Wie lassen sich Auffälligkeiten im Monatsabschluss schneller und verlässlicher erkennen? Datenbasierte Plausibilisierung macht Erfahrungswissen messbar, automatisiert Prüfregeln und zeigt nicht nur Abweichungen, sondern auch fehlende oder ungewöhnliche Buchungen auf. So wird aus manueller Kontrolle ein systematischer, skalierbarer Prüfprozess.
In vielen KMU und auch in grösseren Unternehmen ist die Plausibilisierung des Monatsabschlusses noch immer mit viel Handarbeit verbunden. Konten und Positionen werden mit Vormonat, Vorjahr oder Budget verglichen, Abweichungen anhand von Schwellenwerten beurteilt und Auffälligkeiten aufgrund von Erfahrungswissen eingeordnet.
Dieses Vorgehen ist bewährt, stösst aber an Grenzen: Bei Hunderten von Positionen ist eine vollständige Kontrolle kaum möglich. Fixe Schwellenwerte berücksichtigen individuelle Schwankungen nur unzureichend und wertvolles Prüfwissen bleibt häufig an einzelne Personen gebunden.
Erfahrungswissen in Prüfregeln übersetzen
Genau hier setzt die datenbasierte Plausibilisierung an. Erfahrungswerte werden als konkrete Regeln formuliert und automatisiert auf den gesamten Datenbestand angewendet.
Neben klassischen Abweichungen lassen sich beispielsweise folgende Merkmale analysieren:
- Buchungshäufigkeit: Wird eine Position regelmässig oder nur sporadisch bebucht?
- Buchungsrhythmus: Erfolgen Buchungen monatlich, quartalsweise oder jährlich?
- Erwartungswert: Welcher Betrag ist aufgrund der vergangenen Monate üblich?
- Strukturkennzahlen: Wie entwickelt sich eine Position im Verhältnis zu Umsatz oder Gesamtkosten?
So wird nicht nur sichtbar, was sich verändert hat, sondern auch, was eigentlich vorhanden sein müsste, aber fehlt.
Idealerweise erfolgt die Analyse auf der tiefsten sinnvollen Ebene, beispielsweise pro Konto und Kostenstelle. Die Ergebnisse können anschliessend für Kostenstellen, Profitcenter, Bereiche oder das Gesamtunternehmen aggregiert werden.
Auffälligkeiten statt starrer Schwellenwerte
Fixe Betrags- oder Prozentgrenzen haben einen entscheidenden Nachteil: Sie berücksichtigen nicht, wie stark eine Position normalerweise schwankt.
Eine Abweichung von 10'000 Franken kann bei einer grossen und stark schwankenden Position völlig normal sein. Bei einer sehr stabilen Position können hingegen bereits wenige Hundert Franken ungewöhnlich sein.
Eine Möglichkeit, diese individuelle Schwankungsbreite zu berücksichtigen, ist der Modified Z-Score. Statt nur den aktuellen Wert mit einem einzelnen Vormonat oder einem fixen Prozentsatz zu vergleichen, wird die historische Entwicklung der jeweiligen Position berücksichtigt.
Wie ungewöhnlich ist der aktuelle Wert im Vergleich zum normalen Verhalten dieser Position?
Als Normalniveau dient der Median der historischen Werte. Zusätzlich wird ermittelt, wie stark die Werte normalerweise um diesen Median schwanken. Dadurch beeinflussen einzelne Ausreisser das Ergebnis weniger stark.
Ein Beispiel
Eine Software-Lizenz kostet üblicherweise rund CHF 10'000 pro Monat und schwankt nur geringfügig. Steigt der Betrag plötzlich auf CHF 10'800, erscheint eine Abweichung von CHF 800 auf den ersten Blick möglicherweise unbedeutend. Gemessen am bisherigen Verhalten der Position ist sie jedoch aussergewöhnlich.
Bei Transportkosten kann es genau umgekehrt sein: Eine Abweichung von CHF 12'500 wirkt absolut betrachtet gross. Wenn diese Position aber ohnehin regelmässig stark schwankt, kann der Wert völlig im normalen Bereich liegen.
Der Vorteil: Unterschiedlich grosse und unterschiedlich volatile Positionen lassen sich mit einem einheitlichen Massstab beurteilen.
Die daraus entstehende Kennzahl kann beispielsweise im Reporting mit einem KPI-Alert dargestellt werden.
Noch genauer mit Belegdaten
Sind zusätzlich Belegdaten verfügbar, lässt sich die Analyse weiter vertiefen. So kann beispielsweise erkannt werden,
- ob ein regelmässig erwarteter Kreditorenbeleg fehlt,
- ob ein Betrag ausserhalb des üblichen Belegprofils liegt,
- ob möglicherweise doppelte Belege vorhanden sind,
- ob neue Kreditoren oder Kontokombinationen auftreten,
- oder ob sich Beträge auffällig knapp unterhalb von Freigabegrenzen häufen.
Damit wird aus der reinen Abweichungsanalyse ein systematischer Prüfprozess.
Fazit
Datenbasierte Plausibilisierung ersetzt die Erfahrung der Mitarbeitenden nicht. Sie macht dieses Wissen vielmehr messbar, dokumentierbar und skalierbar.
Auffälligkeiten sind dabei nicht automatisch Fehler. Sie zeigen, wo sich ein genauerer Blick lohnt. Sachliche Erklärungen können geprüft, kommentiert und für zukünftige Analysen dokumentiert werden. So bleibt wertvolles Wissen auch bei einem Mitarbeiterwechsel erhalten.
Der Einstieg muss nicht komplex sein. Ob mit Excel, Power BI oder einem anderen Tool: Oft reicht es, mit einer einzigen sinnvollen Prüfregel zu beginnen – und darauf Schritt für Schritt aufzubauen.
Teilen
