Die Digitalisierung in der Wirtschaftsprüfung

Bedeutung, Einflussfaktoren, Chancen und Risiken


Project Report, 2018
44 Pages, Grade: 2

Excerpt

Inhaltsverzeichnis

Hinführung in die digitale Wirtschaftsprüfung

Essentielle Bestandteile zur digitalen Wirtschaftsprüfung - Audit 4.0
1. Bedeutung der Digitalisierung für die Branche
i. Deep Learning
ii. Big Data
iii. Machine Learning - Artificial Intelligence
IV. Blockchain Technology
2. Einflussfaktoren
i. Gut geschult! Vorbereitung der Mitarbeiter auf das neue digitale Zeitalter
ii. Gesetzgebung und Regulierung
3. Chancen, Perspektiven der Wirtschaftsprüfung durch die Implementierung von digitalen Prozessen (AUDIT 4.0)
i. Effektivität und Qualitätssteigerung
ii. Upgrades bestehender Technologien (kurzfristig) und potenzielle Technologien (langfristig)
4. Risiken - Herausforderungen für den Berufsstand die Branche
i. Organisation der Wirtschaftsprüfung
i. Branchenintern Kampf (Kampf des Vorreiters) mit Kl Tools etc. - Wettbewerbsfähigkeit, Wettlauf der Big four
5. Fazit

Literaturverzeichnis,

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1 Beispiel zur Systematik des neuronalen Netzwerkes

Abbildung 2 SVM - Support Vector Machine

Abbildung 3 Die essentiellen Bestandteile von Robotic und artificial intelligence (künstliche Intelligenz -Kl)

Abbildung 4 Blockchain in der Wirtschaftsprüfung

Abbildung 5 Hype Cycle for Emerging Technologies, 2016 Quelle Gartner (August 2016)

Abbildung 6 Hype Cycle for Emerging Technologies, Juli 2017 (Gartner, Inc. - www.gartner.com/smarterwithgartner)

Abbildung 7 Quelle: PwC Analyse "Digitalisierung im Finanz- und Rechnungs­wesen"

Hinführung in die digitale Wirtschaftsprüfung

Die Wirtschaftsprüfung unterliegt zurzeit einen tiefen prinzipiellen Wandel. Hierfür bietet die Digitalisierung ganz neue Chancen. Am Beispiel der künstlichen Intelli­genz, kurz Kl, werden innovative Ansätze in der Wirtschaftsprüfung zum Zwecke der Effizienz- und Qualitätssteigerung integriert. Die digitalen Anwendungen können unterschiedliche Risiken gleichzeitig im Kontext betrachten.

Die Industrie, wie auch die Wirtschaftsprüfung befinden sich aktuell im aufstreben­den digitalen Zeitalter. Dabei fällt oft der Begriff der sogenannten ״Industrie 4.0“, welche die vierte industrielle Revolution auf Basis von Cyber Physical Systems dar- stellt.1 Ein dabei zentrales Thema ist die Technologie der künstlichen Intelligenz, auch als ״artificial intelligence“ gegenwärtig bekannt.

Die Thematik der künstlichen Intelligenz wird eine Zeit erleben, in der die Forschung und die Anwendung Zusammenkommen müssen, um die gesellschaftliche Perspek­tive zu verbessern. In diesem Sinne realiter gelingt ein methodologischer Quanten­sprung, der anschließend näher beleuchtet werden soll.

Das durch die Digitalisierung geschaffene Umfeld erfordert ein Umdenken.

Die Wirtschaftsprüfung steht unter Zugzwang, der technologische Wandel stellt die Finanzfunktionen vor neuen Herausforderungen und nur wer mit den digitalen Inno­vationen mitgeht, hält diesem Druck in Zukunft stand.2

Die vier größten Wirtschaftsprüfungsgesellschaften (Big four) stehen seit Jahrzehn­ten im ständigen Konkurrenzkampf über die Vorherrschaft in der Branche. Ergo hat die Digitalisierung eine zentrale Bedeutung hierbei, denn es trägt zur wesentlichen Veränderung des Kerngeschäfts und zur Steigerung der Effizienz bei.

