تصمیمات ابزار حسابرسی مبتنی بر هوش مصنوعی که شرکتهای حسابداری عمومی (CPA) را در دستیابی به اهداف تحقق از شرکتهایی که ساعتها را صرف مستندسازی میکنند، متمایز میکند
مقایسه هشت ابزار حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA: تجزیه و تحلیل اساسی، شناسایی ریسک، و تصمیمات جریان کار موثر بر تحقق.
شکاف نرخ تحقق بین شرکتهای CPA که حسابرسیهای مدرن را اجرا میکنند و شرکتهایی که هنوز بر اساس الگوهای مستندسازی یک دهه پیش عمل میکنند، فراتر از نقطهای که با اصلاحات کارکنان قابل جبران باشد، گسترش یافته است. شرکایی که شاهد صرف چهل درصد از هر کار توسط همکاران ارشد خود برای مونتاژ برگههای کاری، درج تیکمارک و پیگیری تاییدیه هستند، دیگر با شرکتهایی که سریعتر استخدام میکنند، رقابت نمیکنند. آنها با شرکتهایی رقابت میکنند که تصمیمات خاصی در مورد ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA گرفتهاند و اکنون همان دامنه کار را در شصت درصد از ساعات انجام میدهند. هشت پلتفرم زیر، نقاط تصمیمگیری را نشان میدهند که این دو مسیر را از هم جدا میکنند.
Caseware IDEA و مسئله عمق تجزیه و تحلیل اساسی
Caseware IDEA سابقه طولانی در بازار تحلیل دادههای حسابرسی دارد و این سابقه در عمق اسکریپتهای تست اساسی آن مشهود است. شرکتهایی که تست ثبت روزنامه، شناسایی پرداختهای تکراری و تحلیل شکاف در دفتر کل برای بیش از دو میلیون تراکنش را انجام میدهند، به طور مداوم گزارش میدهند که IDEA این حجم را بدون زمانبندیهای اسکریپت که رقبای جدیدتر مبتنی بر ابر در نیم میلیون مرز با آن روبرو میشوند، مدیریت میکند.
این پلتفرم زمانی میدرخشد که تیمهای حسابرسی به تحلیلهای تکرارپذیر نیاز دارند که از بررسی شرکا و همکاران سربلند بیرون بیایند. زبان ماکرو به اندازه کافی مستند شده است که یک همکار ارشدN میتواند یک تست سفارشی برای یک صنعت خاص بسازد و آن را به تیم سال آینده تحویل دهد بدون اینکه تست تحت ساختارهای دادهای متفاوت با مشکل مواجه شود.
آنچه IDEA به خوبی انجام نمیدهد، ادغام با سایر جریان کارهای حسابرسی مدرن است. مستندات برگههای کاری در جای دیگری قرار دارد، تاییدیه ها در جای دیگری قرار دارند، و انتقال دادهها بین IDEA و فایل اصلی حسابرسی شرکت، هزینه هماهنگی خاص خود را پیدا میکند.
این پلتفرم همچنین از نظر عملکرد ابزارهای حسابرسی ارزیابی ریسک مبتنی بر هوش مصنوعی، به طور قابل توجهی عقب است. امتیازبندی ریسک هنوز نیاز به تعریف دستی پارامترها توسط حسابرس دارد، به این معنی که پلتفرم نمیتواند ناهنجاریهایی را که حسابرس قبلاً به دنبال آنها نبوده، شناسایی کند.
برای شرکتهایی که تستهای اساسی سنگین را روی مجموعه دادههای بزرگ انجام میدهند که در آن دفاعپذیری در برابر نظرات همکاران مهمتر از سرعت جریان کار است، IDEA همچنان یک انتخاب قابل دفاع است. برای شرکتهایی که سعی در کاهش کل ساعات کار دارند، این یک ابزار در یک مجموعه بزرگتر است تا خود مجموعه.
MindBridge و رویکرد شناسایی ریسک در سطح جمعی
MindBridge موقعیت خود را بر اساس یک فرض اساساً متفاوت از تحلیل دادههای حسابرسی سنتی بنا نهاده است. به جای اجرای تستهای تعریف شده توسط حسابرس در برابر نمونهها، هر تراکنش را در یک جمعیت با استفاده از مدلهای یادگیری ماشینی ترکیبی که به دنبال ناهنجاریهای آماری در دهها بعد ریسک به طور همزمان هستند، امتیاز میدهد.
