{"id":21710,"date":"2023-10-19T08:07:00","date_gmt":"2023-10-19T12:07:00","guid":{"rendered":"https:\/\/intosaijournal.org\/?post_type=journal-entry&p=21710"},"modified":"2023-10-29T23:00:10","modified_gmt":"2023-10-30T03:00:10","slug":"data-science-as-a-catalyst-for-audit-transformation","status":"publish","type":"journal-entry","link":"https:\/\/intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/","title":{"rendered":"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel"},"content":{"rendered":"\n

Colombo Gardey Julieta and Kugler Mar\u00eda Paula,<\/strong> ORKB Argentinien<\/em><\/p>\n\n\n\n

Einleitung<\/strong><\/strong><\/h2>\n\n\n\n
\n

\u201eIn einer Welt, die \u00fcberschwemmt wird mit bedeutungslosen Informationen, ist Klarheit Macht.\u201c<\/em><\/strong><\/em><\/strong><\/p>\nYuval Noah Harari, 2018<\/cite><\/blockquote>\n\n\n\n

Zusammen mit der Informationsgesellschaft hat der digitale Wandel zu einer exponentiellen Zunahme der Datenerfassung und -speicherung gef\u00fchrt, wodurch die sogenannte Data Science entstanden ist, um der Nachfrage nach neuen Hilfsmitteln, die in der Lage sind, gro\u00dfe Datenmengen intelligent zu verarbeiten und sie in f\u00fcr die Entscheidungsfindung in mannigfaltigen Umfeldern brauchbare Informationen zu \u00fcberf\u00fchren, nachzukommen. <\/p>\n\n\n\n

Dieses Szenario l\u00e4sst vermuten, dass das alte Adagio von Hobbes (1651) \u201eWissen ist Macht\u201c bald durch das neuere \u201eKlarheit ist Macht\u201c (Noah Harari, 2018) ersetzt werden wird, um die Folgen eines neuen Leitbilds, das die Verwaltung von Daten, Informationen und Wissen beinhaltet, zutreffender zu vermitteln. <\/p>\n\n\n\n

Dies ist eine einzigartige Gelegenheit f\u00fcr Oberste Rechnungskontrollbeh\u00f6rden (ORKB), das von neuen Technologien und der umfangreichen Datenerfassung in \u00f6ffentlichen Einrichtungen gebotene Potenzial zu nutzen und es in ihre Pr\u00fcfungsverfahren einzubinden, um eine bessere Verwaltung \u00f6ffentlicher Gelder sicherzustellen. Data Science <\/strong>fungiert als Katalysator f\u00fcr den Pr\u00fcfungswandel<\/strong>,<\/strong> der nicht nur die ORKB-Unabh\u00e4ngigkeit st\u00e4rkt, sondern auch das Vertrauen der \u00d6ffentlichkeit sowie die Rechenschaftspflicht erh\u00f6ht.<\/strong> <\/em><\/strong><\/p>\n\n\n\n

Data-Science-Methoden k\u00f6nnen Pr\u00fcfungsverfahren optimieren und somit zu Pr\u00fcfberichten mit mehr Wert, h\u00f6herer Treffsicherheit und gr\u00f6\u00dferem Geltungsbereich sowie mit zeitgerechteren und relevanteren Empfehlungen f\u00fchren. Qualitativ hochwertige Berichte f\u00f6rdern eine wirksamere und effizientere \u00f6ffentliche Verwaltung, wodurch sie wesentlich zur Steigerung der Lebensqualit\u00e4t von B\u00fcrgerinnen und B\u00fcrgern beitragen. Um Data Science in die Pr\u00fcfungsverfahren einbinden zu k\u00f6nnen, braucht es einen Aktionsplan, der ORKB bei der Verwendung dieser neuen Hilfsmittel anleiten kann.<\/p>\n\n\n\n

