Autorenprofil
Visuelle Analysen werden von Unternehmen im analytischen Arbeitsalltag immer häufiger eingesetzt. Der Hauptgrund liegt darin, dass sich die technischen Möglichkeiten an die Hardware, die Lizenzmodelle und Anwendungsfreundlichkeit für die Nutzer:innen in den letzten Jahren stark verbessert haben. Im prüferischen Kontext findet diese Analyseart bislang jedoch geringen Einsatz.
Mit Datenanalysen wird ein strukturierter Prozess beschrieben, um Informationen aus Rohdaten zu gewinnen. Im prüferischen Umfeld werden diese Analysen beispielsweise in ACL, IDEA, SQL oder Python programmiert und ausgeführt. Analyseergebnisse werden separat betrachtet und können durch weitere Datenanalysen iterativ ergänzt werden.
Visuelle Analysen sind eine besondere Form der Datenanalyse unter der Verwendung von speziellen Programmen wie Tableau, PowerBi oder Qlik. Mithilfe von visuellen Darstellungen, Grafiken, Diagrammen, Verläufen und Karten sollen Zusammenhänge in den Daten identifiziert oder geprüft werden. Das Ziel ist einen Überblick über die vorliegenden Daten zu erhalten, um diese Erkenntnisse mit den bereits vorhandenen Informationen abzugleichen. Dabei werden leichte Abweichungen und Unregelmäßigkeiten zu bestehenden Prozessen oder (nicht) existenten Abhängigkeiten identifiziert. Um diese individuellen Feststellungen weiter zu analysieren, bedarf es einer flexiblen Anwendbarkeit der Visualisierungssoftware und der entsprechenden Kenntnisse der Analyst:innen. Die Kompetenz für die Erstellung und Interpretation der Visual Analytics muss im Prüfungsteam vorhanden sein.
Eine andere Form der Anwendung von grafischen Visualisierungen kommt bei Reportings und sogenannten BI-Dashboards zum Einsatz. Der wesentliche Unterschied liegt in der Trennung zwischen Programmierung und Konsumierung. Aus diesem Grund sind die Darstellungsformen fixiert und für die Anwender:innen nicht veränderbar. Bei Feststellungen hängt die weitere Analysemöglichkeit davon ab, ob es bereits weitere Dashboards für die Tiefenanalyse gibt.
Wenn eine regelbasierte Datenanalyse eine große Treffermenge ergibt, können visuelle Analysen zur Ursachenforschung eingesetzt werden und Zusammenhänge und Abhängigkeiten identifizieren. Die dabei erlangten Erkenntnisse können zur Verfeinerung der Regeln für die erneute Ausführung verwendet werden.
Im Rahmen der Datenvalidierung können visuelle Analysen prüfen, ob vollständige, unveränderte und nicht zusammengefasste Daten vorliegen, die weiter analysiert werden. Da sich IT-Architekturen von (Teil-)Unternehmen zu Bereichen und Geschäftsmodellen unterscheiden, müssen solche Abgleiche individuell erstellt und angepasst werden. Fehlerhafte Daten lassen sich ebenfalls schnell feststellen.
Mithilfe ausgewählter Darstellungsformen können Analyst:innen Zusammenhänge der Organisationseinheiten im Unternehmen identifizieren. Zur Prüfungsplanung und Vollständigkeitsprüfung sehen sie z.B. die verwendeten Einkaufs- und Vertriebsorganisationen, Lager, Gesellschaften sowie Buchungskreise und Bankkonten. Prüfungsverantwortliche können so erkennen, ob alle technisch verwendeten Organisationseinheiten nach einem Prüfungszyklus auch Teil der Einzelprüfungen waren.
Bei visuellen Analysen kommen verschiedene Elemente zum Einsatz:
Für Prüfer:innen kommen zusätzlich Dokumentationsvorgaben hinzu. Die Möglichkeiten hierzu haben sich verbessert, sind teilweise jedoch anders benannt. Je nach Programm können sie Bookmarks oder Stories anlegen, kommentieren, Unterseiten, Filter und Selektion speichern, beliebig zurückkehren und die vollständige Interaktionsfähigkeit nutzen. Weitere Möglichkeiten sind Bild-Exporte im JPG-Format oder PDF-Druck Funktionalitäten ohne Interaktionsfähigkeiten.
Die besten Prüfungsergebnisse und Arbeitseffizienz ergeben sich, wenn Data Analytics, Visual Analytics und Reporting miteinander verknüpft werden. SQL und Python sind leistungsfähig für Datenmodellierung und komplexere Analysen. Mit Programmen für Reporting Dashboards können Mitarbeitende auf die bereits erstellen Datenmodelle zugreifen und so wiederkehrende Fragestellungen betrachten. Für individuelle Detailklärungen kommen flexible Visual Analytics Programme zum Einsatz.
Der Kurs Certified Audit Data Scientist behandelt Beispiele neuester technologischer Fortschritte und deren Einsatz, wie risikoorientierte und regelbasierte Datenanalyseverfahren, Deep Learning, Business Process Mining und Visual Analytics. Robotics Process Automation für Prüfer:innen zeigt Möglichkeiten auf, um Folgeschritte der technischen Analyse zu automatisieren und zu unterstützen.
Frankfurt School gGmbH
Adickesallee 32-34
60322 Frankfurt am Main