Wirtschaftsprüfer sorgen für Vertrauen in der Wirtschaft. Durch die vermehrte In­tegration von digitalen Prozessen, sollen neue Perspektiven geschaffen werden, um intensivere Fokussierung auf das Wesentliche, als auch Transparenz und Sicher­Stellung von Compliance' zu gewährleisten.

Essentielle Bestandteile zur digitalen Wirtschaftsprüfung - Audit 4.0

1. Bedeutung der Digitalisierung für die Branche

i. Deep Learning

Bei Kl handelt es sich um einen Algorithmus, also ein Computercode. Es existieren verschiedene Formen von Kl wie die schwache künstliche Intelligenz, welche auf ein Fachgebiet ausgerichtet ist. Ein typisches Beispiel hierfür sind Funktionen un­serer Mobilgräte und Computer, beispielsweise Siri, aber auch der Spamfilter im E­Mail Portal. Schwache künstliche Intelligenz kann ihre gewonnen Schlüsse nicht auf andere Bereiche übertragen, wo hingegen eine starke Kl, auch strong artificial in­telligence (True AI), es realisieren könnte.

Hierbei stellt sich folgende Frage auf: wie kann aus einer schwachen Kl eine starke Kl entstehen? Indem man zuerst imitiert, wie das menschliche Gehirn Sachverhalte erlernt, wie zum Beispiel mit künstlichen neuronalen Netzwerken. Die künstlichen Neuronen sind miteinander über Schichten verbunden. Soll die Kl in der Wirtschafts­Prüfung gewisse Aufgaben übernehmen, wie die Auswertung von Buchungsvorgän­gen im Rechnungswesen, welche unterjährig getätigt wurden, muss der Algorith­mus erlernen unübliche Buchungen zu analysieren und zu identifizieren.

Um dies zu ermöglichen muss das System mit einer umfassenden Database von einem Menschen gespeist werden. In den Lernplan wird dem Netzwerk zurückge­meldet, ob ein Buchungsvorgang richtig erkannt wurde oder nicht. Je nach Rück­meldung verändert das Netzwerk die Verbindung zwischen den Neuronen. Die Pro­zesse die zum richtigen Ergebnis führten werden somit verstärkter und die zum fal­schen Ergebnis geführt haben werden schwächer. Nach vielen Durchläufen ver­stärkt sich das Netzwerk und wird zum intelligenten neuronalen Netzwerk, welches selbstständig Ergebnisse extrahiert. Das Netzwerk optimiert sich autonom. Dieser Sachverhalt ist auch bekannt als ״Deep Learning“. Ein wichtiges Element der künst- liehen Intelligenz ist das sogenannte ״Deep Learning“, auf Deutsch ״tiefes lernen“. ״Verallgemeinert wird unter Deep Learning die verkettete Anwendung von Metho­den zur Merkmalsextraktion verstanden.

Ziel ist es, Merkmale oder Eigenschaften (engl. Features) selbstständig und ohne vorgegebene Logik über die Struktur der Daten zu gewinnen.“3

Neuronale Netzwerke beschreibt, dass jeder Knoten eine Funktion oder ein Entscheidungspunkt beinhaltet. Die Systematik führt analog mehrere Berechnungsschichten aus und klassifiziert diese auf der Grundlage der end­gültigen Ausgabe.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Beispiel zur Systematik des neuronalen Netzwerkes