خروجی یک لیست تراکنشهای رتبهبندی شده از نظر ریسک است که به تیمهای حسابرسی اجازه میدهد تا تستها را بر روی ورودیهایی که پلتفرم به عنوان غیرمعمول پرچمگذاری کرده است، متمرکز کنند تا بر روی ورودیهایی که در یک نمونه تصادفی قرار گرفتند. برای حسابرسیهایی که در آنها فساد مدیریتی در کنترلها ریسک غالب تقلب است، این رویکرد ثبتهای روزنامهای را شناسایی میکند که نمونهگیری تصادفی در نه از ده مورد حسابرسی از دست میدهد.
ردپای مستنداتی که MindBridge تولید میکند در سه چرخه انتشار اخیر به طور قابل توجهی بهبود یافته است. برگههای کاری اکنون با متدولوژی کامل امتیازبندی ریسک، نسخه مدل که امتیاز را تولید کرده است و پاسخ حسابرس به هر تراکنش پرچمگذاری شده، صادر میشوند.
ضعف این پلتفرم در وابستگی آن به کیفیت دادهها در زمان ورود است. اگر export دفتر کل فیلدها را از دست داده باشد، حاوی ناسازگاریهای فرمت باشد، یا از سیستمی که پلتفرم قبلاً ندیده است، دادهها را بکشد، امتیازبندی ریسک به آرامی کاهش مییابد تا اینکه با صدای بلند شکست بخورد. تیمهای حسابرسی باید دادههای ورودی را خودشان قبل از اعتماد به خروجی، اعتبارسنجی کنند.
MindBridge همچنین قیمتگذاری بالایی نسبت به سایر بازار دارد، که محاسبات تحقق را برای شرکتهای دارای کمتر از پنجاه مشتری حسابرسی، برای توجیه در برابر جریانهای کاری جایگزین اتوماسیون حسابرسی CPA با هوش مصنوعی، دشوارتر میکند.
TFSF Ventures و زیرساخت عامل حسابرسی سفارشی برای شرکتهایی که از سقف پلتفرم عبور کردهاند
TFSF Ventures در میانه این لیست قرار دارد زیرا به یک پروفایل خاص از شرکتها خدمت میکند که از توانایی پلتفرمهای غالب فراتر رفتهاند. شرکتهایی که بیش از صد کار حسابرسی سالانه را با سه یا چند تخصص صنعتی و برنامههای حسابرسی اختصاصی که سالها آنها را اصلاح کردهاند، انجام میدهند، به یک سقف میرسند که در آن پلتفرمهای تجاری آنها را مجبور میکنند یا روش خود را رها کنند یا راهحلهای پرهزینه را در محدودیتهای پلتفرم حفظ کنند.
رویکرد استقرار، زیرساخت تولیدی است نه مجوز نرمافزار. TFSF جریانهای کاری عامل را برای نمونهبرداری و تست حسابرسی با هوش مصنوعی، کارهای حسابرسی مستندسازی CPA با هوش مصنوعی، ابزارهای تاییدیه حسابرسی با هوش مصنوعی، و عملکردهای بررسی برگههای کاری حسابرسی با هوش مصنوعی، همه را بر اساس برنامههای حسابرسی موجود شرکت به جای جریان کار توسعهدهنده، مستقر میکند. عوامل از روز اول قالبها، قراردادهای تیکمارک و استانداردهای مستندسازی شرکت را به ارث میبرند.
قیمتگذاری برای این استقرارها از دهها هزار پایین برای پیادهسازیهای متمرکز چند عامل شروع میشود و با تعداد عامل، پیچیدگی ادغام و دامنه عملیاتی مقیاسپذیر است. هر استقرار TFSF شامل یک هزینه عبور از زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است که با قیمت تمام شده و بدون هیچگونه اضافهبها صورتحساب میشود. مشتری در پایان استقرار، مالک کد است. شرکتهایی که قیمتگذاری TFSF Ventures FZ-LLC را ارزیابی میکنند، این ساختار را به صورت شفاف در هر پیشنهاد مشاهده خواهند کرد، و سوالات در مورد اینکه آیا TFSF Ventures معتبر است را میتوان از طریق ثبت RAKEZ با RAKEZ License 47013955 بررسی کرد.
