Treffer: Einsatz datengetriebener Methoden in der Internen Revision

Die vorliegende Masterarbeit untersucht den Einsatz von datengetriebenen Methoden in der Internen Revision zur Identifikation von Unregelmäßigkeiten und zur Steigerung der Effizienz sowie der Aussagekraft interner Prüfungen. Durch die Digitalisierung und komplexere Geschäftsprozesse entsteht ein erhöhter Bedarf an datengetriebenen Prüfungsansätzen, die eine umfassendere Abdeckung und präzisere Risikoeinschätzung ermöglichen. Traditionelle stichprobenbasierte Revisionsprüfungen stoßen angesichts wachsender Datenmengen zunehmend an ihre Grenzen. Methodisch kombiniert die Arbeit eine qualitative Literaturrecherche mit einer quantitativen Analyse eines synthetischen Datensatzes zu Finanztransaktionen und verbindet klassische Revisionsvorgänge mit Datenanalysen sowie interaktiven Visualisierungsansätzen. Die empirische Analyse wurde mithilfe von Python und Microsoft Power BI durchgeführt, um verdächtige Muster und Auffälligkeiten im Datensatz zu identifizieren. Die Ergebnisse der Analysen belegen, dass datenbasierte Verfahren deutliche Mehrwerte für die Interne Revision schaffen. So erlaubten explorative Analysen u.a. eine schnellere Identifikation besonders risikobehafteter Transaktionstypen, während das Benfordsche Gesetz Abweichungen von erwarteten Ziffernverteilungen aufdeckte, die als Indikatoren für potenzielle Manipulationen dienen. Zudem machten geografische und zeitliche Analysen Auffälligkeiten sichtbar, welche für eine risikoorientierte Prüfungsplanung genutzt werden können. Die Implikationen dieser Ergebnisse zeigen, dass datenbasierte Prüfverfahren die Qualität und Effizienz interner Prüfungen erhöhen, während visuelle Analysen die Verständlichkeit und bessere Kommunikation von Daten ermöglichen. Die Masterarbeit zeigt damit praxisnah, dass datengetriebene Ansätze nicht nur ein Zusatzinstrument, sondern künftig einen integralen Bestandteil einer modernen, risikoorientierten Internen Revision darstellen.
This master’s thesis examines the application of data-driven methods in internal auditing to detect irregularities and to enhance both the efficiency and the reliability of audit results. Digitalisation and increasingly complex business processes have created a growing need for data-oriented audit approaches that provide more comprehensive coverage and more accurate risk assessments. In contrast, traditional sample-based audit procedures are reaching their limits in the face of growing data volumes. Methodologically, the thesis combines a qualitative review of the literature with a quantitative analysis of a synthetic dataset of financial transactions. It links classical audit procedures with data analytics and interactive visualisation techniques. The empirical analysis was performed using Python and Microsoft Power BI in order to identify suspicious patterns and anomalies within the dataset. The findings demonstrate that data-driven methods generate significant added value for internal auditing. For example, exploratory analyses enabled faster detection of high-risk transaction types, while the application of Benford’s Law revealed deviations from expected digit distributions that may serve as indicators of potential manipulation. In addition, geographic and temporal analyses highlighted specific anomalies that can be used for risk-oriented audit planning. The implications of these results indicate that data-based audit techniques enhance both the quality and the efficiency of internal audits, while visual analyses improve the comprehensibility and communication of complex data. The master’s thesis thus illustrates in a practical manner that data- driven approaches are not merely an additional tool but are increasingly becoming an integral component of a modern, risk-based internal audit function.