ii Big Data

Die Mandanten der Wirtschaftsprüfgesellschaften stammen aus sämtlichen Sektio­nen. Die Geschäftsprozesse sind je nach Branche und der jeweiligen Unterneh­mensgröße abhängig. In den Geschäftsprozessen sind mehrheitlich ERP-Systeme" und CRM-Systeme'" im Einsatz. Man subsumiert derartige IT-Systeme als rech­nungslegungsrelevante Software. Die Warenwirtschaftssysteme (ERP) dienen im Wesentlichen als Informationsdatenbank für Haupt- und Nebenbücher. Bei den Kundenbeziehungsmanagementsystemen (CRM) werden duzend Informationen unter der Maxime der Kundenorientierung synergetisch vereint, sodass eine effizi­enter und qualitätsorientierter Geschäftsablauf zwischen Verbraucher und Unter­nehmen gewährleistet ist.4 Seit Beginn der Integration solcher Informationstechno­logien in unserer Wirtschaft, ist es ein essentielles Tool und Prüfungsschwerpunkt (ITGC) für die Wirtschaftsprüfung. ״Unter Big Data wird die Verarbeitung sehr gro­ßer Datenmengen in Echtzeit verstanden.“ (Prof. Dr. Andreas Gadatsch, 2012) Marktführender Softwarehersteller ist SAP. Seit 2006 hat sich die weltweite Daten­menge verzehnfacht.5 Die ERP-Systeme haben eine zentrale Bedeutung für die Wirtschaftsprüfer, denn alle Geschäftsvorfälle in einem Unternehmen werden dort abgebildet (Journalfunktion). Es existieren etliche ERP-Softwares, von verschiede­nen Anbietern, angepasst für die entsprechenden Branchen. Alle Geschäftsbezo­genen Buchungen werden in Journale dokumentiert, sofortlaufend und inkl. Fehlbu­chungen, sodass der Wirtschaftsprüfer die Buchungssystematik nachvollziehen kann. Beansprucht Big Data zwingend Datenanalysen? Bereits heute wird deutlich, mit zunehmender Digitalisierung steigen analog die Datenmengen. Die Ansprüche an interne und externe Prozesse werden immer umfassender und anspruchsvoller, dabei steckt das Thema Digitalisierung in der Industrie und Wirtschaftsprüfung noch in der Anfangsphase, denn ein Ende dieser Entwicklung ist nicht absehbar. Durch die neu entwickelten Technologien scheint das Potenzial für die Branche unbe­grenzt. Um die geforderte angemessene Prüfungssichert als Wirtschaftsprüfer zu gewährleisten sind Datenanalysen von Big Data unersetzlich. Komplexe Geschäfts­Vorfälle, als auch Journale beanspruchen einen hohen Arbeitsaufwand. Ohne Data Analytics, können bei zahlreichen ERPs die jeweiligen Buchungen nicht dem Ver­ursacher zugeordnet werden. Datenanalysen bieten dem Prüfer die Möglichkeit, sich binnen kürzester Zeit einen umfassenden Überblick, als auch problembehaftete Konten innerhalb der umfassenden Datenmenge zu identifizieren.

1. Cloud Based Data

Cloud basierte Lösungen sind heutzutage schon fester Bestandteil der Quartals­und Jahresabschlussprüfung. Diese gewährleistet den bequemen Transfer von Do­kumenten und weiteren Unterlagen zwischen Mandant und Wirtschaftsprüfer. Cloud-Computing bezieht sich im Wesentlichen auf die Anwendung von im Internet bereitgestellten Diensten, welche durch Hardware- und Systemsoftware in den Re­chenzentren bereitgestellten werden. Derartige Dienste sind gegenwärtig als Soft­ware as a Service (SaaS) bekannt.6 Ebenso dienen Cloud basierte Datenbanken dem Wirtschaftsprüfer als Prüfungsnachweis für verspätete Zuarbeit des Mandan­ten. Diese Technologie basiert auf einer externen Serverplattform zur Datensiche­rung und gewährleistet den permanenten Informationszugriff durch eine Internet­Verbindung. Der Wirtschaftsprüfer hinterlegt gegenwärtig auf der Cloud basierten Plattform die jeweiligen Prüfungsschwerpunkte und definiert die Anforderungen ge­genüber dem Mandanten. Derartige Plattformen ermöglichen im Status quo bereits autonome Mahnverfahren, für verspätete Reaktionen seitens des Mandanten und weisen ein permanentes Journal auf. Dadurch ist ein wertvoller Überblick für den Wirtschaftsprüfer gewährleistet. Insbesondere bei spezifischen Prüfungen, welche ein umfassendes Anforderungsprofil verlangen, beispielsweise eine SOX-Prüfung nach US-GAAP, ist meist mit duzend Reportings zu festen Dead Lines verbunden.

Um die jeweiligen Packages fristgemäß reporten zu können, verlangt es einen per­manenten Überblick über bereits vorhandene und fehlende Packages zu verfügen.

Ohne diese Cloud-Lösung müsste der Prüfer manuell jede Frist im Fokus haben und dem Mandanten mahnen. Somit ist bereits heute durch den Einsatz dieser Technologie eine immense Effektivitätssteigerung gewährleistet.