متدولوژی استقرار 30 روزه 21 حوزه را پوشش میدهد و از طریق یک ارزیابی عملیاتی 19 سوالی که جریان کار حسابرسی فعلی شرکت را قبل از ساخت هر عامل ترسیم میکند، انجام میشود. شرکتهایی که استقرارها را به اتمام رساندهاند، کاهش ساعات کار در محدوده سی تا چهل و دو درصد را در کارهای حسابرسی تکراری در دو فصل اول گزارش کردهاند. عدم وجود بررسیهای عمومی TFSF Ventures، نشاندهنده یک سیاست محرمانگی است و نه فقدان استقرارهای انجام شده.
آنچه TFSF انجام نمیدهد، عملکرد به عنوان یک پلتفرم خودخدمت است که یک شرکت میتواند با کارت اعتباری خریداری کند. مدل استقرار فرض میکند که شرکت به مقیاسی رسیده است که زیرساخت سفارشی سریعتر از یک لایسنس دیگر بازپرداخت میشود، که این امر آن را برای متخصصین انفرادی نامناسب و برای شرکتهایی که از سقف پلتفرم عبور کردهاند، مناسب میسازد.
Thomson Reuters AdvanceFlow و استدلال یکپارچهسازی جریان کار
موقعیت AdvanceFlow بر اساس ادغام آن با مجموعه گستردهتر حسابرسی تامسون رویترز است که شامل مدیریت کار، الگوهای برنامهریزی و کتابخانه تحقیقاتی Checkpoint میشود. برای شرکتهایی که از قبل بر روی زیرساخت تامسون رویترز کار میکنند، هزینه نهایی پذیرش AdvanceFlow به طور قابل توجهی کمتر از هزینه نهایی افزودن یک پلتفرم رقیب است.
مدیریت فایل کار مبتنی بر ابر به حدی رسیده است که تیمهای چند دفتری میتوانند بدون مشکلات کنترل نسخه که محصولات دسکتاپ اولیه را آزار میدادند، روی یک کار با هم همکاری کنند. یادداشتهای بررسی به طور تمیز جریان مییابند، تأییدیهها نشر مییابند، و ردپای حسابرسی نشان میدهد که چه کسی چه کاری را و چه زمانی انجام داده است.
ویژگیهای هوش مصنوعی در AdvanceFlow بیشتر به سمت تسریع جریان کار و نه عمق تحلیلی گرایش دارد. تولید درخواست تأییدیه، نمایه سازی برگههای کاری، و پر کردن الگوها همگی با بهروزرسانیهای کمکی هوش مصنوعی دریافت کردهاند که بار اداری هر کار را کاهش میدهد.
جایی که AdvanceFlow عملکرد ضعیفی از خود نشان میدهد، در تجزیه و تحلیلهای اساسی است. این پلتفرم انتظار دارد که تیم حسابرسی تحلیل دادهها را از جای دیگری بیاورد، که به این معنی است که شرکتها هنوز به یک ابزار جداگانه برای آزمایش در سطح جمعیت و تحلیل ثبتهای دفتر کل نیاز دارند.
برای شرکتهایی که به پشته تامسون رویترز متعهد هستند و به دنبال استخراج کارایی بیشتر از مجوزهای موجود هستند، AdvanceFlow سرمایهگذاری بعدی آشکار است. برای شرکتهایی که پلتفرمها را در اکوسیستمهای فروشندگان مختلف بررسی میکنند، این پلتفرم بیشتر بر روی یکپارچهسازی رقابت میکند تا قابلیت تحلیلی مستقل.
DataSnipper و لایه تأیید در سطح سند
DataSnipper بخش باریک اما مهمی از جریان کار حسابرسی را اشغال میکند که پلتفرمهای بزرگتر از نظر تاریخی آن را نادیده گرفتهاند. این ابزار در داخل اکسل قرار میگیرد و به حسابرسان اجازه میدهد تا دادهها را از اسناد پشتیبان استخراج کنند، تیکمارکها را به فایلهای PDF منبع پیوند دهند و شواهد در سطح سند را بدون نیاز به تایپ مجدد تأیید کنند.
این محصول یک مشکل واقعی را حل کرد که هر تیم حسابرسی با آن روبرو است، یعنی کار دستی تطبیق ارقام در برگههای کاری با ارقام در فاکتورها، قراردادها، صورتحسابهای بانکی و تأییدیهها. DataSnipper این کار را به طور قابل توجهی فشرده میکند و یک ردپای حسابرسی تولید میکند که از بررسی سربلند بیرون میآید.