Data Science im Pr\u00fcfungsverfahren<\/strong><\/strong><\/h2>\n\n\n\n

Die Instrumente und Methoden der Data Science k\u00f6nnen in jeden Vorgang des Pr\u00fcfungsverfahrens einbezogen werden. Die unten dargelegte Analyse basiert auf den INTOSAI-Leitf\u00e4den f\u00fcr Wirtschaftlichkeitspr\u00fcfungen und dem Modell des branchen\u00fcbergreifenden Standardverfahrens f\u00fcr Datengewinnung (Cross-Industry Standard Process for Data Mining; CRISP-DM). Beide Verfahren greifen st\u00e4ndig und wiederholend ineinander. Ihre Stufen sind vergleichbar und k\u00f6nnen anl\u00e4sslich der Einf\u00fchrung der Data Science in die Pr\u00fcft\u00e4tigkeit kombiniert werden.\u00a0<\/p>\n\n\n\n

ABBILDUNG\u00a01<\/strong><\/strong><\/p>\n\n\n\n

\"\"
Quelle: selbsterstellt auf der Grundlage von GUID 3920 (INTOSAI, 2019); Han, Kamber und Pei (2011).\u00a0<\/figcaption><\/figure>\n\n\n\n

Das CRISP-DM-Modell umfasst die drei Kerndimensionen der Data Science: 1)\u00a0Datenbankmanagement, 2)\u00a0Entwicklung von Maschinenlernmodellen mithilfe von Algorithmen, die es Computern erm\u00f6glichen, eine Aufgabe zu erlernen, zum Beispiel die automatische Erkennung komplexer Muster, und ihre Leistung im Laufe der Zeit durch die Verwendung von Daten zu verbessern, und 3) Datenanalyse, um Daten zu untersuchen, zu bereinigen und zu verarbeiten und daraus n\u00fctzliche Informationen f\u00fcr eine intelligente Entscheidungsfindung zu extrahieren und zu pr\u00e4sentieren.<\/p>\n\n\n\n

ABBILDUNG\u00a02<\/strong><\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Datenbankmanagement<\/em><\/em><\/li>\n<\/ul>\n\n\n\n

    In der Planungsphase sind sowohl die Auswahl des Pr\u00fcfungsthemas als auch das Pr\u00fcfungskonzept von entscheidender Bedeutung, da sie den Pr\u00fcfungsgegenstand bestimmen. <\/p>\n\n\n\n

    In dieser Hinsicht ist die Data Science ein zentrales Hilfsmittel, mit dem sichergestellt wird, dass die in die Berichtsplanung aufzunehmenden Themen strategisch und effizient ausgew\u00e4hlt werden. Durch die Anwendung statistischer Modelle auf gro\u00dfe Datenvolumen erm\u00f6glicht sie ebenfalls eine gr\u00fcndliche Erstbewertung des Spektrums an m\u00f6glichen Pr\u00fcfungsgegenst\u00e4nden. Dadurch k\u00f6nnen ORKB kritische Bereiche und Risiken der Pr\u00fcfung pr\u00e4ziser ermitteln und die relevantesten pr\u00fcff\u00e4higen Gegenst\u00e4nde in \u00dcbereinstimmung mit dem Pr\u00fcfungsauftrag der ORKB ausw\u00e4hlen.<\/p>\n\n\n\n

    Die Erarbeitung eines Pr\u00fcfplans beginnt mit einer gr\u00fcndlichen Suche nach relevanten Informationen. Das macht den Zugang zu Daten unerl\u00e4sslich. Heutzutage ist es m\u00f6glich, \u00fcber zahlreiche \u00f6ffentliche und private Plattformen (Scraping\/Crawling<\/em>, APIs, GPT) auf Open Data zuzugreifen. Diese Hilfsmittel erleichtern und beschleunigen den Zugriff auf die f\u00fcr Pr\u00fcfungen ben\u00f6tigten Informationen.                         <\/em>  <\/em>                                          <\/em><\/p>\n\n\n\n

