Semi-automatische 'anomaly'-identificatie: de weg naar zekerheid over financiële informatie (R-12261)

Financiële gegevens spelen een cruciale rol in economieën, aangezien belanghebbenden hun beslissingen baseren op de nauwkeurigheid van financiële informatie. Om de juistheid van de financiële overzichten te verifiëren, voert een onafhankelijke auditor een jaarlijkse audit uit. Om tot een oordeel te komen, moet de auditor de financiële transacties van het voorgaande jaar controleren. Omdat het niet haalbaar is om al deze transacties handmatig te controleren, vertrouwt de auditor op steekproeven. Gezien de huidige IT vooruitgang en de grote hoeveelheid beschikbare data, is het theoretisch mogelijk om het steekproeventijdperk achter te laten en in plaats daarvan alle transacties te testen. Helaas resulteert het geautomatiseerd testen van alle transacties in een overweldigend aantal alarmen die de auditor niet manueel kan controleren. Het doel van dit project is om het probleem van te veel alarmen in de audit aan te pakken door een oplossing te ontwikkelen om alle alarmen op een effectieve en efficiënte manier te onderzoeken. In het project zullen drie versies van een classificatietechniek worden ontworpen om zo op een geautomatiseerde manier 'echte' alarmen te onderscheiden van uitzonderingen. Dit maakt dat het project veel verder reikt dan de huidige academische state-of-the-art. Alsook, creëert dit belangrijke inzichten voor de toekomstige audit.

Trefwoorden:Actief leren, Controle van de volledige populatie, Procesafwijkingen

Disciplines:Machine learning en besluitvorming, Records en informatiemanagement, Beslissings- en groepsondersteunende systemen, Boekhouding en auditing, Economische ontwikkeling, innovatie, technologische verandering en groei niet elders geclassificeerd