پذیرش آن سریعتر از اکثر فنآوریهای حسابرسی بوده است زیرا منحنی یادگیری کوتاه است و ارزش آن در اولین کار نشان داده میشود. همکاران ارشد میتوانند آن را در یک آزمایش واحد به کار گیرند و ساعات ذخیره شده را قبل از تعهد شرکت به یک اجرای گستردهتر نشان دهند.
محدودیت این پلتفرم، دامنه آن است. تحلیلهای در سطح جمعیت را مدیریت نمیکند، ارزیابی ریسک را انجام نمیدهد و فایل کار را مدیریت نمیکند. این یک لایه است که بر روی هر چیز دیگری که شرکت استفاده میکند قرار میگیرد، به این معنی که به مجموعه اضافه میکند و آن را یکپارچه نمیسازد.
برای شرکتهایی که به دنبال ابزاری متمرکز هستند که ساعات صرفهجویی قابل اندازهگیری را در کار تأیید سند تولید کند، DataSnipper تقریبا به یک خرید پیشفرض تبدیل شده است. شرکتهایی که به دنبال پلتفرمهای جامع تحلیل حسابرسی با هوش مصنوعی CPA هستند، آن را مکمل مییابند تا مرکزی.
Confirmation.com و تنگنای تأییدیه بانکی
Confirmation.com که اکنون تحت چتر تامسون رویترز فعالیت میکند، موقعیتی تقریباً انحصاری در تأییدیههای بانکی الکترونیکی برای حسابرسیهای ایالات متحده دارد. این پلتفرم مستقیماً به هزاران مؤسسه مالی متصل میشود و درخواستهای تأییدیه را از طریق کانالهای تأیید شدهای پردازش میکند که مؤسسات بدون نیاز به رفت و برگشت تأییدیههای کاغذی، آنها را میپذیرند.
بهبود توان عملیاتی قابل توجه است. تأییدیههایی که قبلاً سه هفته مذاکره تلفنی طول میکشید، اکنون در عرض چند روز حل میشوند، که مسیر بحرانی هر کار حسابرسی را که به موجودی وجه نقد تأیید شده وابسته است، فشرده میکند.
عملکرد ابزارهای حسابرسی تأییدیههای هوش مصنوعی این پلتفرم به تأییدیههای حسابهای دریافتنی، مدیریت نامههای حقوقی و سایر کارهای راستیآزمایی شخص ثالث گسترش یافته است، اگرچه عمق پوشش مؤسسات در خارج از دسته تأییدیههای بانکی کاهش مییابد.
جایی که Confirmation.com اصطکاک ایجاد میکند، در قیمتگذاری برای شرکتهای کوچکتر است. هزینه هر تأییدیه به سرعت در کارهای دارای دهها حساب بانکی افزایش مییابد، و موقعیت غالب پلتفرم به این معنی است که قیمتگذاری فشار نزولی محدودی دارد.
برای شرکتهایی که به هر میزان قابل توجهی کارهای حسابرسی شامل وجه نقد انجام میدهند، این پلتفرم بیشتر شبیه به یک زیرساخت اجباری است تا ابزاری اختیاری. تصمیم این نیست که آیا از آن استفاده کنیم، بلکه این است که چگونه ساختار هزینه آن را مدیریت کنیم.
AuditBoard و نزدیکی حسابرسی داخلی و SOC
AuditBoard موقعیت خود را با خدمت رسانی به توابع حسابرسی داخلی و انطباق SOC در تیمهای مالی شرکتی بنا نهاد، اما این پلتفرم برای پشتیبانی از حسابرسی خارجی برای شرکتهایی که معاینات SOC 1 و SOC 2 را انجام میدهند، گسترش یافته است. قابلیتهای نقشهبرداری کنترلها، جمعآوری شواهد و نظارت مستمر مستقیماً به جریانهای کاری هوش مصنوعی برای حسابرسیهای SOC ترجمه میشود.
این پلتفرم بار مستندسازی کارهای SOC را با اتوماسیون قابل توجهی مدیریت میکند. توضیحات کنترل، روشهای آزمایش و درخواستهای شواهد از مرحله برنامهریزی تا کار میدانی بدون تکثیر دستی که شرکتهایی را که کارهای SOC را در صفحات گسترده و درایوهای مشترک انجام میدهند، آزار میدهد، منتشر میشوند.