2. Data Analytics

Das Gremium der nationalen und internationalen Standartsetzer steht vor einer kolossalen Herausforderung, die Rahmenbedingungen für Data Analytics zu definieren und somit die berufsständische Grundlage zur breiten Anwendung zu schaffen7

Das Berufsfeld befindet sich durch die rasende Digitalisierung im markanten Spannungsfeld. Einerseits befindet sich der Berufsstand in einer zentralen Po­sition in dem Finanzmarkt, andererseits ist die Wirtschaftsprüfung einer hohen Regulierungsdichte ausgesetzt. Dies resultiert im Wesentlichen aus ständig veränderten Gesetzen, Standardsetzer wie das Institut der Wirtschaftsprüfer (IDW) und staatlichen Regulatoren. Die Regulierungsdichte bürgt traditionell e­her schleppende verändernde Regulierung. Folglich ist der Umbruch des Be­rufsstands unabdingbar.

Um diese massive Herausforderung erfolgreich zu meistern, bedarf es einer gemeinsamen Anstrengung der Anspruchsgruppen. Nicht nur einzelne Prü­fungsgebiete, sondern der gesamte Prüfungsprozess ist folglich fundamentalen Veränderungen unterlegen. Im Einzelnen betrifft, das nicht nur die triviale Da­tenextraktion, welche die Grundlage fast aller heutigen Prüfungshandlungen darstellt, sondern auch die Art und Weise wie bisherige Technologien betroffen sind.

Data Analytics, Cloud Lösungen und Big Data werden laut einer Studie von PwC als bedeutende kurz und mittelfristige Trends bewertet8

Die Massendaten führen zu immer komplexeren Prüfungen, um die Prüfungssicher­heit zu gewährleisten. Prüfungssicherheit und Prüfungsrisiko stehen in inverser Be­Ziehung zueinander. Ergo, desto mehr intensivere Prüfungshandlungen vorgenom­men werden, umso höher der erreichbare Grad der Prüfungssicherheit des testie­renden Wirtschaftsprüfers.

Ziel der Daten Analytics für die Wirtschaftsprüfung ist es, mit neuen Denkansätzen und innovativen Visualisierungsmöglichkeiten neue Kognitionen aus Datenbanken, die die Mandanten selbst durch interne Organe wie die interne Revision nicht er­wartet oder entdeckt hätten und resultierend die Technologieführerschaft bestätigt. Ergo steigt somit auch der stetig wachsende Wettbewerb unter den Big Four Wirt­schaftsprüfgesellschaften, welcher der Vorreiter der digitalen Transformation wird. Data Analytics ist bereits heute ein adäquates Mittel in den rechnungslegungsbezo­genen Prüfungshandlungen. Können Data Analytics dazu führen, dass der Wirt­Schaftsprüfer weniger Objektiv und unabhängig agiert? Die Wertschöpfungsnetz­werke verstärken die Vernetzung zwischen Prüfer und Mandant. Durch Data Ana- lyties sollen zukünftig ganze Risikobereiche im Fokus geraten und nicht nur wie ge­genwärtig einzelne Ausreiser. Dadurch ist eine höhere streuweite der Prüfungs­handlungen gewährleistet, da nicht nur einzelne risikobehaftete Transaktionen fo­kussiert werden. Momentan beschränkt sich der Einsatz noch auf regelbasierte Analysen.9

Fraglich ist, wie im Rahmen der durch Prüfung identifizierten Ausreißern verfahren werden soll, denn bei der herkömmlichen risikoorientierten Prüfung auf stichpro­benbasis, werden festgestellte Fehler auf die Gesamtpopulation extrapoliert, um das Gesamtrisiko zu bestimmen. Bei einer vermeintlichen Vollprüfung auf daten­analytischer Basis hingegen, besteht eine vollkommene Abdeckung der Grundge­samtheit, die eine große Anzahl von Ausreißern (bzw. fehlerhaft verbuchten Trans­aktionen) identifiziert. Folglich stellt sich die Frage zum weiteren Vorgehen bei Ein­zelfallprüfungen, ob für jeden einzelnen Ausreißer reagiert werden muss?10 Weiter­gehend ist ebenso unklar, inwiefern die Resultate aus der Datenanalyse mit weite­ren Prüfungshandlungen kombiniert werden. Die Erzielung von verlässlichen Ergeb­nissen, welche den Prüfungsansatz widerspiegeln ist unabdingbar. Bereits heute ist unstrittig, dass Datenanalysen im Prüfungsprozess zentrale Funktion einnehmen werden, entsprechend wird die Verlässlichkeit und Ausgangsqualität der Datenex­porte von primärer Bedeutung sein. Unter den sog. Ausreisern versteht man die Resultate der Anomalie-Erkennung basierend auf Machine learning. Beide Techno­logien stehen in Abhängigkeit zueinander.

