ng negosyo.
- [ ] Kinuwestiyon ko ang pagiging makatwiran ng bilang ng mga pagbubukod (masyadong kakaunti / hindi masyadong marami).
- [ ] Itinuring ko ang bawat pagbubukod bilang isang tanong na susuriin, hindi isang paghahanap; Inalis ko ang mga maling positibo.