Ein modernes IDEA Python Dashboard ermöglicht interaktive, datengetriebene Prüfungsanalysen – vollständig offline, datenschutzkonform und direkt in CaseWare IDEA 12 und 13 nutzbar.

In diesem Beitrag zeige ich, wie sich mit Python und Plotly eine professionelle Audit Visualisierung umsetzen lässt – als:

• Plotly IDEA 12 und 13 Lösung

• browserbasierte PyScript-Version

• vollständig isoliertes Offline Audit Dashboard

Warum ein IDEA Python Dashboard?

Klassische Excel-Analysen stoßen bei:

• Millionen Buchungen

• Vendor Concentration

• Ausreißeranalysen

• Periodenprüfungen

schnell an Grenzen.

Mit Plotly erhältst du:

✔ Interaktive Kreuzfilterung
✔ Mehrfachselektion (Lasso / Box)
✔ KPI-Neuberechnung in Echtzeit
✔ Drilldown bis auf Belegebene
✔ Export als revisionssichere HTML-Datei

Architekturvarianten

1️⃣ Plotly in IDEA 12 und 13

In IDEA 12 und 13 lässt sich Python direkt verwenden:

import pandas as pd
import plotly.express as px

df = pd.read_csv("buchungen.csv", sep=";")

fig = px.bar(
    df.groupby("lieferant")["betrag"].sum().reset_index(),
    x="betrag",
    y="lieferant",
    orientation="h",
    title="Top Lieferanten"
)

fig.write_html("audit_dashboard.html", include_plotlyjs="inline")

Vorteile:

• vollständige Offline-Fähigkeit

• keine Cloud

• GoBD-konform archivierbar

2️⃣ Offline Audit Dashboard (100 % lokal)

Für maximale Datensicherheit wird Plotly vollständig inline eingebettet:

fig.write_html(
    "audit_dashboard.html",
    include_plotlyjs="inline",
    full_html=True
)

Kein CDN.
Kein externer Request.
Keine Datenübertragung.

Ideal für:

• Banken

• Behörden

• Interne Revision

• Prüfungsumgebungen mit Netzrestriktionen

3️⃣ PyScript im Browser

Mit PyScript läuft Python direkt im Browser:

<py-script>
import pandas as pd
import plotly.express as px

df = pd.read_csv("data.csv")
fig = px.histogram(df, x="betrag")
fig
</py-script>

Einsatzbereiche:

• Online-Demo

• Schulungen

• Workshops

• Mandantenpräsentationen

20 zentrale Visualisierungen im IDEA Python Dashboard

Die folgende Tabelle zeigt die wichtigsten Visualisierungen für eine professionelle Audit Visualisierung:

Diese lassen sich vollständig offline betreiben.

Kreuzfilterung im Offline Audit Dashboard

Beispiel: Vendor-Klick filtert Zeitreihe neu

barEl.on("plotly_click", function(ev){
    const vendor = ev.points[0].y;
    selectedVendors.add(vendor);
    rerender();
});

Monatsauswahl:

lineEl.on("plotly_click", function(ev){
    const month = normMonth(ev.points[0].x);
    selectedMonths.add(month);
    rerender();
});

Ergebnis:

• KPIs passen sich an

• Histogramm aktualisiert sich

• Tabelle zeigt gefilterte Top-100

Datenschutz & Revisionssicherheit

Ein Offline Audit Dashboard bietet:

• Keine Cloud

• Keine externe JavaScript-Quelle

• Keine CDN-Abhängigkeit

• Archivierung als HTML

• Versionierbarkeit

• Reproduzierbarkeit

Das ist ein entscheidender Vorteil gegenüber klassischen BI-Lösungen.

Online-Demo

👉 Hier geht es zur Demo und Test mit eigenen Daten:
https://majo2000.bplaced.net/python/audit_plotly_dashboard.html

Dort kannst du:

• Lieferanten selektieren

• Monate filtern

• KPIs live neu berechnen

• Detailtabellen anzeigen

Fazit

Ein Plotly IDEA 12 und 13 Dashboard ist:

• interaktiv

• datenschutzkonform

• offlinefähig

• explorativ

• revisionssicher

Es verbindet moderne Datenvisualisierung mit den Anforderungen der Wirtschaftsprüfung.

Aufgrund der beruflichen Erfahrungen habe ich mir eine kleine, aber praxisnahe Lösung gebaut, die mir bei GDPdU-Importen in CaseWare IDEA (SmartX) richtig Zeit spart:

✅ Mehrere CSV-Dateien hochladen (mit Kopfzeile)
✅ Automatische Delimiter-Erkennung (für das Einlesen)
✅ Export als ZIP mit

• index.xml (eine Datei für alle Tabellen)

• gdpdu-01-08-2002.dtd

• bereinigten CSVs (ohne Kopfzeile)

Warum “bereinigte CSVs”?
In GDPdU/IDEA sind die Spalten in der index.xml definiert – wenn die CSV zusätzlich noch die Kopfzeile enthält, landet die oft als „Datensatz 1“ im Import oder sorgt für Sonderlogik. Deshalb exportiere ich im ZIP die CSVs ohne Header.

Wichtigster Punkt (aus der Praxis gelernt):
📌 Dezimalkomma + Komma-Delimiter = Import bricht früh ab
Wenn CSV als Trennzeichen , nutzt und die Werte als deutsches Dezimalformat 1234,56 vorliegen, „zerreißt“ das die Spalten. Ergebnis: IDEA importiert dann gern nur den ersten Datensatz sauber.

Meine robuste Empfehlung (und im Generator fest verdrahtet):
🔒 Output immer mit ; als Trennzeichen + CRLF-Zeilenenden (\r\n)
➡️ Damit laufen Imports deutlich stabiler in IDEA/SmartX.

Zusätzlich habe ich noch folgendes eingebaut:
📊 Numeric-Spalten mit Dezimalstellen werden in der index.xml explizit als Dezimalspalten definiert – inkl.
<Numeric><Accuracy>2</Accuracy></Numeric>
Und zwar nicht nur, wenn ein Wert mathematisch „nicht ganzzahlig“ ist, sondern schon dann, wenn in den Quelldaten irgendwo ein Dezimalmarker vorkommt (z. B. 10,00). So bleibt die Spaltendefinition konsistent.

🎯 Ergebnis: Ein GDPdU-kompatibles ZIP, das sich in IDEA (SmartX) sauber importieren lässt – auch bei mehreren Tabellen und deutschem Zahlenformat.

Live zum ausprobieren für alle unter https://majo2000.bplaced.net/python/Index_xml_Generator.html 

Wenn jemand ähnliche Import-Themen hat (GoBD/GDPdU, IDEA, SAP/DATEV-Exports, Delimiter-/Format-Fallen): gern kommentieren oder kurz schreiben. 🙂

#GDPdU #GoBD #CaseWareIDEA #SmartX #Audit #Datenanalyse #CSV #Python #JavaScript #Finanzprüfung #Etriebsprüfung #Audit

Wie kann ich eine IDEA-Tabelle entpivotieren ? - ein kleines Beispiel

Der komplette Code ist von Brian Element zu finden unter https://ideascripting.com/node/8609 

Auf der IDEA help site finden sich viele Hinweise zu aktuellen Themen rund um Caseware IDEA, unterteilt nach Regionen unter https://my.caseware.com/s/article/IDEA-Help-Site?language=en_US 

Die Anmeldung bei Caseware ist kostenfrei möglich.