از ۵۰۰ هزار ثبت تا چند مورد پرریسک
فرض کنید یک شرکت در طول سال ۵۰۰ هزار ثبت حسابداری دارد. بیشتر این ثبت‌ها کاملاً عادی‌اند: فروش، خرید، دریافت، پرداخت، حقوق، استهلاک و صدها رویداد تکرارشونده دیگر. اما شاید میان همین صدها هزار ثبت، تعداد بسیار کمی واقعاً نیازمند توجه حسابرس باشند. ممکن است یک ثبت دستی در آخرین ساعات روز پایانی سال انجام شده باشد، مبلغ آن غیرمعمول باشد، به حسابی وارد شده باشد که آن کاربر معمولاً با آن کار نمی‌کند و چند روز بعد نیز با ثبت دیگری برگشت داده شود. پیدا کردن چنین مواردی با نگاه کردن به فایل Excel تقریباً غیرممکن است. Journal Entry Testing مبتنی بر تحلیل داده و هوش مصنوعی برای همین مسئله طراحی می‌شود: غربال حجم عظیم ثبت‌های عادی و بیرون کشیدن مواردی که ارزش بررسی حرفه‌ای بیشتری دارند.
چرا ثبت‌های دفتر روزنامه برای حسابرس مهم‌اند؟
سیستم کنترل داخلی هرقدر هم قوی باشد، همیشه ریسک Management Override of Controls وجود دارد. مدیریت یا کاربران دارای سطح دسترسی بالا ممکن است بتوانند ثبت‌هایی انجام دهند که از مسیر عادی پردازش تراکنش عبور می‌کنند. ISA 240 (Revised) نیز بر پاسخ حسابرس به ریسک تقلب و Management Override و آزمون ثبت‌های دفتر روزنامه و تعدیلات تأکید دارد. مسئله عملی برای حسابرس این است که از میان صدها هزار یا میلیون‌ها ثبت، کدام موارد را برای آزمون انتخاب کند و چگونه اطمینان یابد انتخاب او فقط به چند فیلتر ساده محدود نشده است.
روش سنتی Journal Entry Testing
در روش سنتی، حسابرس ابتدا معیارهای ریسک را مشخص می‌کند: ثبت‌های انجام‌شده در روزهای پایانی سال، ثبت‌های دستی، مبالغ بزرگ، کاربران خاص یا حساب‌های حساس. این روش همچنان ارزشمند است، چون قواعد آن شفاف و قابل توضیح‌اند. محدودیت اصلی اینجاست که Rule فقط الگویی را پیدا می‌کند که از قبل تعریف شده است. اگر رفتار غیرعادی خارج از فهرست قواعد حسابرس باشد، ممکن است دیده نشود. به همین دلیل Anomaly Detection می‌تواند مکمل Rule-based Testing باشد، نه جایگزین آن.
هوش مصنوعی دنبال «تقلب» نمی‌گردد
وقتی یک الگوریتم Journal Entry را غیرعادی تشخیص می‌دهد، معنایش این نیست که آن ثبت متقلبانه است. سیستم فقط می‌گوید این ثبت نسبت به رفتار معمول داده متفاوت است و ارزش بررسی بیشتری دارد. خرید یک شرکت، فروش یک دارایی بزرگ، اصلاح اشتباه سنواتی یا ثبت رویدادی غیرتکراری می‌تواند از نظر آماری بسیار غیرعادی باشد اما کاملاً قانونی باشد. بنابراین Anomaly مساوی Fraud نیست؛ ناهنجاری فقط یک سیگنال ریسک برای هدایت توجه حسابرس است.
AI چه ویژگی‌هایی را از هر ثبت می‌بیند؟
برای هر Journal Entry می‌توان مجموعه بزرگی از Featureها را تحلیل کرد: تاریخ و ساعت ثبت، کاربر ثبت‌کننده، حساب بدهکار و بستانکار، مبلغ، نوع سند، منبع ثبت، شرح، زمان تأیید، دفعات استفاده از ترکیب حساب‌ها و ارتباط ثبت با سایر تراکنش‌ها. قدرت تحلیل داده در این است که لازم نیست هر ویژگی جداگانه دیده شود؛ سیستم می‌تواند بپرسد آیا ترکیب این ویژگی‌ها با رفتار معمول شرکت، حساب و کاربر سازگار است یا خیر.
