{"id":2351,"date":"2017-07-25T13:30:00","date_gmt":"2017-07-25T11:30:00","guid":{"rendered":"https:\/\/intact-systems.com\/?p=2351"},"modified":"2020-10-09T17:52:08","modified_gmt":"2020-10-09T15:52:08","slug":"audit-abweichungen-mit-uber-80-genauigkeit-vorhersagen","status":"publish","type":"post","link":"https:\/\/intact-systems.com\/de\/news\/audit-abweichungen-mit-uber-80-genauigkeit-vorhersagen\/","title":{"rendered":"Audit-Abweichungen mit \u00fcber 80% Genauigkeit vorhersagen"},"content":{"rendered":"
\n\t
\n\t\t\"Prediction\n\t<\/div>\n\t
\n\t\t
\n\t\t\t
\n\t\t\t\t

\nAudit-Abweichungen mit \u00fcber 80% Genauigkeit vorhersagen \n<\/h1>\n\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t<\/i>\n\t\t\t\t\t\t25. Juli 2017<\/span>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\n

Predictive Analytics und Data Science halten auch im Audit Management immer st\u00e4rker Einzug. Intact erforschte bereits fr\u00fch, als eine der ersten Firmen \u00fcberhaupt, risikobasierte Audit-Ans\u00e4tze im Rahmen eines Forschungsprojekts an der Universit\u00e4t Wageningen in den Niederlanden. Heute sind wir in der Lage, Audit-Abweichungen mit einer Anfangsgenauigkeit von \u00fcber 80% vorherzusagen.<\/strong><\/p>\n\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/div>\n<\/header>\n\n\n\n\n\n

\n
\n
\n \n
\n

Datengest\u00fctzte Entscheidungsfindung im Audit-, Zertifizierungs- und Standardmanagement<\/h2>\n\n\n\n

Intact erkannte bereits fr\u00fch, dass in den Bereichen Audit-, Zertifizierungs- und Standardmanagement riesige Datenmengen gesammelt, jedoch nur in den seltensten F\u00e4llen auch in Entscheidungsfindungsprozesse einbezogen werden. W\u00e4hrend das Sammeln von Daten relativ einfach ist, erweist sich deren Auswertung und die Ableitung von Erkenntnissen als hoch komplex und anspruchsvoll. Hierf\u00fcr bedarf es nicht nur hervorragender F\u00e4higkeiten in den Bereichen Data Engineering und Data Science, sondern auch einer tiefgehenden Kenntnis der jeweiligen Branche. Allesamt F\u00e4higkeiten, die kaum je in einer einzelnen Person anzutreffen sind.<\/p>\n\n\n\n

Und das ist noch nicht alles. Heute sehen wir uns im Audit-, Zertifizierungs- und Standardmanagement mit immer komplexeren, sich dynamisch ver\u00e4ndernden Systemen mit „einer immer gr\u00f6\u00dferen Anzahl an Faktoren und ihren multiplen Wechselwirkungen“ (Kleboth et al. 2016<\/a>, S. 3, vom Autor \u00fcbersetzt). konfrontiert. Die Komplexit\u00e4t der Systeme, mit denen wir es zu tun haben, zur G\u00e4nze zu erfassen und zu verstehen ist daher selbst f\u00fcr Expertinnen und Experten extrem schwierig. Konkret besteht die Herausforderung darin, die sich st\u00e4ndig ver\u00e4ndernden Bedingungen in diesen Systemen im Auge zu behalten und entsprechend darauf zu reagieren. Aufgrund der zuvor genannten H\u00fcrden bleibt vielen Organisationen der Zugang zu soliden, datengest\u00fctzten Entscheidungen jedoch verwehrt.<\/p>\n\n\n\n

Ein Framework f\u00fcr risikobasierte Audits & Entscheidungsfindung in komplexen Systemen<\/h2>\n\n\n\n

Um diesem Missstand entgegenzuwirken und jeder Organisation die Nutzung ihrer Daten f\u00fcr fundierte Entscheidungen zu erm\u00f6glichen, initiierte und finanzierte Intact ein Forschungsprojekt an der Universit\u00e4t Wageningen in den Niederlanden. Seit 2014 haben wir an der Entwicklung eines Frameworks f\u00fcr risikobasierte Audits und datenbasierte Entscheidungsfindung in komplexen Systemen gearbeitet. Erste Forschungsergebnisse und eine allgemeine Darstellung des entwickelten Frameworks wurden im Oktober 2016 in der Zeitschrift Trends in Food Science and Technology im Elsevier Verlag ver\u00f6ffentlicht.<\/p>\n\n\n\n

