收益：
- 了解 BDS 520 范围内的分析程序以及如何使用人工智能进行期望生成、比率分析和偏差解释起草。
- 能够在人工智能支持下解释水平垂直分析、比率分析和趋势细分，并识别需要检查的偏差
- 能够理解人工智能提出的偏差解释是一种假设，在没有证据支持的情况下不能被视为审计结果。
经验丰富的审计师最强大的武器之一就是“期望”。在看财务报表之前，他大致知道自己需要看什么，因为他了解业务：“这家公司去年增长了15%，人员数量稳定，所以我预计人员费用的增幅大约与通货膨胀一样多。”然后将现实与期望进行比较。如果与预期有偏差，要么有解释，要么有问题。这种思维方式的系统形式称为分析程序，BDS 520 对其进行了组织。
分析程序是利用财务和非财务数据之间的合理关系建立预期，并将其与实际进行比较并寻找显着偏差。它用在三个地方：计划中（查看风险）、实质性测试（用于实质性验证）和审计结束时（用于总体合理性检查）。在本单元中，您将学习如何使用人工智能进行期望形成、比率分析和偏差解释草案制作；但我们会讨论为什么人工智能提出的解释是一个假设，而不是证据。
分析程序的工具
审计师使用的主要分析工具有：
- 横向分析：检查项目每年的变化（金额和百分比）。 “销售额增长了 40%；为什么？”
- 垂直分析：项目与整体的比率（例如各项费用与收入的比率）。 “虽然销售成本占收入的 62%，但今年却变成了 71%；为什么利润率缩小了？”
- 比率分析：计算有意义的比率（毛利率、存货周转率、应收账款回收期、流动比率）并检查其趋势以及与行业的比较。
- 趋势分析：同时观察多个时期并抓住突破。
- 合理性检验：建立独立的预期（例如“利息支出≈平均债务×利率”）并与现实进行比较。
人工智能在几秒钟内完成所有这些计算，将它们放入电子表格中并标记偏差。此外，它还可以对偏差提出可能的解释。关键点在于：人工智能产生的解释是一个初始假设。 “由于原材料价格上涨，利润率缩小了”可能是合理的，但审计师不能在没有用合同、发票、管理层披露以及——特别是在出现意外偏差的情况下——独立证据证实的情况下得出结论。
期望越敏感，程序越强
BDS 520 的一个重要微妙之处是：分析程序的可靠性取决于建立期望的精确度和独立性。如果直接根据业务提供的数据构建期望，则会陷入循环逻辑（使用相同的数据验证相同的数据）。强烈的预期是基于尽可能独立的输入（非财务数据、外部市场数据、您自己的账户）。人工智能可以帮助你建立一个预期模型——“我需要什么输入来独立计算利息费用？” - 但审计师对输入的独立性和模型的适当性负责。
提示：在解释偏差时预先确定“无意义阈值”。偏离预期多少会被视为“调查性”？预先设置这个阈值，与物质性一致，这样你就不必追逐人工智能产生的每一个微小的波动。
利用非财务数据建立强烈的预期
当您根据非财务数据而不仅仅是财务数据建立预期时，分析程序最为强大。例如，您可以通过将入住间夜数乘以平均房价来独立估算酒店的客房收入；您可以根据生产的单位数量和每单位的典型消耗量来估算制造企业的能源支出；您可以根据学生人数和平均费用来预测学校的教育收入。这种预期不会陷入循环陷阱，因为它们独立于企业自己的会计记录，并提供真正的交叉检查。 AI帮助你建立这个独立期望模型的输入和公式；但审核员有责任确保输入真正独立且可靠（学生人数、住宿夜数、生产数量是否正确？）。如果预期与现实之间的差异较大，则表明存在会计错误或预期输入存在问题；两者都需要调查。
逐步分析程序
- 设定期望。写下您对正在审查的项目的期望，如果可能的话，请提供独立的输入。
- 准备数据，验证完整性。您要比较的实际数据准确且完整吗？
- 用AI计算。进行水平/垂直/比例/趋势计算；显示每个帐户的步骤。
- 识别偏差。标记超出您预先设置的阈值的偏差。
- 生成假设并进行验证。向AI询问可能的解释；用证据检验每一项。
- 记录结果。期望、事实、偏差、解释和证实性证据。
三个迷你箱子