Mit Hinblick auf die bisher noch offenen Fragen in Bezug auf die Anwendung und Auswirkung auf den Prüferalltag, sollten die Wirtschaftsprüfgesellschaften und die Standardsetzer mutig neue Wege beschreiten und sich von bisher offenen Fragen nicht behindern lassen. Der Berufsstand sollte sich nicht verschließen gemeinsam diesen digitalen Wandel anzutreten und gleichermaßen bedeutenden Input mitei­nander zu teilen für ein großes Netzwerk. Denn etablierte Datenanalysen tragen dazu bei, die Prüfsicherheit und somit auch das Vertrauen in der Weltwirtschaft zu gewährleisten.

iii. Machine Learning - Artificial Intelligence 1. Anomalie Erkennung

Eine Anomalie definiert - wie es das griechische Synonym suggeriert, eine Abwei­chung von der Norm bzw. den Normalen. Die Anomalie Erkennung ist ein essenti­eller Bestandteil des maschinellen Lernens und somit auch für die Nutzung von An­Wendungsprogrammen mit künstlicher Intelligenz. Eine Anomalie Erkennung (Ano­maly Detection) soll subsumiert anhand von Datenmengen (Database) Unregelmä­ßigkeiten von vordefinierten oder bereits ermittelten Kenndaten selektieren.

Gegenwertig bietet die Anomalie Erkennung im Gegensatz zur Signaturanalyse den Vortrag zuvor unbekannte Fehlerrisiken erkennen zu können und somit ein breiteres Spektrum bedienen kann, jedoch sind aufgrund geringer Erkennungsgenauigkeiten mit häufigen Fehlmeldungen zu rechnen.11

In der Wirtschaftsprüfung finden derartige technologiebasierte Methoden seit Jah­ren Anwendung. Die Anomalie Erkennung verfolgt einen regelgebundenen stati­schen Ansatz basierend auf der softwarebasierten Datenanalyse, welche eine sys­tematisch Unregelmäßigkeiten erkennt und extrahiert. Nachfolgend müssen die Prüfer Hypothesen entwerfen. Dies ist ein fester Bestandteil des Risikoorientierten Prüfungsansatzes. Die Anwendung findet in möglichen Fehlerbereichen die im Kon­text, punktuell oder Kollektiv austreten können. Die Anomalien werden durch ge­suchte Datenpunkte, welche der erwarteten bzw. gelernten Beschaffenheit inner­halb der Database abweicht.

Zentrale Anwendung findet diese Technologie bisher im Journal Entry Testing fJETj. Das JET beschreibt die Prüfungshandlung aller unterjährig veranlassten rechnungslegungsbezogenen Buchungen. Für einen Wirtschaftsprüfer ist es un­möglich alle unterjährigen Buchungen nachzuvollziehen. Der testierende Wirt­Schaftsprüfer muss gewährleisen, dass die Prüfungsaussagen mit hinreichender Si­cherheit getroffen werden können. Dadurch rückt die Verlässlichkeit dieser Techno­logie in den Vordergrund. Aktuell ist die Anomalie Erkennung sehr Problembehaftet, da häufig extrahierte Fehlbuchungen sich im Nachhinein als korrekt darlegen und somit viel Zeit und vor allem Geld verloren geht. Des Weiteren existieren hunderte ERP-Systeme auf den Markt, welche ggf. noch an die Bedürfnisse des Mandanten angepasst wurden, dies sorgt für eine uneinheitliche Ausgangslage der Rohdaten (unveränderte Database). Dies führt nachfolgend zu einer immensen manuellen Aufbereitung der Daten durch den Prüfer bzw. im Worst-Case-Szenario zur unmög- liehen- oder fehlerhaften Anwendung der Anomalie Erkennung. Um die immensen Anforderungen gerecht zu werden, werden derzeit verschiedene Ansätze verfolgt um die Verarbeitungsqualität langfristig zu steigern. Die Anomalie Erkennung findet im überwachten und unbewachten lernen Anwendung. Dies betrifft die Methoden Klassifizierung (Classification) und die Regressionsanalyse (RegressionJ.12 Bei der Klassifizierung werden vom Prüfer Datensätze mit manuell vorgegebenen Labein versehen. Nachfolgend wird autonom durch den Klassifikator der Vorgang durch einen Algorithmus ausgeführt. Der Klassifikator erkennt die Abhängigkeiten der Da­tenattribute und verknüpft die Daten mit den jeweiligen Klassifizierungen. Die Re­gressionsanalyse beschreibt hingegen ein statisches Analyseverfahren, um die Be­Ziehung zwischen einer abhängigen und einer oder mehreren unabhängigen Vari­abien zu modellieren, sodass resultierend eine Funktionsgleichung generiert wird.13 Zielsetzung der Regressionsanalyse ist es Funktionszusammenhänge zwischen den Daten attributen zu bestimmen und zu prognostizieren.