    Die Planung beginnt mit einer Erstbeurteilung der Struktur sowie der Zusammensetzung der Datenbank. Diese Beurteilung gibt dann Aufschluss dar\u00fcber, wie sie bereinigt und verarbeitet wird, um sie an die Ziele des Pr\u00fcfungsprojektes anzupassen. Dazu geh\u00f6rt die Absch\u00e4tzung der Anzahl an Eintr\u00e4gen, der Arten von Variablen, der zusammenfassenden Messgr\u00f6\u00dfen und des Vorhandenseins von Ausrei\u00dfern, Rauschen (fehlerhaften Zeichen) und doppelten sowie etwaiger fehlender Datens\u00e4tze. Die visuelle Darstellung dieser Erstbeurteilung erm\u00f6glicht eine bessere Interpretation der Rohdaten. Visualisierungstools sind ein hervorragendes Mittel f\u00fcr die rasche Erstellung von Zusammenfassungen, Grafiken und Berichten mit einer breiten Palette an Gestaltungsm\u00f6glichkeiten. <\/p>\n\n\n\n

    Die Datenqualit\u00e4t beeinflusst die Ergebnisse der Modelle, deren Analyse und die daraus gezogenen Schl\u00fcsse. Obwohl Organisationen bei der Digitalisierung, Standardisierung und Strukturierung von Daten Fortschritte erzielt haben, bekommen Dienststellen in der Regel Datenbanken, die vor der Verwendung bereinigt werden m\u00fcssen. Daher werden in dieser Phase Rohdaten mithilfe verschiedener Techniken bereinigt und verfeinert, um einen angemessenen Datensatz zu erhalten, der die Aufgabe gem\u00e4\u00df den Pr\u00fcfungszielen erf\u00fcllen kann. Datenstruktur und -merkmale sind essenzielle Aspekte, wenn es um die Festlegung der passenden statistischen Modelle geht. <\/p>\n\n\n\n

    Bei Stichproben wird aufgrund des gro\u00dfen Potenzials der Data-Science-Tools in der Regel das gesamte Datenspektrum ber\u00fccksichtigt. Eine oder mehrere Stichproben werden entnommen, um den Algorithmus zu entwickeln und zu trainieren. Auf diese Art und Weise wird ein Datensatz f\u00fcr die Entwicklung und das Training des Algorithmus verwendet, w\u00e4hrend andere f\u00fcr die Beurteilung der Prognosef\u00e4higkeit des Modells herangezogen werden.<\/p>\n\n\n\n

    F\u00fcr jedes Data-Science-Verfahren gibt es eine schier endlose Auswahl an Softwares. Es wird empfohlen, Tools zu verwenden, die eine Interaktion mit dem Computerdenken erm\u00f6glichen und die Nutzerinnen bzw. Nutzer nicht einschr\u00e4nken. Zu den umfassendsten und am weitesten verbreiteten Softwares, die bei der Datenverarbeitung und -analyse zur Anwendung kommen, z\u00e4hlen Python und R. Bei beiden handelt es sich um h\u00f6here Programmiersprachen, die quelloffen und gratis sind. Sie bieten Instrumentarien, auch bekannt als Bibliotheken, und Funktionen, die in jeder Data-Science-Phase angewendet werden: von einfachen Visualisierungen bis hin zur Entwicklung von komplexeren Algorithmen. Einer der Hauptvorteile dieser h\u00f6heren Softwareoptionen besteht darin, dass man seine eigene Funktion mit all ihren Aktionspunkten und Regeln, die auf eine Datenbank anzuwenden sind, erstellen kann und dann dieselbe Funktion mit anderen Datens\u00e4tzen verwenden kann, ohne dass man Verfahren manuell duplizieren oder Codes neu schreiben muss.<\/p>\n\n\n\n

    ABBILDUNG\u00a03<\/strong><\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n
      \n
    • Entwicklung von Maschinenlernmodellen<\/em><\/em><\/li>\n<\/ul>\n\n\n\n

      In der Ausf\u00fchrungs- und Modellierung<\/em>sphase werden Modelle erstellt und beurteilt, um Nachweise zur Untermauerung k\u00fcnftiger Erkenntnisse zu sammeln. Die ausgew\u00e4hlten Modelle h\u00e4ngen vom Pr\u00fcfungsziel, dem Umfang der verf\u00fcgbaren Daten und der Art der Fragestellung, die beantwortet werden soll, ab. Diese k\u00f6nnen, je nachdem, wie stark ihre Variablen voneinander abh\u00e4ngen und welche Besonderheiten die behandelte Fragestellung aufweist, in zwei verschiedene Kategorien unterteilt werden: Modelle f\u00fcr \u00fcberwachtes Lernen, die zum Einsatz kommen, um neue F\u00e4lle vorauszusagen (Regression), oder Modelle des un\u00fcberwachten Lernens (f\u00fcr die Einordnung und B\u00fcndelung von F\u00e4llen). Die folgende Grafik enth\u00e4lt Beispiele f\u00fcr diese Lernmodelle in Bezug auf die Art der auszuf\u00fchrenden Aufgabe:\u00a0<\/p>\n\n\n\n

