Jakob Nonnenmacher

Outlier Explanation and Visualization for Supporting the Use of Outlier Detection in Internal Auditing


voorkant	achterkant

ISBN:

978-3-8440-8964-6

Reeks:

Oldenburger Schriften zur Wirtschaftsinformatik
Uitgever: Prof. Dr.-Ing. Jorge Marx Gómez
Oldenburg

Volume:

Trefwoorden:

Outlier Detection; Anomaly Detection; Outlier Explanation; Explainability; Internal Auditing; Explainable Artificial Intelligence; Mixed-type Data; Unsupervised Learning Unsupervised Learning

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

176 pagina's

Gewicht:

240 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

48,80 € / 61,10 SFr

Verschijningsdatum:

Februari 2023

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		36,60 EUR
	Acties		Tonen en kopen van het bestand - 61,8 MB (64811173 Byte)
	Acties		Kopen en downloaden van het bestand - 61,8 MB (64811173 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 430 kB (440497 Byte)
	Acties		downloaden van het bestand - 430 kB (440497 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Internal auditing faces multiple challenges caused by the growing amounts of data stemming from ongoing digital transformation. New techniques are therefore being evaluated for their application in auditing such as outlier detection which is able to uncover irregularities without requiring domain knowledge about a system and has already been applied in a number of auditing studies. Most identify outlier detection as only a first step, however, highlighting the key challenge of turning detected outliers into audit findings. Addressing this challenge, this work explores how outlier explanation and visualization can help auditors derive actual findings from potential findings. For this, an overview of existing outlier explanation approaches is created, requirements from internal auditing’s perspective are collected and based on these, new approaches are developed addressing two key gaps – support for mixed-type data and visualization. After a quantitative evaluation, one of the approaches is integrated into a prototype for a qualitative evaluation within the internal audit function of an international automotive manufacturer. Both quantitative and qualitative evaluations show that the developed approach can facilitate the application of outlier detection for internal auditing through outlier explanation and visualization and can, thus, help auditors to address the proliferation of data and to reduce risks by uncovering previously overlooked problems.