Eine Anomalie wird ersichtlich, wenn eine gewisse Distanz zwischen dem errech- neten bzw. prognostizierten Wert und die visualisierte Tendenz der Regressions­funktion erkenntlich wird. Gleichermaßen muss eine Vergleichbarkeit der Distanzen anderer Datenpunkten vorliegen.

Im Kontext zum maschinellen Lernens und der bereits beschriebenen Anomalie Erkennung fällt häufig der Begriff Support Vector Machine, welche den bereits defi­nierten Klassifikator der Methoden Klassifi­zierung und Regressionsanalyse be- schreibt. Es handelt sich um ein mathematisches Verfahren der Clustererkennung. Die Funktionsweise basiert auf einer trennenden Hyperebene, welche durch den Normalvektor und der Verschiebung definiert ist.14 Jeder Datensatz wird in einen Vektorraum repräsentiert und durch die Hyperebene in zwei Klassen klassifiziert. Die Hyperebene ist von den am nächsten liegenden Vektoren abhängig.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 SVM-Support Vector Machine

״Allen Analysen ist gemeinsam, dass sie auf der Erfahrung des Prüfers basieren und immer von der Annahme ausgehen, dass eine Anomalie dann vorliegt, wenn eine der definierten Regeln (Hypothesen) bestätigt wird.“( Christian B. Westermann und Christrian Spindler, 2017) Somit ist die Sensibilisierung in Bezug auf die Hypo­thesen Formulierung des Prüfers maßgeblich für die Anomalie Erkennung. Die Be­rufsausübung des Wirtschaftsprüfers wird datenbezogen validiert. Weiterhin ist auch unklar inwiefern ausgeschlossene Fehlausreißer als geprüft kategorisiert wer­den im Rahmen der Risikoeinschätzung.

Temporär befinden wir uns noch in der Anfangsphase solcher Technologien. ״Der Trend, neue Technologien einzusetzen, um unstrukturierte Daten wie Texte, Bilder und Sprache zu erkennen, wird sich fortsetzen. Hier liegt das größte Potenzial neuer Technologien.“ (Prof. Dr. Loitz, Rüdiger (PwC), 2018) Auch wenn die Technologie bisher schon Praxisanwendung findet, bürgt diese noch große Herausforderungen, um die gewünschte Verlässlichkeit zu gewährleisten. Die Anomalie Erkennung als fester Bestandteil des maschinellen Lernens und der künstlichen Intelligenz ermög- lieh dem Prüfer langfristig die Prüfrisiken weiter zu reduzieren und entsprechend die Qualität des Jahresabschlusses zu steigern.

