Anomalieerkennung mit Machine Learning-basierten Verfahren für die Abschlussprüfung

Aufsatz von StB Dipl.-Kfm. Tobias Dreixler, WP Praxis 6/2020 S. 172

I. Hintergrund 

Im Kontext der Abschlussprüfung haben Wirtschaftsprüfer sicherzustellen, dass die Rechnungslegung von Unternehmen frei von wesentlichen Fehlern ist. Da die Rechnungslegung die Abbildung der Vermögens-, Finanz- und Ertragslage des Unternehmens zum Stichtag darstellt, gilt es zu untersuchen, ob alle Geschäftsvorfälle während des Geschäftsjahres vollständig und zutreffend in die Buchhaltung als Grundlage für den Jahresabschluss übernommen wurden. Bedeutsame Fehlerrisiken, die diesem Ziel entgegenstehen können und sich durch den Einsatz von Datenanalysen begegnen lassen, sind

  • Geschäftsvorfälle, die nicht routinemäßig verarbeitet werden, sowie
  • ungewöhnliche Geschäftsvorfälle und solche außerhalb des gewöhnlichen Geschäftsbetriebs.
Bislang werden dabei als klassische Detektionsmethoden überwiegend regelbasierte Verfahren auf Basis des Erfahrungswissens des Abschlussprüfers verwendet. Wesentliches Merkmal dieser Verfahren ist, dass diese lediglich ein bzw. zwei Merkmale betrachten, um Auffälligkeiten durch die Darstellung von Abhängigkeiten, Relationen oder Strukturen des Datensatzes zu analysieren (uni- bzw. bivariate Verfahren). Beispiele dafür sind 
  • Transaktionen pro Anwender,
  • doppelte Transaktionen in Bezug auf einen Index des Datensatzes,
  • Transaktionen mit gerundeten Beträgen.
Die Art der Methoden, die dabei durch gängige Software-Tools unterstützt werden, sind
  • Feldstatistiken (Field Statistics),
  • Verteilungsanalysen (Stratification, Aggregation),
  • Abfragefunktionalitäten (Queries).
Die Anwendung dieser Regeln in Form der Durchführung von Prüfungsschritten setzt damit direkt am erlernten und bekannten Wissen des Abschlussprüfers an. Was ist aber, wenn sich dieses Wissen – als Basis von weiteren Prüfungshandlungen – nur schwer formalisieren lässt oder ggf. nur mit viel Aufwand erlangt werden kann? Ein klassischer Ansatz zur Überprüfung von Sachverhalten geht damit weitgehend fehl. 

Denn gerade im Bereich von ERP-Systemen sind für den Abschlussprüfer viele getroffene Einstellungen des Mandanten nicht direkt ersichtlich. Dabei kann das Buchungsverhalten im ERP-System direkt von den übergeordneten Einstellungen des Unternehmens oder auch dem konkreten Verhalten der Anwender („gelebte Praxis“) beeinflusst sein. In einer solchen Situation wirken ggf. die zu untersuchenden unternehmensspezifischen Regeln dem Abschlussprüfer vergleichsweise fremd oder willkürlich und er hat Mühe, sich dieses Wissen (Domain Knowledge bzw. Spezialwissen) selbst anzueignen und auch dauerhaft vorzuhalten. 

In einer solchen Situation bedarf es somit eines Ansatzes, der weder dieses Spezialwissen noch das Aufstellen von Regeln erfordert. Diesem Thema widmet sich das Gebiet des maschinellen Lernens (Machine Learning). Hierbei lernt ein System durch das Erkennen von Mustern aus Beispielen, um sie nach der Trainingsphase zu verallgemeinern. Ein Anwendungsfall, der für die Abschlussprüfung in Betracht kommt, ist die Anomalieerkennung im Buchungsstoff, bei der es sich um die Lösung eines Klassifikationsproblems handelt. 

II. Kernaussagen

  • Im Berufsstand wurden schon früh Methoden für die Anomalieerkennung in Datensätzen von ERP-Systemen entwickelt und in die praktische Arbeit übernommen (z. B. Benford's Law). 
  • Diese Ansätze liefern meist sehr viele Ergebnisse, die zu einem erhöhten Bearbeitungsaufwand beim Prüfer führen. Vor dem Hintergrund der fortschreitenden Entwicklung auf den Gebieten des maschinellen Lernens sind diese Ansätze zu hinterfragen.
  • Eine dieser neuen Techniken schafft es, Anomalien in Datensätzen im Hauptbuch anhand von Beispielen sichtbar zu machen und diese danach als Regel zu lernen. Diese Algorithmen versprechen auf Basis der bislang für Datensätze auf anderen Gebieten gesammelten Erfahrungen eine gute Erkennungsrate bei einer sehr niedrigen Fehlalarmrate (False Positives).

III. Fazit

Mit dem Anwendungsbeispiel wurde ein Einblick in Konzepte und Entwicklungen auf dem Gebiet des maschinellen Lernens sowie deren softwareseitige Umsetzung gezeigt. Die Bedeutung dieser Techniken liegt darin, potentielle Fehlurteile bzgl. eines aufgestellten Abschlusses durch zielgerichtete Analysen weiter zu reduzieren bzw. gar ganz zu vermeiden. Mit diesen Entwicklungen sind damit neue Ansätze auf dem Weg, die Kanzleipraxis und damit die Prüfungsmethodik in den nächsten Jahren erneut zu verändern. 

Aufgabe des Berufsstands wird sein, die Entwicklung aktiv anzugehen. Denn die Modelle verlangen Daten und das Spezialwissen des Wirtschaftsprüfers, um relevante und genaue Ergebnisse liefern zu können. Insoweit ist die Befürchtung unbegründet, dass diese Entwicklung eine Ablösung des Prüferberufs herbeiführt. Dieses Spezialwissen ist weiterhin gefragt: Es wird zukünftig in die Parametrisierung der praktisch anzuwenden Algorithmen einfließen.

X

Diese Website verwendet Cookies

Cookies gewährleisten den vollen Funktionsumfang unseres Angebots, ermöglichen die Personalisierung von Inhalten und können für die Ausspielung von Werbung oder zu Analysezwecken gesetzt werden. Lesen Sie auch unsere Datenschutzerklärung!
Cookie-Einstellungen

Cookies akzeptieren

Cookies erforderlich

Um fortfahren zu können, müssen Sie die dafür zwingend erforderlichen Cookies zulassen. Diese gewährleisten den vollen Funktionsumfang unserer Seite, ermöglichen die Personalisierung von Inhalten und können für die Ausspielung von Werbung oder zu Analysezwecken genutzt werden. Lesen Sie auch unsere Datenschutzerklärung.