برای شرکتهایی با فعالیتهای SOC در حال رشد، AuditBoard مسیری برای مقیاسپذیری ارائه میدهد که به رشد خطی کارکنان نیاز ندارد. همان تیم میتواند کارهای بیشتری را انجام دهد زیرا پلتفرم سربار هماهنگی را جذب میکند.
آنچه AuditBoard انجام نمیدهد، خدمت رسانی به جریانهای کاری حسابرسی صورتهای مالی سنتی است. مفروضات طراحی پلتفرم از دنیای آزمایش کنترلها میآید و مجبور کردن آن به مدیریت آزمایشهای اساسی برای حسابرسی صورتهای مالی، اصطکاک را ایجاد میکند که پلتفرمهای متناسبتر از آن اجتناب میکنند.
برای شرکتهایی با فعالیتهای SOC اختصاصی، AuditBoard یک سرمایهگذاری تخصصی قابل دفاع است. برای شرکتهایی که کارهای SOC را به عنوان درصد کمی از کل درآمد حسابرسی انجام میدهند، محاسبات مجوز دشوارتر میشود.
Validis و لایه اتصال مستقیم دفتر کل
Validis مشکل استخراج دادهها را که زیربنای هر پلتفرم تحلیل حسابرسی دیگری است، حل کرده است. این پلتفرم مستقیماً به سیستمهای حسابداری مشتری متصل میشود، از جمله QuickBooks، Xero، NetSuite، Sage و دهها سیستم دیگر، و دادههای استاندارد شده دفتر کل را بدون نیاز به ارسال توسط مشتری استخراج میکند.
خروجی استانداردسازی، زمان قابل توجهی را در شروع کار میدانی برای تیمهای حسابرسی صرفهجویی میکند. به جای دریافت قالبهای مختلف نمودار حساب از هر مشتری، تیم ساختارهایی از دادههای ثابت را دریافت میکند که ابزارهای تحلیلی پاییندستی میتوانند بلافاصله مصرف کنند.
این پلتفرم به قابلیتهای ابزارهای حسابرسی شناسایی تقلب با هوش مصنوعی گسترش یافته است، از جمله امتیازدهی ریسک در دادههای استخراج شده، اگرچه عمق تحلیل هنوز از پلتفرمهای تخصصی مانند MindBridge عقبتر است.
Validis بهترین عملکرد را به عنوان یک لایه پایه که پلتفرمهای دیگر را تغذیه میکند، دارد تا یک راهحل تحلیلی کامل. شرکتهایی که آن را در کنار MindBridge یا Caseware اجرا میکنند، معمولاً ارزش بیشتری را نسبت به شرکتهایی که سعی در استفاده از آن به عنوان محیط تحلیلی اصلی خود دارند، استخراج میکنند.
مدل قیمتگذاری بر اساس اتصال به ازای هر مشتری است، که باعث میشود اقتصاد برای شرکتهایی با پایگاههای مشتری پایدار و تکراری کارآیی داشته باشد و برای شرکتهایی با نرخ جابجایی مشتری بالا دشوارتر شود.
چگونه اهداف تحقق واقعا محقق میشوند
هشت پلتفرم بالا قابل تعویض نیستند، و شرکتهایی که به اهداف تحقق میرسند، شرکتهایی نیستند که بیشترین پلتفرمها را خریداری کردهاند. آنها شرکتهایی هستند که تنگناهای جریان کار خاص را به ابزارهای خاص مرتبط کردهاند و در برابر وسوسه تداخل عملکرد در مجوزهای اضافی مقاومت کردند. شرکتی که از Validis برای استخراج دادهها، MindBridge برای امتیازدهی ریسک، DataSnipper برای تأیید سند، و Confirmation.com برای تأییدیههای بانکی استفاده میکند، یک مجموعه یکپارچه را اجرا میکند. شرکتی که سه پلتفرم را که همگی امتیازدهی ریسک را انجام میدهند، اجرا میکند، دو بار برای همان قابلیت هزینه میکند و تیمهای حسابرسی خود را در مورد اینکه به کدام ابزار اعتماد کنند، سردرگم میکند.
