Home

Neuerungen in Caseware IDEA 13.0

• Erweiterte Python-Unterstützung: Das integrierte Python-Paket wurde auf Version 3.12.4 aktualisiert, wodurch die Möglichkeiten zur Prozessautomatisierung weiter verbessert werden.
• Unterstützung für 15 Dezimalstellen: Numerische Felder unterstützen jetzt bis zu 15 Dezimalstellen, was eine noch höhere Präzision bei der Datenanalyse bietet.
• Export in XLSX-Format: Unterstützung für den Datenexport in das beliebte Excel-XLSX-Format hinzugefügt, wodurch der Datenaustausch zwischen Teams vereinfacht wird.
• Verbesserungen bei Leistung und Benutzerfreundlichkeit DPI-Skalierung: Neue Einstellungen optimieren die Anzeigeleistung für Bildschirme mit hoher Auflösung.
• Scrollen in Pivot-Tabellen: Pivot-Tabellen können jetzt mit dem Mausrad gescrollt werden, was das Arbeiten mit großen Datensätzen erheblich erleichtert.
• Verbesserte Geschwindigkeit: Verbesserte Leistung für wichtige Funktionen, wie schnelle Summierung und Diagrammerstellung.
• Fehlerbehebungen und Dokumentationsaktualisierungen: In Version 13.0 wurden verschiedene Fehler behoben, darunter Probleme beim Importieren von Textdateien und bei den Berichtslayouteinstellungen. Zudem wurde die Dokumentation aktualisiert, um den Benutzern detaillierte Anweisungen zu den neuen Funktionen bereitzustellen.

Codebeispiel Anomalienerkennung in Python: Interaktion von Python und Caseware IDEA mittels win32com.client

# Import von IDEA-Daten und Anomalie-Erkennung
import win32com.client as win32
import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest

# IDEA-Verbindung herstellen
idea = win32.Dispatch("Idea.IdeaClient")
db = idea.OpenDatabase("Rechnungsdaten.IMD")

# Daten nach Pandas exportieren
data = []
for i in range(1, db.Count + 1):
    rec = db.ReadRow(i)
    data.append({
        'Betrag': float(rec.Value("BETRAG")), 
        'Tag': rec.Value("TAG"),
        'ID': rec.Value("RECHNUNGS_ID")
    })

df = pd.DataFrame(data)

# Anomalie-Erkennung mit Isolation Forest
model = IsolationForest(contamination=0.05)
df['anomalie'] = model.fit_predict(df[['Betrag']])
anomalien = df[df['anomalie'] == -1]

# Ergebnis in IDEA importieren
# Anomalien als neue Datenbank speichern
output_path = idea.WorkingDirectory + "\Anomalien.xlsx"
anomalien.to_excel(output_path)

# In IDEA importieren
idea.ImportExcel(output_path, "Anomalien", "", "", "", 1)

Codebeispiel Python: Interaktion von Python und Caseware IDEA mittels win32com.client

import win32com.client as win32ComClient

if __name__ == "__main__":
    try:
        # IDEA-Objekt erstellen und Tabelle öffnen
        idea = win32ComClient.Dispatch(dispatch="Idea.IdeaClient")
        table = idea.OpenDatabase("Sample-Employees.IMD")
        
        # Extraktion basierend auf Kriterien durchführen
        task = table.Extraction()
        task.IncludeAllFields()
        task.AddExtraction("Ergebnis.IMD", "", 'COUNTRY=="Deutschland"')
        task.PerformTask(1, table.Count)
        
        # Ergebnistabelle öffnen
        idea.OpenDatabase("Ergebnis.IMD")
    finally:
        # Ressourcen freigeben
        task = None
        table = None
        idea = None