      ABBILDUNG\u00a04<\/strong><\/strong><\/p>\n\n\n\n

      \"\"
      Quelle: selbsterstellt auf der Grundlage von Han, Kamber und Pei (2011).<\/figcaption><\/figure>\n\n\n\n

      Jedes Modell sollte anhand der Validierungsdaten beurteilt werden, um dessen Vorhersage- oder Einordnungsf\u00e4higkeit zu bestimmen. Daf\u00fcr gibt es verschiedene Techniken zur Messung von Varianz, Verzerrung, Fehlern und den Kosten f\u00fcr das Aufsp\u00fcren dieser Fehler. Anschlie\u00dfend wird das Modell auf die restlichen Daten angewendet, um sachdienliche und treffsichere Nachweise zur Untermauerung von Empfehlungen zu finden.<\/p>\n\n\n\n

      ABBILDUNG\u00a05<\/strong><\/strong><\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n
        \n
      • Datenanalyse<\/em><\/em><\/li>\n<\/ul>\n\n\n\n

        In der Berichterstattungsphase spielen Visualisierungstools eine extrem bedeutende Rolle. Die von der Data Science gebotene Vielfalt und Anzahl an Visualisierungsm\u00f6glichkeiten stellen eine bedeutende Verbesserung dar, weil sie Informationen mittels qualitativ hochwertigen Grafiken und Videos deutlich vermitteln. Dabei bieten sie auch die M\u00f6glichkeit, verschiedene \u00e4sthetische Parameter auszuw\u00e4hlen und Berichte einfach zu erstellen. Dar\u00fcber hinaus gibt es mehrere intuitive Tools (Power BI und Tableau), welche die Erstellung von als Entscheidungsgrundlagen dienenden Dashboards erm\u00f6glichen (auch bekannt als Gesch\u00e4ftsanalytik).<\/p>\n\n\n\n

        ABBILDUNG\u00a06<\/strong><\/strong><\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n

        Data-Science-Techniken erm\u00f6glichen die Automatisierung von Pr\u00fcfungsverfahren. Durch die unver\u00e4nderte Beibehaltung von Kriterien und die Hinzuf\u00fcgung oder den Austausch von Daten (Input) ist das Modell in der Lage, Kontinuit\u00e4t bzw. Br\u00fcche (Anomalien) in den analysierten Informationen ausfindig zu machen.<\/p>\n\n\n\n

        ABBILDUNG\u00a07<\/strong><\/strong><\/p>\n\n\n\n

        \"\"
        Quelle: selbst erstellt.<\/figcaption><\/figure>\n\n\n\n

        ABBILDUNG\u00a08<\/strong><\/strong><\/p>\n\n\n\n

        \"\"
        Quelle: selbst erstellt.<\/figcaption><\/figure>\n\n\n\n

        Strategische Aktionspunkte<\/strong><\/strong><\/h2>\n\n\n\n

        ABBILDUNG\u00a09<\/strong><\/p>\n\n\n\n

        \"\"
        Quelle: selbst erstellt.<\/figcaption><\/figure>\n\n\n\n

        Fazit<\/strong><\/strong><\/h2>\n\n\n\n

        Der strategische und progressive Einsatz von Informationstechnologien in den Pr\u00fcfungst\u00e4tigkeiten birgt das Potenzial, bedeutende Ver\u00e4nderungen in den Pr\u00fcfungsverfahren voranzutreiben.<\/p>\n\n\n\n

        Die Vorteile der Einbindung von Data Science machen die Risiken bei weitem wett. Daher wird dringend empfohlen, dass ORKB damit beginnen, ihre Pr\u00fcfungs- und \u00dcberwachungst\u00e4tigkeiten neu zu konzipieren, um diese Praktiken einzubeziehen.<\/p>\n\n\n\n

