Data analytics in external auditing

This dissertation examines the use of data analytics in external auditing. Research findings, current practice, and future applications are investigated to evaluate the potential of data analytics for auditing. The findings indicate that "conventional data analytics” methods (rule-based queries, visualization, and descriptive statistics) are widely used in the auditing industry today, while 'advanced data analytics' approaches (machine learning, process mining and natural language processing) are in its infancy stage. The primary exceptions are process mining and natural language processing which are enjoying some early successes. Examples of future use cases in the field of machine learning are journal entry testing (clustering, adversarial autoencoder neural networks, association rules), predictions for analytical procedures, and audit workforce planning. Overall, external auditing is a promising field for the application of data analytics. Successful adoption will have implications on the audit market (e.g., adoption of data driven audits in phases), the audit profession (e.g., extension of skillset) and the regulator (e.g., ensuring adequate application).

Die vorliegende Dissertation befasst sich mit Einsatzmöglichkeiten von Datenanalyseverfahren (Data Analytics) in der Wirtschaftsprüfung. Um das Potential von Data Analytics für die Prüfung zu beurteilen, werden drei Bereiche untersucht: Forschungserkenntnisse, derzeitige Praxis und zukünftige Anwendungsmöglichkeiten. Basierend auf den Ergebnissen werden 'konventionelle Datenanalysemethoden' (regelbasierte Abfragen, Visualisierung und deskriptive Statistik) bereits weitgehend in den untersuchten Unternehmen eingesetzt. Fortgeschrittene Datenanalyseverfahren (Machine Learning, Process Mining und Natural Language Processing) finden in der derzeitigen Prüfungspraxis noch kaum Anwendung. Process Mining und Natural Language Processing hingegen können bereits erste Erfolge vorweisen. Beispiele für zukünftige Anwendungen im Bereich Machine Learning sind: Journal Entry Testing (Clustering, Adversarial Autoencoder Neural Network, Assoziationsanalyse), Erwartungswerte für analytische Prüfungsverfahren und Personaleinsatzplanung. In der Dissertation wird aufgezeigt, dass ein breites Anwendungsgebiet für Datenanalyseverfahren in der Wirtschaftsprüfung besteht. Dies führt zu vielfältigen Auswirkungen für den Prüfungsmarkt (z.B. Adaptionsphasen des Data Driven Audits), Berufsstand (z.B. Veränderung des Kompetenz-spektrums) und Regulator (z.B. Sicherstellung einer angemessenen Anwendung).