Finanzen & Controlling

Anomalien im Buchungsjournal mit ML aufspüren: Revision und Controlling

Doppelzahlungen, gestückelte Buchungen knapp unter der Freigabegrenze oder Einträge zu ungewöhnlichen Uhrzeiten fallen bei einer Stichprobe leicht durch. Wirtschaftsprüfung, Interne Revision, Controlling und Compliance lernen an diesem Tag, wie Unsupervised Learning den gesamten Buchungsbestand durchsucht und wo es Regeln und Benford-Tests ergänzt. Eine Übung mit Python oder Orange3 an einem Buchungsjournal steht im Mittelpunkt, danach geht es um die Frage, wie aus einem statistischen Ausreißer eine belastbare Prüfungsfeststellung wird.

Für wen

Wirtschaftsprüfung, Interne Revision, Controlling und Compliance-Verantwortliche, die auffällige Buchungen und Transaktionen mit Datenanalysen aufdecken wollen.

KI-Tagesseminar · 1 Tag

Den gesamten Buchungsbestand analysieren und Treffer in Prüfhandlungen übersetzen

Das nehmen Sie mit

  • Regelprüfung, Statistik und ML-Verfahren ordnen Sie den typischen Red Flags in Finanzdaten zu.
  • Ein Buchungsjournal haben Sie selbst mit Isolation Forest oder Clustering in Python bzw. Orange3 durchsucht.
  • Treffer lassen sich per Scoring priorisieren, dokumentieren und in konkrete Prüfhandlungen überführen.
  • Werkzeugwahl, Datenzugriff und Governance sind in einem Fahrplan zur datengetriebenen Prüfung zusammengeführt.

Ablauf

  1. Teil 1

    Modul 1 – Ausgangslage: Red Flags und klassische Prüfansätze

    • Typische Warnsignale: doppelt bezahlte Rechnungen, Split-Buchungen, Buchungen am Wochenende oder nachts
    • Feste Regeln, statistische Tests und ML in der Gegenüberstellung
    • Benford's Law und weitere bewährte Tests samt ihren Grenzen
    • Von der Stichprobe zur Analyse aller Buchungen: was das heute technisch möglich macht
    • Bestandsaufnahme: wie Ihr Team Buchungsdaten bisher prüft
  2. Teil 2

    Modul 2 – Verfahren: Unsupervised Learning im Buchungsjournal

    • Isolation Forest, Clustering und Autoencoder: Anomalien finden, ohne vorher markierte Fälle
    • Journal Entry Testing: wo ML-Unterstützung die festen Prüfregeln ergänzt
    • Übung: Mit Python oder Orange3 Auffälligkeiten in einem Buchungsjournal aufdecken
    • Ausreißer richtig lesen: statistisch auffällig heißt nicht automatisch fehlerhaft
  3. Teil 3

    Modul 3 – Auswertung: Vom Treffer zur Prüfungsfeststellung

    • False Positives eindämmen, indem Treffer bewertet und nach Risiko gereiht werden
    • Ergebnisse so festhalten, dass Dritte jeden Schritt nachvollziehen können
    • Continuous Auditing: laufend prüfen, statt alles zum Jahresende zu bündeln
    • Übung: Zu ausgewählten Treffern passende Prüfhandlungen festlegen
    • Prüfaufwand und Prüfungssicherheit gegeneinander abwägen
  4. Teil 4

    Modul 4 – Umsetzung: Werkzeuge, Datenzugang, Governance

    • IDEA, ACL/Galvanize, DATEV Datenanalyse und Python im Vergleich
    • Daten beschaffen über Exporte nach GDPdU bzw. GoBD und über Schnittstellen
    • Fallstudie: Anomalieanalyse im Rahmen eines Jahresabschlusses
    • Governance und Dokumentation, damit die Revision das Vorgehen belegen kann
    • Fahrplan hin zu einer datengetriebenen Prüfung

VoraussetzungenEmpfohlen sind Grundkenntnisse im Rechnungswesen und erste Erfahrung mit Datenanalysen, zum Beispiel in Excel.

AbschlussTeilnahmezertifikat sowie digitales Badge

Thema anfragen