ثبت در زمان غیرعادی
فرض کنید بیشتر ثبت‌های واحد مالی بین ساعت ۸ صبح تا ۶ عصر انجام می‌شوند، اما یک ثبت دستی بااهمیت ساعت ۲:۱۳ بامداد در آخرین روز سال مالی ایجاد شده است. این ثبت لزوماً تقلب نیست، اما سؤال ایجاد می‌کند: چه کسی آن را ثبت کرده؟ آیا کاربر معمولاً در این ساعت فعال است؟ آیا تأیید لازم وجود دارد؟ تحلیل Time Pattern می‌تواند رفتار زمانی معمول کاربران را بسازد و ثبت‌هایی را که به‌طور محسوسی خارج از آن الگو هستند برای بررسی علامت‌گذاری کند.
کاربر غیرمنتظره
ممکن است کارمندی معمولاً فقط ثبت‌های مربوط به حساب‌های پرداختنی را انجام دهد، اما ناگهان یک ثبت دستی با مبلغ بالا بین درآمد و حساب دریافتنی ایجاد کند. سطح دسترسی او شاید قانونی باشد، ولی رفتار ثبت با سابقه معمولش متفاوت است. اینجا تفاوت Permission Analysis و Behavioral Analysis روشن می‌شود: داشتن مجوز کافی نیست؛ باید دید کاربر در عمل معمولاً چه نوع ثبت‌هایی انجام می‌دهد و آیا رفتار جدید به‌شدت با الگوی گذشته فاصله دارد.
ترکیب غیرمعمول حساب‌ها
در یک شرکت هزاران بار ترکیب‌های مشخص بدهکار و بستانکار تکرار می‌شوند، اما بعضی Account Combinationها بسیار نادرند. الگوریتم می‌تواند فراوانی این ترکیب‌ها را بررسی و موارد بسیار کم‌تکرار را برای حسابرس مشخص کند. نادر بودن به معنی اشتباه بودن نیست، اما وقتی یک ترکیب نادر با ثبت دستی، پایان سال یا کاربر غیرمنتظره همراه شود، اهمیت آن برای آزمون بیشتر می‌شود.
مبلغ Outlier باید در Context سنجیده شود
فرض کنید بیشتر ثبت‌های یک نوع خاص بین ۵ تا ۵۰ میلیون تومان هستند اما ناگهان یک ثبت ۴ میلیارد تومانی دیده می‌شود. Rule ساده می‌تواند آن را پیدا کند، اما تحلیل پیشرفته‌تر باید Context را هم در نظر بگیرد. مبلغ ۴ میلیارد تومان ممکن است برای حساب A کاملاً غیرعادی و برای حساب B عادی باشد. بنابراین Outlier Detection باید در سطح مناسب حساب، نوع سند، کاربر یا دوره زمانی انجام شود تا سیستم صرفاً به دلیل بزرگی عدد هشدار تولید نکند.
اعداد رُند؛ سیگنال ضعیف اما قابل ترکیب
ثبت‌هایی با اعداد کاملاً رُند گاهی در آزمون‌های تقلب مورد توجه قرار می‌گیرند. اما عدد رُند به‌تنهایی تقریباً هیچ چیزی را ثابت نمی‌کند. بسیاری از معاملات واقعی مبالغ رُند دارند. ارزش این Feature زمانی بیشتر می‌شود که با نشانه‌های دیگری مثل ثبت دستی، آخرین ساعات دوره، کاربر غیرعادی یا حساب حساس ترکیب شود. قدرت سیستم در ترکیب چند سیگنال است، نه در اتکا به یک علامت منفرد.
ثبت و برگشت سریع
یکی از الگوهای مهم، ثبت‌هایی است که کمی بعد Reverse می‌شوند. اگر در روز پایانی سال ثبت درآمد بااهمیتی ایجاد شود و چند روز پس از شروع دوره بعد همان مبلغ یا مبلغی بسیار نزدیک برگشت داده شود، موضوع برای حسابرس ارزش بررسی دارد. ممکن است ثبت مربوط به Accrual یا اصلاحی قانونی باشد، اما اگر روی نتیجه پایان دوره اثر بااهمیت داشته باشد، ارتباط Journal Entry و Reversal باید به‌وضوح دیده و مستند شود.
