Vad är avvikelser i XBRL-taggningen?
Avvikelser i XBRL-taggningen är en maskininlärningsdriven funktion baserad på historiska, arkiverade XBRL-data som hjälper XBRL-arkiverare att identifiera var taggvalen kan variera från deras branschgrupp. I likhet med andra datakvalitetskontroller som tillhandahålls inom XBRL Generation-upplevelsen används avvikelser från XBRL-taggningen för att hjälpa till att fokusera granskningen av dessa skillnader där de kan granskas för lämplighet baserat på de relaterade upplysningarna. Denna funktion fungerar för närvarande endast på 10-K- eller 10-Q-rapporter.
Resultaten tillhandahålls baserat på:
- Begrepp för standardposter jämförs i förhållande till de ämnen för upplysningar som de är associerade med i ditt dokument (t.ex. objekt som förekommer i din Upplysning om rörelseförvärv/kombination)
- Denna kombination jämförs sedan med din branschgrupp
- Avvikelser anges när dessa kombinationer är ovanliga jämfört med branschgruppen
Om genereringen innehåller en avvikelse kommer du att se ett nytt meddelande i panelen XBRL Validation efter genereringen, med titeln "Insight - Tagging Outlier". Detta meddelande kommer att innehålla begreppet avvikelse och dess relaterade plats i XBRL:s översikt.
Genom att välja "Review Usages" kommer XBRL Locate Concepts-panelen att identifiera relaterade dokumentplatser. Dessutom kommer XBRL-översikten att direkt öppnas till det koncept som flaggas som en avvikelse.
När du har granskat de aktuella taggvalen och alternativa val kan du uppdatera till ett nytt element eller markera valet som korrekt.
Vanliga frågor och svar
Vem kommer att ha åtkomst till meddelandena?
Alla användare med XBRL Manager-rollen kommer att kunna se avvikelser.
Vilka data används för att träna modellen?
Avvikelser baseras på historiskt arkiverade XBRL-data. Workiva har analyserat och samlat in data från finansiella rapporter som är taggade för U.S. GAAP-rapportering som en del av denna process och använt Workivas omfattande expertis. Modeller kan regelbundet tränas på nya offentliga data när data finns tillgängliga och är lämpliga.
Samlar ni in och använder våra data för modeller? Om så är fallet, vilka uppgifter specifikt?
Workivas modeller samlar inte in eller använder sig av kunddata.
Använder vår modell kunddata, t.ex. finansiella siffror som intäkter eller upplysningar?
Dessa modeller använder för närvarande inte några kundspecifika uppgifter utöver de som finns tillgängliga från offentliga arkiveringar. Vi kommer att samla in metadata om de sammanhang som används (t.ex. XBRL-taggar och information om översikt) för att övervaka och förbättra de förslag som dessa modeller ger till våra kunder. Vi kommer inte att använda finansiell information från kunderna i dessa modeller.
Använder vår modell personligt identifierbar information (PII)?
Nej, ingen av våra modeller använder PII.
Vem har utvecklat funktionen för upptäckt av avvikelser?
Denna funktion utvecklas helt och hållet inom Workiva. Inga externa partners är inblandade.