Quelles sont les valeurs aberrantes en matière de balisage XBRL ?
Les valeurs aberrantes du balisage XBRL sont une fonction d'apprentissage automatique basée sur des données historiques XBRL qui aide les déposants XBRL à identifier où les sélections de balises peuvent varier par rapport à leur groupe d'industrie. A l'instar des autres contrôles de qualité des données fournis dans le cadre de la génération XBRL, les valeurs aberrantes du balisage XBRL sont utilisées pour aider à cibler l'examen de ces différences là où elles peuvent être examinées pour déterminer si elles sont appropriées sur la base des informations à fournir. Cette fonction ne fonctionne actuellement que pour les rapports 10-K ou 10-Q.
Les résultats sont fournis sur la base de :
- Les concepts de postes standard sont comparés aux thèmes de divulgation auxquels ils sont associés dans votre document (par exemple, les éléments apparaissant dans votre divulgation de regroupement d'entreprises/d'acquisition)
- Cette combinaison est ensuite comparée à votre groupe industriel
- Des résultats aberrants sont fournis lorsque ces combinaisons sont peu courantes par rapport au groupe industriel
Si la génération comprend une valeur aberrante, vous verrez un nouveau message dans le panneau de validation XBRL après la génération, intitulé "Insight - Tagging Outlier" Ce message comprendra le concept de la valeur aberrante et l'emplacement du Plan XBRL qui lui est associé.
En sélectionnant "Review Usages", le panneau Localiser les concepts XBRL identifiera les emplacements des documents connexes. En outre, le plan XBRL s'ouvrira directement sur le concept signalé comme aberrant.
Après avoir examiné les sélections de balises actuelles et les choix alternatifs, vous pouvez mettre à jour un nouvel élément ou marquer la sélection comme correcte.
Questions fréquemment posées
Qui aura accès aux messages ?
Tout utilisateur ayant le rôle de gestionnaire XBRL pourra voir les valeurs aberrantes.
Quelles sont les données utilisées pour entraîner le modèle ?
Les valeurs aberrantes sont basées sur des données XBRL historiques. Dans le cadre de ce processus, Workiva a analysé et rassemblé des données provenant de rapports financiers étiquetés selon les normes comptables américaines (U.S. GAAP) et a mis à profit sa grande expertise. Les modèles peuvent être périodiquement entraînés sur de nouvelles données publiques lorsque les données sont disponibles et appropriées.
Recueillez-vous et utilisez-vous nos données pour des modèles ? Dans l'affirmative, quelles sont les données en question ?
Les modèles de Workiva ne collectent ni n'utilisent de données sur les clients.
Notre modèle utilise-t-il des données relatives aux clients, par exemple des données financières telles que chiffre d'affaires ou des données de divulgation ?
Ces modèles n'utilisent pas actuellement de données spécifiques aux clients autres que celles qui sont disponibles dans les dépôts publics. Nous collecterons des métadonnées sur les contextes utilisés (par exemple, des balises XBRL et des informations de plan) afin de contrôler et d'améliorer les suggestions que ces modèles font à nos clients. Nous n'utiliserons pas les données financières des clients dans ces modèles.
Notre modèle utilise-t-il des informations identifiables personnellement (IIP) ?
Aucun de nos modèles n'utilise d'IIP.
Qui a développé la capacité de détection des valeurs aberrantes ?
Cette fonction est entièrement développée au sein de Workiva. Aucun partenaire externe n'est impliqué.