Audit-Abweichungen und Risiken auf Basis vorhandener Daten vorhersagen<\/h2>\n\n\n\n

Seit damals hat das Projekt gro\u00dfe Fortschritte gemacht. Als erster wirklich praxisbezogener Output der Forschungsarbeit wurde ein Set von drei Vorhersagemodellen entwickelt, mit dem sich Audit-Abweichungen mit einer Anfangsgenauigkeit von \u00fcber 80% vorhersagen lassen. Wir sind nun in der Lage, die Anzahl der zu erwartenden Abweichungen auf Basis vorhandener Daten einzustufen. Diese Daten k\u00f6nnen dann genutzt werden, um das Risiko potentieller Kunden und Lieferanten vorab zu bewerten, aber auch um die Risikoklasse f\u00fcr bereits zertifizierte Kunden und Lieferanten zu ermitteln.<\/p>\n\n\n\n

Die drei Vorhersagemodelle wurden im Rahmen eines Pilotprojekts mit einem unserer Kunden, der bereits zuvor einen risikobasierten Ansatz verfolgte, entwickelt und getestet. Die umfangreiche Datenbasis hatten wir daher einfach zug\u00e4nglich in ECERT <\/a>\u2013 Intact L\u00f6sung f\u00fcr Audit-, Zertifizierungs- und Standardmanagement \u2013 zur Verf\u00fcgung. Die Ergebnisse best\u00e4tigten sowohl den Erfolg des risikobasierten Ansatzes als auch die Anwendbarkeit und das Funktionieren der Vorhersagemodelle.<\/p>\n\n\n\n

Schnellerkennung zentraler Risikofaktoren \u2013 Expertise, menschliche Wahrnehmung, Machine Learning<\/h2>\n\n\n\n

Im Umgang mit Risiken in komplexen Systemen k\u00f6nnen wir uns nicht nur auf ‚historische‘ (harte) Daten st\u00fctzen, sondern auch auf die Expertise und geschulte Wahrnehmung unserer Auditoren, um insgesamt noch bessere Ergebnisse zu erzielen. Das menschliche Gehirn eignet sich hervorragend daf\u00fcr, den Kontext einer Sache zu erkennen und zu bewerten. Wollen wir also im Umgang und der Bewertung unserer Daten besser werden, stellt die Wahrnehmung von Auditorinnen und Auditoren eine besonders wertvolle Ressource dar. Um Schl\u00fcssel-Risikofaktoren noch besser eingrenzen zu k\u00f6nnen, haben wir daher Interviews mit Experten gef\u00fchrt und die daraus gewonnen qualitativen Daten mit den bereits vorhandenen ‚harten‘ Auditdaten kreuzvalidiert.<\/p>\n\n\n\n

Dieser Ansatz ist sehr effektiv, nimmt aber auch viel Zeit in Anspruch. Ziel war es daher, ein zeitsparenderes, praxistaugliches Verfahren zu entwickeln, mit dem menschliches Wissen angezapft und nutzbar gemacht werde kann. Das infolge entwickelte Schnellverfahren setzt auf Machine Learning, Spieldesignelemente und -prinzipien, um unkompliziert und spielerisch Wissen von Auditoren (und anderen Expertinnen und Experten) abzugreifen und zu validieren. Darauf aufbauend werden wir sogar in der Lage sein, Auditorinnen und Auditoren bei ihrer Arbeit im Feld zu unterst\u00fctzen. Das ist aber Stoff f\u00fcr einen zuk\u00fcnftigen Beitrag.<\/p>\n\n\n\n

Quellenangabe:
<\/strong> Kleboth, J. A., et al., Risk-based integrity audits in the food chain \u2013 A framework for complex systems<\/em>, Trends in Food Science & Technology (2016), http:\/\/dx.doi.org\/10.1016\/j.tifs.2016.07.010<\/a> <\/p>\n<\/div>\n\n <\/div>\n <\/div>\n <\/div>\n \n <\/section>\n\n\n\n\n\n

\t
\n\t\t
\n\t\t\t
\n\t\t\t\t\n\n

Lesen Sie jetzt:<\/h2>\n\n\n\t\t\t<\/div>\n\t\t\t
\n\t\t\t\t\t\t\t\t\t