Plausibilitätsprüfung

Ausführliche Erklärung

Eine Plausibilitätsprüfung kontrolliert, ob Daten inhaltlich stimmig und im jeweiligen Zusammenhang überhaupt möglich sind. Sie fragt nicht „ist das Feld ausgefüllt?“, sondern „kann dieser Wert so richtig sein?“. Damit ist sie einer von drei Prüfschritten in der digitalen Dokumenten- und Datenverarbeitung: die Vollständigkeitsprüfung achtet auf fehlende Angaben, die Korrektheitsprüfung auf formale Richtigkeit (etwa Rechenwerke oder eine UID-Nummern-Validierung), die Plausibilitätsprüfung auf die inhaltliche Stimmigkeit.

Die klassische Form ist regelbasiert: Ein Mitarbeitender oder eine Fachabteilung definiert Wertebereiche, Schwellenwerte und Quervergleiche — etwa dass eine Eingangsrechnung eines Lieferanten selten über 5.000 Euro liegt oder dass ein Rechnungsdatum nicht in der Zukunft liegen darf. Solche Regeln sind transparent und leicht zu begründen, aber starr: Sie erkennen nur, was jemand vorher bedacht hat, und erzeugen bei saisonalen Schwankungen viele Fehlalarme.

KI-gestützte Plausibilitätsprüfung geht einen Schritt weiter. Das System wird mit historischen, als regulär geltenden Datensätzen trainiert und bildet daraus ein Modell des Normalbereichs. Im laufenden Betrieb meldet es Datensätze, die davon deutlich abweichen — und kann dabei mehrere Merkmale gleichzeitig berücksichtigen, etwa Betrag, Lieferant, Kostenstelle und Zeitpunkt in Kombination. Technisch verwandt ist die Automatisierte Anomalie-Erkennung, die dieselben Verfahren vor allem auf IT-Systeme und Netzwerkverkehr anwendet; die Plausibilitätsprüfung ist auf kaufmännische Daten und Geschäftsvorfälle gerichtet.

Entscheidend ist, was nach dem Treffer passiert. In betriebswirtschaftlichen Anwendungen legen solche Systeme auffällige Datensätze zur menschlichen Bestätigung vor, statt selbst zu korrigieren oder zu buchen. Vollautomatische Dunkelverarbeitung bleibt den unauffälligen Fällen vorbehalten. Das hält die Verantwortung dort, wo sie hingehört, und macht die Entscheidung nachvollziehbar. Wie gut die Prüfung funktioniert, hängt an der Datenqualität der Trainingsdaten und an der Schwelle, ab der ein Fall als auffällig gilt: Zu eng eingestellt, ertrinkt die Buchhaltung in Fehlalarmen, zu weit eingestellt, rutschen Fehler durch.

Typische Einsatzfelder in Unternehmen sind die Belegerfassung und Eingangsrechnungsprüfung, die Lohnverrechnung, die Stammdatenpflege sowie die Abrechnung von Projekten und Förderungen, etwa beim Verwendungsnachweis. Wer eine solche Prüfung einführt, sollte die Regeln und Auffälligkeitskriterien schriftlich festhalten — das erleichtert später sowohl die interne Nachvollziehbarkeit als auch die Auskunft gegenüber Steuerberatung oder Prüforganen.

Code-Beispiel

import numpy as np
from sklearn.ensemble import IsolationForest

# Trainingsdaten (normale Rechnungsbeträge)
normal_data = np.array([[120], [135], [128], [142], [118]])

# Modell trainieren
model = IsolationForest(contamination=0.1, random_state=42)
model.fit(normal_data)

# Neue Rechnung prüfen
new_invoice = np.array([[950]])
prediction = model.predict(new_invoice)

if prediction[0] == -1:
    print("Anomalie erkannt - manuelle Prüfung erforderlich")