Im Rahmen der Jahresabschlussprüfung besteht eine zentrale Aufgabe der Wirtschaftsprüfer darin, die Daten der Finanzbuchhaltung systematisch auf wesentliche Fehlaussagen und Falschdarstellungen zu untersuchen, die sowohl auf menschlichen Fehlern als auch auf betrügerischen Absichten beruhen können. Die Genauigkeit dieser Prüfungen bildet die Grundlage für das Vertrauen in die Jahresabschlüsse der Unternehmen und sichert damit die Stabilität der Wirtschaft. Angesichts der exponentiell wachsenden Datenmengen und der zunehmenden Komplexität moderner ERP- und Buchhaltungssysteme wird die Prüfung zunehmend anspruchsvoller und erfordert eine Optimierung des Ressourceneinsatzes. Gleichzeitig ermöglichen der technologische Fortschritt sowie der kostengünstige Zugang zu leistungsfähigen Rechenkapazitäten neue Ansätze zur Datenanalyse, wobei insbesondere Verfahren des maschinellen Lernens (ML) wie Deep Learning bislang noch nicht flächendeckend in die Prüfungsprozesse integriert wurden. Das Forschungsprojekt DA4JET (Digitaler Assistent für das Journal Entry Testing) hat zum Ziel, ein sozio-technisches System zu erforschen und zu konzeptionieren, das traditionelle regelbasierte Testverfahren mit dem Erfahrungs- und Kontextwissen der Prüfer kombiniert und durch den gezielten Einsatz von ML-Methoden zu einem hybriden Ansatz zusammenführt. Dabei wird untersucht, wie ML-Methoden zur Aufdeckung von Anomalien in Buchungsdaten beitragen können und wie das Expertenwissen der Anwender die ML-Modelle dabei optimal unterstützen kann. Zentrale Forschungsfragen betreffen die Auswahl und Anpassung geeigneter ML-Methoden, die Integration dieser Technologien in bestehende Prüfungsprozesse sowie die Evaluierung der Auswirkungen. Damit bietet das Projekt spezifische Potenziale zur Verbesserung der Genauigkeit und Wirtschaftlichkeit in der Jahresabschlussprüfung.
Partner
DATEV eG
