Anomalieerkennung in Buchhaltungsdaten mit Machine Learning (ML)

Anomalieerkennung in Buchhaltungsdaten mit Machine Learning (ML) mit KI.

MODUL 01: AUFFÄLLIGKEITEN IN FINANZDATEN

• Die typischen Red Flags: Doppelzahlungen, Split-Buchungen, ungewöhnliche Zeitpunkte
• Regelbasierte Prüfung, Statistik und ML im Vergleich
• Benford's Law und andere Klassiker – und ihre Grenzen
• Warum Stichprobe gestern war und Vollprüfung heute geht
• Ihre Ausgangslage: Wie prüfen Sie heute?

MODUL 02: MACHINE LEARNING FÜR DIE ANOMALIEERKENNUNG

• Unsupervised Learning: Isolation Forest, Clustering, Autoencoder
• Journal Entry Testing mit ML-Unterstützung
• Übung: Sie spüren Anomalien in einem Buchungsjournal auf (Python/Orange3)
• Was ein Ausreißer bedeutet – und was nicht
• Der Aha-Moment: die auffällige Buchung, die keiner Regel widersprach

MODUL 03: VOM TREFFER ZUM PRÜFUNGSERGEBNIS

• False Positives reduzieren durch Scoring und Priorisierung
• Ergebnisse dokumentieren und nachvollziehbar machen
• Continuous Auditing statt Jahresend-Stress
• Übung: Sie leiten aus Treffern konkrete Prüfhandlungen ab
• Die Balance zwischen Aufwand und Prüfungssicherheit

MODUL 04: WERKZEUGE UND UMSETZUNG

• Marktüberblick: IDEA, ACL/Galvanize, DATEV Datenanalyse, Python
• Datenzugriff: GDPdU/GoBD-Exporte und Schnittstellen
• Fallstudie: Anomalie-Analyse im Jahresabschluss
• Governance und Dokumentation für die Revision
• Ihr Fahrplan zur datengetriebenen Prüfung