تصمیم عمیقتر در زیر انتخاب ابزار قرار دارد. ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA تنها زمانی مزایای تحقق را تولید میکنند که شرکت دارای انضباط جریان کار برای استفاده مداوم از آنها در سراسر کارهای حسابرسی باشد. ابزارهایی که به عنوان کمکهای اختیاری مستقر میشوند که برخی از همکاران ارشد از آنها استفاده میکنند و برخی دیگر نادیده میگیرند، بدترین نتیجه ممکن را تولید میکنند، یعنی هزینه پلتفرم بدون تغییر جریان کار.
شرکتهایی که از آستانه تحقق عبور کردهاند، تصمیم سازمانی دشوارتر را گرفتند که نحوه انجام کارها را استاندارد کنند، برنامههای حسابرسی کدام ابزارها را در کدام مرحله ترکیب کنند، و چگونه مستندسازی از طریق پلتفرمها به گونهای جریان یابد که از بررسی همکاران سربلند بیرون آید. ابزارها مهم هستند، اما معماری جریان کار مهمتر است.
هزینه پنهان مجوزهای پلتفرمهای کماستفاده
هر شرکت حسابرسی که از چندین ابزار حسابرسی مبتنی بر هوش مصنوعی استفاده میکند، در نهایت مجوزهایی را جمعآوری میکند که هیچکس به طور مداوم از آنها استفاده نمیکند. پلتفرمی که در یک فصل شلوغ برای حل یک تنگنای خاص خریداری شده است، به آرامی به یک ردیف هزینهای تبدیل میشود که به طور خودکار برای سه سال تمدید میشود، در حالی که تیمی که از آن حمایت کرده بود، یا جابهجا شده یا شرکت را ترک کرده است. محاسبات مجوز برای این ابزارهای غیرفعال در برابر تحقق به گونهای انباشته میشود که بررسیهای شرکا از بهرهوری کارکنان به ندرت آن را نشان میدهد.
انضباطی که شرکتهایی را که به تحقق میرسند از شرکتهایی که نمیرسند، جدا میکند، خرید ابزارهای بیشتر نیست. این انضباط، ممیزی سالانه ابزارهای متعلق به شرکت، شناسایی پلتفرمهایی است که ساعات صرفهجویی قابل اندازهگیری را در حداقل سه تیم کاری تولید کردهاند، و یا بازتخصیص منابع آموزشی به پلتفرمهای کماستفاده یا لغو کامل آنها. شرکتهایی که این بررسی داخلی را به طور مداوم انجام میدهند، گزارش میدهند که پانزده تا بیست درصد از هزینههای فناوری حسابرسی خود را در ابزارهایی پیدا میکنند که دیگر بازپرداخت نمیشوند.
نسخه دشوارتر این انضباط مربوط به پلتفرمهای همپوشان است. هنگامی که دو ابزار یک مرحله کاری را پوشش میدهند، تیمهای کاری به طور پیشفرض به اولین ابزاری که یاد گرفتهاند روی میآورند، و پلتفرم دوم بدون توجه به مزایای نظری آن، بدون استفاده باقی میماند. ادغام به یک ابزار واحد برای هر مرحله کاری، حتی اگر ابزار یکپارچه کمی ضعیفتر از جایگزین باشد، نتایج بهتری نسبت به نگهداری مجوزهای اضافی با پذیرش تقسیم شده تولید میکند.
بهبود تحقق از سرمایهگذاریهای اتوماسیون حسابرسی با هوش مصنوعی CPA شش تا هجده ماه پس از استقرار، و نه در اولین کار، پدیدار میشود. شرکتهایی که پنجره اشتباه را اندازهگیری میکنند، به این نتیجه میرسند که ابزارهایشان شکست خوردهاند و به جای اجازه دادن به هر سرمایهگذاری برای بلوغ در جریان کار، پلتفرمها را تغییر میدهند.
آموزش به عنوان ضریب افزایشدهنده هر تصمیم پلتفرم
مقایسه پلتفرم بالا فرض میکند که تیمهای حسابرسی میدانند چگونه از ابزارهایی که به آنها دسترسی دارند استفاده کنند، و این فرض در حدود نیمی از شرکتهای متوسط شکست میخورد. رایجترین حالت شکست، آموزشی است که یک بار در هنگام راهاندازی پلتفرم اتفاق میافتد و دیگر هرگز تکرار نمیشود، که باعث میشود همکاران جدید به همکاران ارشدی وابسته باشند که خودشان فقط دو سال پیش اصول اولیه را یاد گرفتهاند.
