När kan dataanalyser användas, och till vad? Vilka är riskerna?
Dataanalyser kan användas i flera steg av revisionen - och till och med göra den roligare.
IAASB har publicerat en FAQ om dataanalyser, eller ”Automated Tools and Techniques” (ATT) som IAASB kallar det, och hur revisorn ska hantera eventuella avvikelser från förväntningarna.
FAQ:n är ”non-authorative”, vilket innebär att den mer ska ses som en hjälp för revisorn och inte innehåller några tillägg eller åsidosättande av kraven i ISA. Det är helt enkelt tips och trix kring dataanalyser. FAQ:n är bra, läs den.
Vad är nöjet med dataanalyser?
Nöjet är att revisionen blir roligare. För att kunna utföra bra dataanalyser behövs – ja, förutom data att analysera och bra verktyg att analysera med – en god förståelse för företagets verksamhet, redovisningsprinciper, affärsmodell, säsongsvariationer och hur detta avspeglas i bokföringen. Förståelsen gör att det blir roligare, revisorn kommer närmare företagets verksamhet och kan ha en mer initierad dialog med företagsledningen. Revisorn får använda sin kompetens och erfarenhet för att skapa förväntningar, att tillsammans med företagsledningen gå igenom analysen och diskutera avvikelser och var de kan komma från. Kanske kan diskussionen leda till insikter som kan hjälpa företaget att förbättra sina processer och bli effektivare.
Allt detta ger kanske i sig inte revisionsbevis, men det skapar en bra dialog med företagsledningen och är utvecklande – helt enkelt roligare. En god förståelse är ju också det som ISA 315 vill att revisorn ska ha – se där lite nytta redan här.
Dataanalyser har funnits länge. Inte minst i Sverige där vi under lång tid har haft möjligheten att använda SIE-filer. Samtidigt är det viktigt att komma ihåg att dataanalyser kan utföras även på annan information än den som kommer från SIE-filer. Fortsättningsvis kommer jag därför att kalla det för dataanalyser, oavsett källa.
Nyttan med dataanalyser då?
När kan dataanalyser användas, och till vad? Finns det några risker eller fallgropar att tänka på?
Hur bra dataanalyserna blir som revisionsbevis beror på hur bra den data som finns tillgänglig är, hur bra förväntningar revisorn kan skapa och vilka verktyg som finns tillgängliga. Många gånger ger de ändamålsenliga, men kanske inte tillräckliga, revisionsbevis. Det betyder att de ofta behöver kompletteras med annan granskning.
Dataanalyser kan användas i flera steg av revisionen, till exempel i planeringen och i riskanalysen för att se om något kan indikera förändringar i verksamheten eller andra risker som behöver utvärderas. Men vanligast är kanske att dataanalyser används som del i själva granskningen. Där kan den användas dels för att testa funktionen i kontroller, dels som substansgranskning. Troligen mer av det senare.
Två typer av substansgranskning
Som i all granskning behöver revisorn ha en plan för vad som ska granskas, vilken risk som ska täckas med granskningen och hur resultatet ska tolkas och användas. Den data som används i en analytisk granskning kommer ofta från företagets IT-system, ofta från huvudboken i form av en SIE-fil. Fullständighet är därför ofta svårt att täcka in med dataanalys. Om analysen sker genom att två olika system matchas så kan fullständighet täckas, men med de inneboende begränsningar som trots allt finns.
Det finns två typer av substansgranskning:
- test av detaljer
- substansinriktad analytisk granskning
Test av detaljer
Ett exempel på test av detaljer är att matcha utleveranser från lager mot intäktsredovisning. Då kan revisorn se att alla utleveranser fakturerats. Men det förutsätter förstås att den data som används över utleveranser är komplett och fullständig. Det jag vill säga med det här exemplet är att revisorn ska tänka till innan. Revisorn ska alltid beakta sin professionella skepticism.
Ett annat exempel skulle kunna vara att använda dataanalys för matchning mot externa data över inbetalning från banken. Här finns det spännande möjligheter med API:er som hämtar externa data på ett enklare sätt, data som kan ge mer relevanta och ändamålsenliga bevis än analyser av interna data.
Substansinriktad analytisk granskning
Substansinriktad analytisk granskning kan vara att ett visst transaktionsslag förväntas vara bokfört på ett visst sätt (intäkt och moms i kredit mot kundfordringar i debet eller betalning av kundfordringar i kredit mot bankkonto i debet). Det kan också vara att jämföra lönekostnader per månad med en förväntan om att den ska vara samma varje månad. I båda dessa fall har revisorn en förväntan på hur det ska se ut.
Men hur ska revisorn agera om det finns avvikelser mot förväntan? Det beskrivs på ett bra sätt i IAASB:s FAQ. En avvikelse behöver inte vara ett fel. I FAQ:n lyfts att också de transaktioner som möter förväntan behöver granskas på något sätt. Hur mycket beror på omständigheterna och vilka analyser som utförts. Här kommer än en gång revisorns professionella omdöme till användning.
Dataanalyser gör att revisionen blir roligare, revisorn får en bättre förståelse och att revisionen många gånger blir mer effektiv. Nytta förenas med nöje!
