Способ выявить недостоверные показатели в отчётности за несколько минут
Инструкция от партнера в компании Eldey Consulting Group Николая Молчанова.
Порой мы испытываем сомнения в достоверности отчетов, представляемых компанией или топ-менеджерами. Самостоятельно разбираться во множестве показателей — очень долго. Вызывать аудиторов — дорого.
Я расскажу о быстрой и простой технике обнаружения манипуляций в финансовых и производственных отчетах, которую может использовать любой руководитель. Этот метод взят на вооружение налоговой службой США и крупнейшими аудиторскими компаниями, но практически неизвестен российским собственникам бизнеса.
Вам не нужно быть финансистом, чтобы увидеть признаки манипуляций. Можно и самостоятельно обнаружить подозрительные места с помощью закона Бенфорда.
Согласно этому закону, в наборе чисел, взятых из реальной жизни, с 30% вероятностью на первом месте будет встречаться цифра 1. А цифра 9 — лишь в 5% случаев. Подтверждения этого тезиса буквально окружают нас повсюду: например, с его помощью можно предугадать первые цифры в длине рек и молекулярном весе химических соединений.
Но, полагаю, нам это не слишком интересно. А интересно то, что закон может прекрасно работать в качестве «тревожного звонка» для обнаружения случаев мошенничества с отчетностью.
С помощью закона Бенфорда можно проверять: платежи клиентов, проводки, складские остатки, авансовые суммы, инвестиционные показатели, ежедневные продажи, страховые и гарантийные выплаты, объемы поставок, транзакции по картам, цены на акции и иные группы данных, возникающие естественным путем.
Анализируя потенциальные проблемы в управленческой и бухгалтерской отчетности клиентов, мы замечали, что и эти распределения цифр подчиняются закону Бенфорда. Также метод можно использовать для проверки данных операционной деятельности. Производственные показатели, в отличие от финансовых, подправлять не так страшно, чем и пользуется ряд компаний, демонстрируя свои результаты собственникам или инвесторам.
Основная идея закона Бенфорда: реальные последовательности чисел отличаются от введённых вручную
Метод можно применять для обнаружения махинаций с отчётностью именно потому, что его никогда не берут в расчет, изменяя данные. Вряд ли стоит ожидать, что подтасовывая числа, менеджер будет задумываться, какая цифра на первом, втором и так далее месте будет выглядеть правдоподобно.
Практика показывает, что люди придумывают цифры, подсознательно предпочитая:
- Ставить свои любимые числа.
- Использовать убывающие пары чисел (43, 72).
- Меньше употреблять пары одинаковых цифр (77, 44).
Идея использования техники заключается в том, что мы определяем именно факт специального вмешательства в реальные данные компании.
Перед применением метода важно учесть, что закон Бенфорда:
- Работает с естественными данными, не подвергавшимися преднамеренной коррекции. Если вы обычно выставляете цены вида 3 999 рублей, то логично, что анализ платежей ваших клиентов даст больше девяток в качестве второй или последней цифры.
- Неверен для данных, которые имеют ограничения сверху или снизу (к примеру для веса и роста людей или зарплат в компании) и для множеств чисел, подчиняющихся нормальному распределению.
- Требует большого массива данных. Закон может работать и на сотне цифр, но лучше использовать не менее пятисот.
Для примера возьмём самую читаемую статью vc.ru за 2016 год. На этой странице есть целая россыпь чисел: дата и время публикации, количество просмотров, лайков, рейтинг комментариев, какие-то числовые значения в тексте. В общей сложности я набрал 85 чисел. Маловато для статистики, но сгодится. Вот что у меня получилось:
Какие выводы можно сделать из графика
Во-первых, даже на малом количестве данных результаты в целом схожи с предполагаемой кривой Бенфорда.
Во-вторых, мы обнаружили значительно большее количество двоек в сравнении с теоретическим предположением. Я мог бы сделать вид, что заранее обо всем догадался и специально взял эту статью для яркого примера, но не буду. Только построив график, я увидел цифры, удивился и стал разбираться.
Ситуация с избытком двоек отлично демонстрирует то, что выше я назвал осознанным вмешательством. Статья содержит подборку из 62 фильмов, снятых с 2000 по 2016 годы. Даты упоминаются достаточно часто, чем и вызван аномальный рост цифры 2.
Это хороший пример того, что выбросы, не соответствующие теоретическому распределению, обычно объясняются достаточно невинными причинами. Поэтому нужно быть аккуратным. Данные, полученные в результате анализа, нельзя использовать как прямое доказательство мошенничества. Они лишь указывают область, на которую было бы неплохо взглянуть поглубже. Если есть яркое несоответствие — желательно понять его причину. В большинстве случаев оно не будет иметь ничего общего с жульничеством.
Для дополнительного контроля можно сравнить подозрительные цифры с данными из прошлых периодов, бюджетными планами, средними показателями по индустрии. Также существует достаточно много других способов анализа: по трем первым и двум последним цифрам, сравнение дубликатов, округлений и так далее. Но это скорее уже задача профессиональных аудиторов.
Самостоятельно использовать технику очень легко. Она включена во многие специализированные программные комплексы, но её простота позволяет сделать все необходимые вычисления самостоятельно буквально за несколько минут.
Достаточно написать соответствующую формулу подсчета цифр в Excel и загрузить в него весь массив информации. Также можно легко найти файлы с расчетом в Google или взять готовые шаблоны Excel с нашей страницы в Facebook или «ВКонтакте».
© vc.ru
