Datadrevet revision

Tendens

Digitaliseringen breder sig i disse år med stor hastighed, og stadigt flere manuelle processer bliver automatiserede. Denne tendens betyder, at datamængderne i erhvervslivet vokser dag for dag. Fremtidens revision vil i langt højere grad bygge på disse data. Langsomt, men sikkert, bevæger branchen sig væk fra den traditionelle substansbaserede revision og i retning af en mere datadrevet og –analytisk, og dermed mere indsigtsfuld, revision.

Vi anvender allerede i dag en analytisk tilgang til risikovurdering samt substansanalytisk revision, men fælles for disse discipliner er, at de er bagudskuende. Med dataanalyse som revisionsmetode kan data fra flere forskellige systemer fra såvel interne som eksterne kilder kombineres og transformeres til indsigt. Indsigt der muliggør, at man med stor præcision kan forudse, hvor der er risiko for fejl, og hvor der er potentiale for udvikling og vækst.

Potentiale

Analytics gør os i stand til at levere risikorettet revision, der er skræddersyet til den enkelte kunde, hvor vi kan identificere risici og områder af revisionsmæssig interesse på en langt mere sofistikeret måde end tidligere.

Hvor man tidligere måtte foretage stikprøver og så at sige lede efter nålene i høstakken, kan vi med analytics blæse høstakken væk. Dermed får vores kunder forebyggende indsigt i, hvor i forretningen der er behov for operative og forretningsmæssige forbedringer. Det tillader også en mere fokuseret revisionsindsats på de væsentligste og mest risikofyldte områder samt en generelt højere kvalitet i revisionen.

Med analytics udnytter man det store potentiale i virksomhedens data. Det giver et nøjagtigt beslutningsgrundlag samt mulighed for at tage action på udfordringer og potentialer hurtigere end før. Derved forbedres også flere af de traditionelle revisionshandlinger, hvor der er betydelige datamængder til rådighed, som for eksempel:

• Indledende analyse af virksomhedens finansielle oplysninger
• Efterforskningsmæssige procedurer på kundens finansielle transaktioner
• Sammenligninger af kundeoplysninger mod konkurrenter eller industri benchmarks
• Identificering og vurdering af risici for fejl i virksomhedens finansielle transaktioner ved visualisering af transaktioner og værdier der afviger fra det forventede
• Statistiske sammenligninger
• Profilering og stikprøveudvælgelser
• Test af posteringer