        Es wurde eine Reihe strategischer Leitlinien umrissen, um sicherzustellen, dass die Einbindung von Data Science in Pr\u00fcfungsverfahren nicht als isolierte Ma\u00dfnahme, sondern vielmehr als Teil von mehreren Schritten in Richtung einer graduellen Steigerung angesehen wird.<\/p>\n\n\n\n

        Besonders hervorgehoben wurde die einzigartige Gelegenheit f\u00fcr ORKB, ihre Rolle zu st\u00e4rken und ihre bereichs\u00fcbergreifenden sowie multidisziplin\u00e4ren T\u00e4tigkeiten zu nutzen, um die kulturellen Ver\u00e4nderungen, die der digitale Wandel erfordert, anzuf\u00fchren. Dabei handelt es sich um eine enorme Herausforderung, deren Bew\u00e4ltigung allerdings nicht nur notwendig und zeitgem\u00e4\u00df, sondern auch praktikabel und machbar ist. Anstatt Technologie als Einschr\u00e4nkung oder als Selbstzweck anzusehen, ist es wichtig, die positiven Auswirkungen von Data Science zu verstehen, um zu vermeiden, \u201edas Pferd vom Schwanz her aufzuz\u00e4umen<\/em>\u201c bzw. Technologie vor Wissen zu stellen.<\/p>\n\n\n\n

        Dem digitalen Wandel sollte mit konkreten Ma\u00dfnahmen und einem starken politischen Willen, der auf die Bek\u00e4mpfung von Korruption ausgerichtet ist, begegnet werden. Deswegen sollte das Thema Data Governance umfassend und effektiv in Angriff genommen werden.<\/p>\n\n\n\n

        Eine zeitnahe, pr\u00e4zise und effiziente staatliche Kontrolle gest\u00fctzt auf Data Science schafft Mehrwert f\u00fcr die Verwaltung und optimiert dabei die Staatsausgaben. Dar\u00fcber hinaus kann die Aussch\u00f6pfung des technologischen Potenzials zur Einf\u00fchrung von Data Science einen Beitrag zur Reduktion des Entwicklungsgef\u00e4lles leisten und die Grundlage f\u00fcr ein robusteres und nachhaltigeres weltweites Wachstum legen.<\/p>\n","protected":false},"excerpt":{"rendered":"

