Bài tiểu luận: Phân tích dữ liệu của công ty kiểm toán với công cụ Orange

Trong bối cảnh chuyển đổi số mạnh mẽ và sự bùng nổ của dữ liệu đa dạng, khoa học dữ liệu đã trở thành một lĩnh vực then chốt trong việc trích xuất tri thức và đưa ra quyết định dựa trên dữ liệu. Đặc biệt, trong ngành kiểm toán, yêu cầu về sự trung thực và chính xác cao đòi hỏi ứng dụng các phương pháp phân tích tiên tiến để nâng cao hiệu quả và giảm thiểu rủi ro. Các hoạt động gian lận tài chính là một thách thức lớn đối với sự phát triển bền vững của doanh nghiệp. Do đó, tiểu luận này tập trung vào việc phân tích bộ dữ liệu External Audit của một công ty kiểm toán tại Ấn Độ, sử dụng công cụ Orange, nhằm xây dựng mô hình phân loại có khả năng dự đoán các công ty có nguy cơ gian lận dựa trên các yếu tố rủi ro lịch sử và hiện tại, qua đó góp phần giảm thiểu sai sót trọng yếu trong báo cáo tài chính.

Các nhà nghiên cứu, sinh viên chuyên ngành Khoa học dữ liệu, Công nghệ thông tin kinh doanh, Kế toán - Kiểm toán, và các chuyên gia trong lĩnh vực tài chính, kiểm toán quan tâm đến ứng dụng phân tích dữ liệu và học máy để phát hiện gian lận.

Nghiên cứu này khai thác sức mạnh của khoa học dữ liệu và các kỹ thuật học máy để giải quyết vấn đề gian lận tài chính trong lĩnh vực kiểm toán. Sử dụng bộ dữ liệu External Audit từ một công ty kiểm toán Ấn Độ, mục tiêu chính là xây dựng một mô hình phân loại hiệu quả, có khả năng dự đoán các công ty có nguy cơ gian lận dựa trên các yếu tố rủi ro đã biết. Toàn bộ quá trình phân tích dữ liệu được thực hiện thông qua công cụ Orange, một nền tảng trực quan và mạnh mẽ cho khai phá dữ liệu và học máy. Quy trình nghiên cứu bao gồm các bước chính: khám phá và tiền xử lý dữ liệu để đảm bảo chất lượng; tiếp theo là áp dụng các phương pháp phân cụm dữ liệu như Hierarchical Clustering và K-Means để nhóm các công ty có đặc điểm tương tự, đánh giá bằng Silhouette Plot. Sau đó, nghiên cứu tiến hành phân lớp dữ liệu bằng cách xây dựng mô hình dự báo sử dụng các thuật toán học máy phổ biến như Cây quyết định (Decision Tree), Máy vector hỗ trợ (SVM) và Hồi quy Logistic, với biến mục tiêu là "Risk". Các mô hình này được đánh giá dựa trên các chỉ số hiệu suất như Test and Score, AUC và Confused Matrix. Kết quả nghiên cứu không chỉ cung cấp một cái nhìn sâu sắc về hoạt động của các công ty dựa trên dữ liệu phân tích mà còn đề xuất một công cụ dự báo hữu ích, giúp kiểm toán viên và các nhà quản lý tài chính sớm nhận diện và phòng ngừa rủi ro gian lận, từ đó nâng cao độ tin cậy của báo cáo tài chính và hiệu quả hoạt động kinh doanh.