2. Am Beispiel von Journal Entry Testing (JET)

Im Finanzwesen eines Unternehmens sind etliche Normen einzuhalten, zentrale Bedeutung hierbei haben die Grundsätze ordnungsmäßiger Buchführung (G0B), welche im § 238 ff. HGB manifestiert ist. Unter den G0B versteht man zum Teil geschriebene und ungeschriebene Grundsätze zum Finanzwesen. Ungeschriebene Grundsätze appellieren zum Teil an das sog. Prinzip der kaufmännischen Vorsicht, auch bekannt als den Grundsatz der ״Fair presentation“. Die G0B sind untersetzt mit den allgemeinen Grundsätzen, der Belegfunktion, der Kontenfunktion, der Do­kumentation, Aufbewahrung und der Journalfunktion. Unter der Journalfunktion ver­steht man die Verbuchung im Journal. Die Journalfunktion erfordert eine vollstän­dige, zeitgerechte und formal richtige Erfassung, Verarbeitung und Wiedergabe der eingegebenen Geschäftsvorfällen. Sie dient dem Nachweis der tatsächlichen und zeitgerechten Verarbeitung der Geschäftsvorfällen.15 Für jeden Geschäftsvorfall gilt der kaufmännische Grundsatz ״keine Buchung ohne Beleg“. Bei einem Beleg sind folgende Inhalte obligatorisch: Eindeutige Belegnummer gemäß § 146 Abs. 1 Satz 1. АО Angabe zwingend vollständig und geordnet, Belegaussteller und -empfänger, Betrag bzw. Mengen- oder Wertangaben, aus denen sich die Grundlage der Be­rechnung ableitet gemäß BFH Urteil vom 12. Mai 1966, BStBl III s. 372 ebenso zwingend notwendig. Des Weiteren sind der verantwortliche Austeller, falls vorhan­den, sowie das Belegdatum gern. § 146 Abs. 1 s. 1 АО zeitgerecht zwingend anzu­geben. Ebenso darf auf eine hinreichende Erläuterung des Geschäftsvorfalls mit Hinweis auf das BFH-Urteil vom 12. Mai 1966, BStBl III s. 372 i. V. m. BFH-Urteil vom 1. Oktober 1969, BStBl 1970 s. 45 nicht verzichtet werden. Für Umsatzsteuer­liehe Zwecke können des Weiteren noch Angaben erforderlich sein. Hierzu gehören unter anderen die Rechnungsangaben nach §§ 14, 14a UStG und § 33 UStDV.

Unter dem Begriff Journal-Entry-Testing, versteht man somit die zentrale Datenana­lyse für alle Buchungen im Berichtsjahr. Diese sind entsprechend IDW PS 210 / ISA 240 / SAS 99 genormt.

[...]


1 Vgl. (Geisberger & Broy, 2012; Geisberger & Broy, 2012)

2 Vgl. (René Rausenberger, 2017)

3 (Neises, 2018)

4 Vgl. (Hippner, 2006)

5 Vgl. (PwC, 2018)

6 Vgl. (Michael Armbrust, 2010)

7 Vgl. (Expert Focus: Achim Schäfer, 2017; Expert Focus: Achim Schäfer, 2017)

8 Vgl. Digitale Abschlussprüfung - Studie zum Einsatz von Technologie im Finanz- und Rech­nungswesen, Seite 26, Hrgb. www.pwc.de

9 Vgl. ( Christian B. Westermann und Christrian Spindler, 2017)

10 Vgl. (Expert Focus: Achim Schäfer, 2017; Expert Focus: Achim Schäfer, 2017)

11 Vgl. (Michael Meier, 2017)

12 Vgl. PwC Digital Services

13 Vgl. ( Christian B. Westermann und Christrian Spindler, 2017)

14 (Markowetz, 2003)

15 (Bundesministerium der Finanzen, 2014)

Excerpt out of 44 pages

Details

Title
Die Digitalisierung in der Wirtschaftsprüfung
Subtitle
Bedeutung, Einflussfaktoren, Chancen und Risiken
College
University of Cooperative Education Villingen-Schwenningen  (Wirtschaft)
Grade
2
Author
Year
2018
Pages
44
Catalog Number
V436245
ISBN (eBook)
9783668769298
ISBN (Book)
9783668769304
File size
766 KB
Language
German
Tags
Wirtschaftsprüfung Digitalisierung, Datenanalyse, Journal Entry Testing
Quote paper
Niclas Matz (Author), 2018, Die Digitalisierung in der Wirtschaftsprüfung, Munich, GRIN Verlag, https://www.grin.com/document/436245

Comments

  • No comments yet.
Read the ebook
Title: Die Digitalisierung in der Wirtschaftsprüfung


Upload papers

Your term paper / thesis:

- Publication as eBook and book
- High royalties for the sales
- Completely free - with ISBN
- It only takes five minutes
- Every paper finds readers

Publish now - it's free