شرح غیرمعمول نیز داده حسابرسی است
Description ثبت می‌تواند اطلاعات مفیدی داشته باشد. عبارت‌هایی مثل «اصلاح»، «طبق دستور»، «تعدیل» یا «متفرقه» در ثبت‌های بزرگ ممکن است برای حسابرس جالب باشند. مدل‌های زبانی می‌توانند طول شرح، واژگان، شباهت با ثبت‌های مشابه و میزان اطلاعات ارائه‌شده را تحلیل کنند. بااین‌حال تحلیل متن نیز نباید به‌تنهایی مبنای نتیجه‌گیری قرار گیرد؛ باید همراه با سایر ویژگی‌های تراکنش و شواهد مالی تفسیر شود.
Risk Score چگونه ساخته می‌شود؟
برای هر ثبت می‌توان چند سیگنال ریسک در نظر گرفت: Manual Entry، خارج از ساعت کاری، کاربر غیرمعمول، ترکیب حساب نادر، مبلغ Outlier، ثبت پایان سال یا Reversal سریع. یک ثبت که فقط در روز پایانی سال انجام شده شاید Risk Score پایینی داشته باشد، اما ثبتی که هم دستی است، هم ساعت ۲ صبح ایجاد شده، هم کاربر غیرمعمول دارد و هم چند روز بعد Reverse شده، می‌تواند در صدر صف بررسی قرار گیرد. مدل‌های پیشرفته الزاماً از امتیازدهی ساده استفاده نمی‌کنند، اما منطق Risk Ranking همین است: ترکیب چند نشانه برای اولویت‌بندی توجه حسابرس.
چرا Rule و Anomaly Detection باید کنار هم باشند؟
Rule-based Tests شفاف‌اند و حسابرس دقیقاً می‌داند چرا هر مورد انتخاب شده است؛ برای مثال «تمام ثبت‌های دستی بیش از ۵ میلیارد تومان در پنج روز پایانی سال». Anomaly Detection می‌تواند رفتارهایی را پیدا کند که از قبل در Rule تعریف نشده‌اند. بهترین معماری معمولاً ترکیبی است: قواعد قطعی برای ریسک‌های شناخته‌شده، تحلیل آماری برای Patternها، تشخیص ناهنجاری برای الگوهای ناشناخته و قضاوت حرفه‌ای برای نتیجه‌گیری نهایی.
اول کامل‌بودن Population، بعد Fraud Analytics
پیش از اجرای پیشرفته‌ترین مدل AI باید یک سؤال ساده پاسخ داده شود: آیا تمام Journal Entryهای مورد انتظار وارد Dataset شده‌اند؟ اگر سیستم مالی ۵۰۰ هزار ثبت داشته باشد ولی فایل تحویلی فقط ۴۸۰ هزار ثبت داشته باشد، تحلیل هوشمند روی آن فایل از ابتدا مشکل بنیادی دارد. Reconciliation، کنترل Control Totalها و Data Completeness باید قبل از Fraud Analytics انجام شوند. اول Population را قابل‌اتکا کنید، بعد دنبال Anomaly بگردید.
Explainability؛ چرا این ثبت انتخاب شده است؟
خروجی حرفه‌ای نباید فقط بگوید «Journal Entry شماره 84521 مشکوک است — Risk Score: 91». حسابرس باید بداند ثبت به چه دلیل انتخاب شده: ایجاد در آخرین روز سال، Manual Entry بودن، نبود سابقه مشابه برای کاربر، مبلغ در صدک بالای گروه، ترکیب بسیار نادر حساب‌ها و Reversal در ابتدای دوره بعد. این توضیح‌پذیری به حسابرس اجازه می‌دهد دلیل انتخاب را بفهمد، Evidence مرتبط را هدفمند جمع کند و تصمیم الگوریتم را بدون اتکای کورکورانه بررسی کند.
False Positive و Context کسب‌وکار
اگر سیستم از ۵۰۰ هزار ثبت، ۸۰ هزار مورد را مشکوک اعلام کند، عملاً کمک زیادی نکرده است. Threshold، طراحی Feature، شناخت صنعت و Context عملیاتی تعیین می‌کنند سیستم مفید باشد یا فقط Noise تولید کند. ثبت‌های آخر شب در یک شرکت ممکن است غیرعادی باشند، اما در شرکتی با عملیات ۲۴ ساعته طبیعی‌اند. AI بدون Context می‌تواند هشدارهای بی‌ارزش زیادی بسازد؛ بنابراین Validation مدل و بازخورد حسابرس برای کاهش False Positive ضروری است.