        Zusammen mit der Informationsgesellschaft hat der digitale Wandel zu einer exponentiellen Zunahme der Datenerfassung und -speicherung gef\u00fchrt, wodurch die sogenannte Data Science entstanden ist, um der Nachfrage nach neuen Hilfsmitteln, die in der Lage sind, gro\u00dfe Datenmengen intelligent zu verarbeiten und sie in f\u00fcr die Entscheidungsfindung in mannigfaltigen Umfeldern brauchbare Informationen zu \u00fcberf\u00fchren, nachzukommen.\u00a0<\/p>\n","protected":false},"author":177,"featured_media":21646,"template":"","meta":{"_acf_changed":false,"footnotes":""},"journal-categories":[3588],"content-tags":[2200,2219,2459,2267],"country":[2845],"region":[2871],"section":[2603],"coauthors":[3576],"class_list":["post-21710","journal-entry","type-journal-entry","status-publish","has-post-thumbnail","hentry","journal-categories-q2-2023-de","content-tags-daten","content-tags-datenanalytik","content-tags-it-prufung","content-tags-wissenschaft-und-technik","country-argentina-de","region-olacefs-de-de","section-fachartikel"],"acf":[],"yoast_head":"\nData Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal\" \/>\n<meta property=\"og:description\" content=\"Zusammen mit der Informationsgesellschaft hat der digitale Wandel zu einer exponentiellen Zunahme der Datenerfassung und -speicherung gef\u00fchrt, wodurch die sogenannte Data Science entstanden ist, um der Nachfrage nach neuen Hilfsmitteln, die in der Lage sind, gro\u00dfe Datenmengen intelligent zu verarbeiten und sie in f\u00fcr die Entscheidungsfindung in mannigfaltigen Umfeldern brauchbare Informationen zu \u00fcberf\u00fchren, nachzukommen.\u00a0\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/\" \/>\n<meta property=\"og:site_name\" content=\"INTOSAI Journal\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T03:00:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"663\" \/>\n\t<meta property=\"og:image:height\" content=\"440\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@intosaijournal\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"9 minutes\" \/>\n\t<meta name=\"twitter:label2\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data2\" content=\"Colombo Gardey Julieta\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/\",\"url\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/\",\"name\":\"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal\",\"isPartOf\":{\"@id\":\"https:\/\/intosaijournal.org\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png\",\"datePublished\":\"2023-10-19T12:07:00+00:00\",\"dateModified\":\"2023-10-30T03:00:10+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage\",\"url\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png\",\"contentUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png\",\"width\":663,\"height\":440},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/intosaijournal.org\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/intosaijournal.org\/#website\",\"url\":\"https:\/\/intosaijournal.org\/\",\"name\":\"INTOSAI Journal\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/intosaijournal.org\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/intosaijournal.org\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/intosaijournal.org\/#organization\",\"name\":\"INTOSAI Journal\",\"url\":\"https:\/\/intosaijournal.org\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"contentUrl\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"width\":736,\"height\":122,\"caption\":\"INTOSAI Journal\"},\"image\":{\"@id\":\"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/x.com\/intosaijournal\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/","og_locale":"de_DE","og_type":"article","og_title":"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal","og_description":"Zusammen mit der Informationsgesellschaft hat der digitale Wandel zu einer exponentiellen Zunahme der Datenerfassung und -speicherung gef\u00fchrt, wodurch die sogenannte Data Science entstanden ist, um der Nachfrage nach neuen Hilfsmitteln, die in der Lage sind, gro\u00dfe Datenmengen intelligent zu verarbeiten und sie in f\u00fcr die Entscheidungsfindung in mannigfaltigen Umfeldern brauchbare Informationen zu \u00fcberf\u00fchren, nachzukommen.\u00a0","og_url":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/","og_site_name":"INTOSAI Journal","article_modified_time":"2023-10-30T03:00:10+00:00","og_image":[{"width":663,"height":440,"url":"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_site":"@intosaijournal","twitter_misc":{"Est. reading time":"9 minutes","Written by":"Colombo Gardey Julieta"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/","url":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/","name":"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel - INTOSAI Journal","isPartOf":{"@id":"https:\/\/intosaijournal.org\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage"},"image":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage"},"thumbnailUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png","datePublished":"2023-10-19T12:07:00+00:00","dateModified":"2023-10-30T03:00:10+00:00","breadcrumb":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/"]}]},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#primaryimage","url":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png","contentUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/AI2-1.png","width":663,"height":440},{"@type":"BreadcrumbList","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/data-science-as-a-catalyst-for-audit-transformation\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/intosaijournal.org\/de\/"},{"@type":"ListItem","position":2,"name":"Data Science Als Katalysator F\u00fcr Pr\u00fcfungwandel"}]},{"@type":"WebSite","@id":"https:\/\/intosaijournal.org\/#website","url":"https:\/\/intosaijournal.org\/","name":"INTOSAI Journal","description":"","publisher":{"@id":"https:\/\/intosaijournal.org\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/intosaijournal.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/intosaijournal.org\/#organization","name":"INTOSAI Journal","url":"https:\/\/intosaijournal.org\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/","url":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","contentUrl":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","width":736,"height":122,"caption":"INTOSAI Journal"},"image":{"@id":"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/intosaijournal"]}]}},"_links":{"self":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21710","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry"}],"about":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/types\/journal-entry"}],"author":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/users\/177"}],"version-history":[{"count":5,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21710\/revisions"}],"predecessor-version":[{"id":22363,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21710\/revisions\/22363"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media\/21646"}],"wp:attachment":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media?parent=21710"}],"wp:term":[{"taxonomy":"journal-categories","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-categories?post=21710"},{"taxonomy":"content-tags","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/content-tags?post=21710"},{"taxonomy":"country","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/country?post=21710"},{"taxonomy":"region","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/region?post=21710"},{"taxonomy":"section","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/section?post=21710"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/coauthors?post=21710"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}