案例1——找出偏差的真正原因。一位审计员发现人员费用增加了 38%；然而，人员数量和通货膨胀仅解释了 22%。他让人工智能询问分歧假设； YZ列出了“加薪、新聘人员、奖金、遣散费”等选项。审计员检查了工资记录：差异是由于当年支付的一次性保费，但没有作为费用分摊到正确的期间，并且存在季节性错误。 AI给出假设；工资单证据和审计师的调查揭示了真相。
案例 2——将假设误认为证据。一名团队成员向 AI 询问有关费用项目增加 40% 的情况；他说，人工智能“可能是由于通货膨胀”。团队成员将其作为评论直接写在工作表上并盖上笔。负责人问：当时通胀是25%，40%没有解释；此外，该项目是具有固定合同的租赁费用，不会随着通货膨胀而自动增加。真正的原因是合同中添加了一个新字段。教训：对AI的解释是一个假设；没有证据检验就不能得出结论。
案例 3——预期不佳。为了测试利息费用的合理性，审计师直接根据企业记录的利息费用（通函）确定了他的预期。自然，事实证明“期望=现实”并没有出现偏差。该负责人提醒，预期应独立建立：平均债务余额×平均利率。经独立核算，实际利息支出明显低于预期，且未计提债务利息。教训：期望的独立性决定了程序的强度。
弱提示/强提示
弱提示：
看看这个图表，如果有什么异常请告诉我。
问题是：没有期望、没有门槛、没有背景。人工智能要么随机标记“异常”，要么生成虚构的解释；结果缺乏控制价值。
强力提示：
您的角色：您是独立审核员的分析程序助理。您将计算并显示偏差并提出可能的解释假设；验证和结论是我的。上下文（匿名）：生产公司。今年收入2.4亿，去年2亿（增长20%）。人员数量固定。数据：[账号；上一年；本年度]行（收入、销货成本、人员费用、租金、利息费用……）任务：1）对每个项目进行横向分析（金额和百分比变化）；显示计算步骤。2）纵向分析：各项费用与收入的比例；比较两年。3) 应用以下阈值：如果百分比变化偏离收入增长 (20%) 超过 10 个绝对点，则标记“供审核”。4) 对每个标记的项目提出 2-3 个可能的解释；假设；还要写下用于验证每项的证据。声明这些不是调查结果。5) 不要编造任何无法从数据中得出的数字或行业基准。
这个提示很强大，因为它给出了背景和期望（20% 的增长），设定了明确的偏差阈值，要求解释作为假设，并将每个假设与证据联系起来。
常见错误
- 将假设误认为证据。在没有验证人工智能“可能......”的陈述的情况下写下结论。
- 建立循环期望。从待验证的数据中得出期望并产生错误的“拟合”。
- 没有设定门槛。追逐每一个微小的波动或忽略重大的偏差。
- 没有上下文的分析。要求“异常”而不促进业务；收到无意义的信号。
- 在意想不到的偏差中保持肤浅。用第一个看似合理的解释掩盖了一个令人惊讶的转折；而北斗系统则需要对意外偏差进行更深入的调查。
注：预期偏差（例如，由于已知投资而增加的折旧）与意外偏差不同。意外偏差会带来更高的风险，需要更有力的证据。 AI无法区分两者；审计师做出了这种区分。
总之
分析程序 (BDS 520) 是通过建立期望并将其与现实进行比较来发现偏差的艺术。人工智能是该领域强大的计算和假设引擎：它可以在几秒钟内执行水平/垂直/比率/趋势分析，标记偏差，提出可能的解释。但程序的力量取决于期望的独立性，而人工智能提出的解释只是一个假设，而不是证据。审计师设定偏差阈值，审计师确保期望的独立性，审计师用证据验证每项陈述。意外的偏差总是需要更深入的调查。
应用任务
拿一份简单的两年损益表（假设）并设定增长预期（例如 20%）。通过上面强大的提示模式，让AI进行横向和纵向分析，应用漂移阈值，对标记项进行提示假设+证据匹配。然后在一段中写下如何为一项设置“非循环独立期望”（您将使用哪些独立输入）。
清单
- [ ] 我已提前对正在审核的项目建立了期望（如果可能的话，通过独立输入）。
- [ ] 我确认了我比较的数据的完整性。
- [ ] 我从AI收到了显示计算步骤的水平/垂直/比例分析并进行了验证。
- [ ] 我设定了一个与重要性一致的偏差阈值。
- [ ]我把AI的解释当作假设；我用证据测试了每一个。
- [ ] 我区分预期偏差和意外偏差；我更深入地挖掘了意想不到的事情。
- [ ] 我记录了期望、现实、偏差、解释和佐证证据。