از Journal Entry Analytics تا Continuous Monitoring
بهترین کاربرد این فناوری فقط در پایان سال نیست. سازمان می‌تواند تحلیل ثبت‌های غیرعادی را به‌صورت مستمر اجرا کند. یک ثبت دستی با Risk Score بالا ایجاد می‌شود، سیستم آن را برای Controller یا حسابرسی داخلی ارسال می‌کند، Evidence مرتبط جمع می‌شود و در صورت نیاز موضوع Escalate می‌شود. اینجا Fraud Analytics، Continuous Controls Monitoring و حسابرسی داخلی به یکدیگر نزدیک می‌شوند. نقش حسابرس نیز تغییر می‌کند: به‌جای فیلتر کردن ۵۰۰ هزار ردیف، روی چند ده Exception مهم و شواهد لازم برای اثبات یا رد ریسک تمرکز می‌کند.
جمع‌بندی؛ AI سوزن را پیدا می‌کند، حسابرس ماهیت آن را تعیین می‌کند
در آینده نزدیک، پیدا کردن ثبت‌های غیرعادی کمتر به فیلترهای دستی Excel وابسته خواهد بود. ترکیب Rule-based Testing، تحلیل آماری و AI می‌تواند کل Population را غربال کند و ثبت‌هایی را که رفتار متفاوتی دارند در اولویت بررسی قرار دهد. ثبت آخر شب، کاربر غیرمعمول، ترکیب نادر حساب‌ها، مبلغ Outlier، شرح غیرعادی، ثبت پایان سال و Reversal سریع هرکدام فقط Signal هستند و هیچ‌کدام به‌تنهایی اثبات تقلب نیستند. وظیفه AI پیدا کردن سوزن در انبار کاه است؛ وظیفه حسابرس این است که مشخص کند چیزی که پیدا شده واقعاً سوزن است یا فقط شبیه آن به نظر می‌رسد.
سؤالات متداول
Journal Entry Testing چیست؟
آزمون ثبت‌های دفتر روزنامه یکی از رویه‌های حسابرسی برای بررسی ثبت‌ها و تعدیلات، به‌ویژه در ارتباط با خطر Management Override و تقلب است. حسابرس براساس ارزیابی ریسک، ثبت‌های مناسب را برای آزمون انتخاب می‌کند.
آیا AI می‌تواند ثبت حسابداری متقلبانه را تشخیص دهد؟
AI می‌تواند ثبت‌های غیرعادی یا دارای شاخص‌های ریسک را شناسایی و اولویت‌بندی کند، اما Flag شدن یک ثبت به معنی اثبات تقلب نیست. نتیجه نیازمند بررسی حسابرس و شواهد کافی و مناسب است.
چه ثبت‌هایی ممکن است توسط AI غیرعادی شناخته شوند؟
ثبت‌های دستی، ثبت خارج از ساعات معمول، مبالغ Outlier، ترکیب‌های نادر حساب‌ها، کاربران غیرمنتظره، ثبت‌های پایان دوره و ثبت‌هایی که سریعاً Reverse می‌شوند از نمونه‌های قابل بررسی هستند.
آیا می‌توان تمام دفتر روزنامه را با AI بررسی کرد؟
در صورت دسترسی به Dataset کامل و زیرساخت مناسب، تحلیل داده می‌تواند کل یا بخش بسیار بزرگی از Population را Screen کند. بااین‌حال کامل‌بودن و صحت داده باید قبل از تحلیل کنترل شود.
آیا Anomaly به معنای Fraud است؟
خیر. یک تراکنش غیرعادی ممکن است کاملاً قانونی باشد. Anomaly Detection ابزاری برای شناسایی موارد نیازمند بررسی بیشتر است، نه اثبات تقلب.
عضویت در حسابداران برتر
برای دسترسی به آموزش‌های تخصصی حسابداری، حسابرسی، کنترل داخلی و کاربرد هوش مصنوعی در امور مالی، وارد پنل کاربری حسابداران برتر شوید.