Dataanalyse, opdagelsesrisikoen for besvigelser
Oversat titel
Data analysis, the risk of fraud detection
Forfattere
Abbas, Mubashar Younus ; Friis, Julie Bartels ; Khella, Amalie Lisa
Semester
4. semester
Uddannelse
Udgivelsesår
2026
Resumé
Afhandlingen undersøger, hvordan revisionsmæssig dataanalyse kan reducere opdagelsesrisikoen for besvigelser og styrke revisors evne til at identificere tegn på uregelmæssigheder. I lyset af mere komplekse og datadrevne forretningsprocesser udfordres traditionelle revisionsmetoder baseret på stikprøver og manuelle procedurer. Med udgangspunkt i besvigelsesteori, revisionsrisikomodellen og kravene i ISA 240 belyses, hvornår besvigelsesrisikoen typisk er forhøjet (fx svage interne kontroller, manuelle posteringer og betydelig ledelsesdømmekraft), og hvordan dataanalyse kan målrette planlægning, risikovurdering og test af kontroller. Afhandlingen redegør for relevante dataanalytiske tilgange, herunder bl.a. journalposttest og korrelationsanalyse, og analyserer udvalgte sager (029/2017 og 046/2017) for at diskutere revisors håndtering af besvigelsesrisiko samt det potentielle bidrag fra dataanalyse. Hovedkonklusionen er, at dataanalyse kan styrke revisionskvalitet og besvigelsesidentifikation ved at udvide og underbygge revisionsbeviset, men at effekten beror på pålideligt og uafhængigt datagrundlag, hensigtsmæssig implementering samt revisors tekniske kompetencer og professionelle skepsis; dataanalyse bør ses som et supplement til, ikke en erstatning for, revisors dømmekraft.
This thesis examines how audit data analytics can reduce the detection risk of fraud and enhance auditors’ ability to identify irregularities. As business processes grow more complex and data-driven, traditional audit approaches based on sampling and manual procedures are increasingly challenged. Drawing on fraud theory, the audit risk model, and ISA 240 requirements, the thesis outlines conditions that elevate fraud risk (e.g., weak internal controls, manual journal entries, and significant management judgment) and shows how data analytics can focus planning, risk assessment, and control testing. It presents relevant analytical techniques, including journal entry testing and correlation analysis, and analyzes selected cases (029/2017 and 046/2017) to discuss auditors’ responses to fraud risk and the potential role of data analytics. The main conclusion is that data analytics can strengthen audit quality and fraud identification by broadening and reinforcing audit evidence, but its effectiveness depends on reliable and independent data, appropriate implementation, and the auditor’s technical skills and professional skepticism; data analytics should complement rather than replace professional judgment.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]