5 Sales Analytics mit denen Sie als Auditor Geld finden

Die Revision ist nicht immer der beliebteste Besucher in einer Abteilung. Wer lässt sich schon gern prüfen und darauf hinweisen, welche Tätigkeiten nicht ordnungsgemäß gelaufen sind? Häufig werden Themen wie internes Kontrollsystem und Compliance von Mitarbeitern in den Fachabteilung als bürokratisches Hindernis empfunden. In dem heutigen Blog Post stelle ich Ihnen deshalb 5 Datenindikatoren für Sales Audits vor, die nahen Bezug zur Liquidität Ihrer Firma haben. Wenn Sie als Revisor dadurch Feststellungen ausfindig machen, die man direkt in € oder $ „rechnen“ kann, brauchen Sie den Wert Ihrer Arbeit niemandem mehr erklären!

Im letzten Blog Post „9 Sales Data Analytics, die jeder Auditor im Blick haben sollte„, habe ich bereits 9 wichtige Datenindikatoren für ein Sales Audit vorgestellt. Im folgenden stelle ich 5 weitere Datenindikatoren mit „geldnahem“ Bezug vor.

Datenindikator 1: Kunden ohne Kreditlimit

Kreditlimit verhindern, dass Kunden zu viele Forderungen bei Ihnen anhäufen. Es besteht hier das Risiko, dass Kundenrechnungen nicht beglichen werden, weil ohne Kreditlimits gearbeitet wird und der Kunden ggfs. überliefert wird. Nicht in jeder Organisation wird mit Kreditlimits gearbeitet. Deshalb sollte eine Datenanalyse weitere Kriterien nutzen, um kritische Belege herauszufinden. Eine Datenanalyse kann dies deshalb z.B. wie folgt herausfinden: Der Beleg wird markiert, wenn dieser eine Kundenrechnung ist (Posten im Soll mit Kontoart Debitor) und bzgl. dieses Kunden a) keine Einzugsermächtigung besteht und b) kein Kreditlimit definiert ist und c) der Kunde in dem betrachteten Geschäftsjahr noch nie etwas bezahlt hat oder der Kunde gemahnt wurde oder der Kunde später als das Zweifache des Zahlungsziels gezahlt hat.

Datenindikator 2: Spät stornierte Ausgangsrechnungen

Dass Ausgangsrechnungen sehr spät nach Buchung wieder storniert werden, ist eher ungewöhnlich. Ein mögliches „Betrugsmuster“ ist, Ausgangsrechnungen zu stornieren, da diese sonst einzelwertberichtigt werden müssen. Stattdessen werden diese dann wieder anschließend neu eingebucht. Dann sind die Ausgangsrechnungen wieder „frisch“ und noch nicht gleich wieder fällig. Es besteht also das Risiko, dass abzuwertende Forderungen (spät) storniert werden und wieder neu eingebucht werden, um der Abwertung zu entgehen. Eine Datenanalyse könnte das wie folgt feststellen: Der Beleg wird markiert, wenn dieser eine debitorische Position im Soll hat (=Forderung) und dieser Beleg mehr als 30 Tage nach seinem Buchungsdatum wieder storniert wurde. Relevant ist auch, wie viele Belege mit Forderungen desselben Kunden innerhalb von 14 Tagen nach Erfassungsdatum des Stornos eingebucht wurden.

Datenindikator 3: Verspätete Zahlung nach Fälligkeit

Nicht alle Kunden haben eine gute Zahlungsmoral. Als Auditor sollten Sie in der Lage sein herauszufinden, wo Forderungen zu lange nicht beglichen werden oder wurden, denn es besteht das Risiko verspäteter Zahlungseingänge und von Liquiditätsengpässen, sowie Zinsverlusten. Mit einer Datenanalyse kann man anhand folgender Kriterien vorgehen: Ein Beleg wird markiert, wenn der Kunde erst drei Tage nach Zahlungsfrist oder später bezahlt hat.

Datenindikator 4: Mögliche doppelt bezahlte Gutschriften

Normalerweise kommt das Geld im Verkaufsprozess rein und geht nicht raus. Aber im Verkauf kann auch Liquidität abfließen, z.B. wenn Gutschriften ausbezahlt werden. Somit besteht das Risiko, dass Gutschriften mehrfach ausbezahlt oder ausgeziffert wurden, weil Sie z.B. mehrfach (versehentlich) erfasst wurden. Mit Hilfe einer Datenanalyse kann ein solches Phänomen wir folgt festgestellt werden: Der Beleg wird markiert, wenn dieser einen Posten einer Gutschrift enthält, welcher durch eine (ausgehende) Zahlung ausgeziffert oder verrechnet wurde, wobei es weitere Positionen von anderen Gutschriften gibt (bzgl. desselben Kunden), die auch ausbezahlt oder verrechnet wurden und die die gleiche Höhe haben.

Datenindikator 5: Debitorische Rechnungen mit fehlenden oder unvollständigen Zahlungsbedingungen

Häufig bezahlen Kunden nicht rechtzeitig Ihre offenen Rechnungen. Schlecht ist es, wenn Sie aus leistendes Unternehmen auch ein wenig selbst schuld daran sind. Dies kann z.B. dann der Fall sein, wenn Sie debitorisch keine Zahlungsbedingungen nutzen oder diese Zahlungsbedingungen schlecht gepflegt sind. Es besteht dann das Risiko verspäteter Zahlungseingänge. Eine Datenanalyse kann folgende Kriterien auswerten: Eine Ausgangsrechnung wird markiert, wenn der Beleg keine oder unvollständige Zahlungsbedingungen enthält. Die Felder im Beleg zur Berechnung der Skontozeiträume sind nicht gepflegt, obwohl Skonto im Beleg definiert wurde (was offensichtlich mangels Skontozeitraum nicht ausreichend ist). Es sollten auch Belege berücksichtigt werden, die überhaupt keine Referenz auf eine Zahlungsbedingung haben. Rechnungen an verbundene Unternehmen sind in der Regel hierbei eher uninteressant und können herausgefiltert werden.

Über die 5 vorgestellten Sales Datenindikatoren hinaus gibt es noch jede Menge weitere Datenindikatoren! Wenn Sie wissen wollen, was man für ein Sales Audit noch alles analysieren kann, dann downloaden Sie eine Beschreibung zu allen zapliance Sales Datenindikatoren hier:

Download pdf

Artikel teilen

Facebook
Twitter
XING
LinkedIn