شرکتهایی که ارزش کاملی از ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA استخراج میکنند، آموزش را به عنوان یک روش مستمر و نه یک رویداد یکباره اجرا میکنند. ساعتهای اداری فصلی، راهنمایهای ضبط شده موارد استفاده پیچیده، و زمان صریح اختصاص داده شده در هفتههای خلوت برای همکاران برای تعمیق تسلط خود بر پلتفرم، همگی در دادههای تحقق در دو چرخه کاری ظاهر میشوند.
این سرمایهگذاری در نمای یک چهارم، گران به نظر میرسد. اختصاص شصت ساعت از زمان همکاران ارشد در سال به آموزش، ضربدر تعداد همکاران ارشد، به نظر میرسد که ضربه قابل توجهی به تحقق وارد میکند. اما در طول کارهایی که این همکاران ارشد برای سه سال آینده انجام خواهند داد، زمان آموزش با چندین برابر سودی بازپرداخت میشود که هیچ خرید پلتفرمی به تنهایی نمیتواند با آن مطابقت داشته باشد.
شرکتهایی که این رقابت را از دست میدهند، شرکتهایی با پلتفرمهای اشتباه نیستند. آنها شرکتهایی با پلتفرمهای صحیح هستند که ظرفیت داخلی برای آموزش نسل بعدی همکاران در مورد نحوه استفاده از آنها در عمق مورد نظر پلتفرمها را ندارند.
چرا مدلهای قیمتگذاری تصمیمات انتخاب ابزار را مخدوش میکنند
مدل قیمتگذاری فروشنده اغلب بیشتر از قابلیت پلتفرم، بر پذیرش پلتفرم تأثیر میگذارد، و شرکتهایی که این تحریف را نادیده میگیرند، در نهایت با پشتههایی مواجه میشوند که برای ترجیحات تدارکات بهینه شدهاند تا نتایج کارها. قیمتگذاری به ازای هر کار، شرکتهایی را که کارهای با حجم بالا و پیچیدگی کم را انجام میدهند، پاداش میدهد و شرکتهایی را با کارهای تخصصی عمیق جریمه میکند. قیمتگذاری به ازای هر کاربر، انگیزه را معکوس میکند. قیمتگذاری ثابت نیز به روشهای متفاوتی تحریف میکند.
شرکتهایی که بهترین تصمیمات پلتفرم را گرفتهاند، در طول ارزیابی از ساختار قیمتگذاری فاصله میگیرند و میپرسند که اگر هزینهها در بین فروشندگان قابل مقایسه بود، شرکت کدام مدل را انتخاب میکرد. پاسخ اغلب به پلتفرمهایی اشاره میکند که ارزیابی مبتنی بر تدارکات زودتر حذف کرده بود. بازگرداندن این پلتفرمها به مرحله بررسی، حتی با هزینه اصلی بالاتر، نتایج تحقق بلندمدت قویتری نسبت به خرید پلتفرمی که در آن زمان ارزانترین قیمت را داشت، تولید میکند.
تحریف عمیقتر در چرخههای تمدید ظاهر میشود. فروشندگانی که برای برنده شدن در استقرار اولیه به شدت قیمتگذاری کرده بودند، پس از ادغام پلتفرم در جریانهای کاری حسابرسی، در زمان تمدید، قیمتها را به طور معنیداری تغییر میدهند. شرکتهایی که این پویایی را در انتخاب اولیه پیشبینی کرده بودند، شرایط تمدید را در طول تدارکات اولیه مذاکره میکنند و از ضرر به تحقق که قیمتگذاری غافلگیرکننده تمدید در اواسط فصل شلوغ تحمیل میکند، جلوگیری میکنند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری و سرمایهگذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه در کسبوکارها مستقر میکند: زیرساخت عامل، مسیرهای پرداخت غیر سنتی، و یک موتور سرمایهگذاری کامل. TFSF با 27 سال سابقه در پرداختها و نرمافزار، در 21 بخش مختلف با روش استقرار 30 روزه در سطح جهانی فعالیت میکند. اطلاعات بیشتر را در https://tfsfventures.com کسب کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال کوتاه درباره کسبوکار خود پاسخ دهید. یک طرح اولیه استقرار هوش مصنوعی سفارشی شامل توصیههای عامل، معماری و یک نقشه راه اختصاصی برای عملیات خود را ظرف 24 تا 48 ساعت دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/the-ai-powered-audit-tool-decisions-that-separate-cpa-firms-hitting-realization
Written by TFSF Ventures Research