intTypePromotion=1

Ứng dụng một số kỹ thuật phân tích dữ liệu vào các thủ tục đánh giá rủi ro trong kiểm toán báo cáo tài chính

Chia sẻ: ViShikamaru2711 ViShikamaru2711 | Ngày: | Loại File: PDF | Số trang:9

0
28
lượt xem
2
download

Ứng dụng một số kỹ thuật phân tích dữ liệu vào các thủ tục đánh giá rủi ro trong kiểm toán báo cáo tài chính

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Việc sử dụng một cách thông minh các công nghệ mới nhất, cùng với kiến thức và kinh nghiệm có sẵn, các kiểm toán viên có thể đạt được một cái nhìn sâu sắc hơn về toàn cảnh tình hình tài chính của khách hàng, từ đó đưa ra quyết định tốt hơn, nâng cao chất lượng kiểm toán và cuối cùng tạo ra giá trị cho khách hàng của họ.

Chủ đề:
Lưu

Nội dung Text: Ứng dụng một số kỹ thuật phân tích dữ liệu vào các thủ tục đánh giá rủi ro trong kiểm toán báo cáo tài chính

ÖÙNG DUÏNG MOÄT SOÁ KYÕ THUAÄT PHAÂN TÍCH DÖÕ LIEÄU<br /> VAØO CAÙC THUÛ TUÏC ÑAÙNH GIAÙ RUÛI RO TRONG<br /> KIEÅM TOAÙN BAÙO CAÙO TAØI CHÍNH<br /> <br /> ThS. Nguyễn Vĩnh Khương*<br /> Nguyễn Ngọc Tuệ Minh<br /> <br /> <br /> <br /> <br /> V<br /> iệc sử dụng một cách thông minh các công nghệ mới nhất, cùng với kiến thức và kinh<br /> nghiệm có sẵn, các kiểm toán viên có thể đạt được một cái nhìn sâu sắc hơn về toàn cảnh<br /> tình hình tài chính của khách hàng, từ đó đưa ra quyết định tốt hơn, nâng cao chất lượng<br /> kiểm toán và cuối cùng tạo ra giá trị cho khách hàng của họ. Cốt lõi của những thay đổi<br /> này là do khối lượng dữ liệu ngày càng tăng mà kiểm toán viên cần phải xử lý. Ngoài khối lượng tuyệt đối,<br /> các dữ liệu này còn có nhiều dạng khác nhau như văn bản, hình ảnh, âm thanh và video đòi hỏi dung<br /> lượng lưu trữ lớn (Mohanty, 2013). Tác giả sẽ dựa trên những tài liệu, công trình nghiên cứu trước đây để<br /> trình bày những ứng dụng của phân tích dữ liệu lớn vào việc thực hiện thủ tục đánh giá rủi ro.<br /> Từ khóa: Phân tích dữ liệu, kiểm toán.<br /> Application of some data analysis techniques into risk assessment procedures in auditing financial<br /> statements<br /> The smart use of the latest technologies, along with the knowledge and experience available, the auditors<br /> can gain a better insight into the overall financial situation of customers, since then make better decisions<br /> which improve audit quality and ultimately create value for their customers. The core of these changes is due<br /> to the increasing volume of data that auditors need to handle. In addition to the sheer volume, this data has<br /> many different forms such as text, images, audio and video that require a large amount of storage (Mohanty,<br /> 2013). The author will rely on previous documents and studies to present applications of big data analysis to<br /> implement risk assessment procedures.<br /> Keywords: Data analysis, audit.<br /> <br /> <br /> 1. Giới thiệu Alles (2015) cho rằng khi việc phân tích dữ liệu<br /> lớn trở thành một công cụ kinh doanh quan trọng<br /> Sự phát triển của dữ liệu lớn có nguồn gốc từ<br /> hàng ngày đối với khách hàng của các công ty kiểm<br /> việc số hóa hồ sơ kế toán và quy trình quản lý từ các<br /> toán, thì bản thân các công ty kiểm toán cuối cùng<br /> tệp vật lý thành các hệ thống hoạch định nguồn lực<br /> cũng sẽ áp dụng các kỹ thuật phân tích dữ liệu lớn<br /> doanh nghiệp (ERP). Ngoài ra, những tiến bộ trong<br /> và các công nghệ hiện đại khác để tăng chất lượng<br /> điện toán, viễn thông, dữ liệu, công nghệ lưu trữ và<br /> kiểm toán. Phân tích dữ liệu lớn mang lại sự tiến<br /> mạng đã cho phép xử lý, luân chuyển và lưu trữ các<br /> bộ cho rất nhiều lĩnh vực mà ngay cả nghề kiểm<br /> gói dữ liệu khổng lồ đó (Vasarhelyi và Tuttle, 2015).<br /> toán - một ngành nghề không đòi hỏi tính sáng tạo<br /> Hơn nữa, sự xuất hiện của các phương tiện truyền<br /> cao - cũng sẽ phải thích nghi với nó.<br /> thông xã hội như Facebook, Twitter... đang nâng<br /> cao nhận thức cộng đồng về dữ liệu lớn, thứ đã và Việc sử dụng dữ liệu lớn trong kiểm toán có<br /> đang có mặt khắp nơi trong cuộc sống hàng ngày. thể làm tăng hiệu suất và hiệu quả của cuộc kiểm<br /> *Trường Đại học Kinh tế-Luật, Đại học Quốc gia Thành phố Hồ Chí Minh<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 142 - tháng 8/2019 13<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> <br /> <br /> <br /> toán. Phân tích dữ liệu lớn có thể cho phép thu của lĩnh vực tài chính và kinh tế. Do đó, nghề kiểm<br /> thập dữ liệu tự động, do đó giảm sự phụ thuộc vào toán cần phải thích nghi và theo kịp sự phát triển<br /> dữ liệu do khách hàng cung cấp, từ đó tăng cường để duy trì tính cạnh tranh và mức độ phù hợp.<br /> độ tin cậy và mức độ phù hợp của dữ liệu kiểm<br /> 2. Một số kỹ thuật dùng để phân tích dữ liệu lớn<br /> toán. Hơn nữa, dữ liệu lớn cho phép phân tích toàn<br /> bộ dữ liệu. Điều này có nghĩa là kiểm toán viên có 2.1. K-means<br /> thể mở rộng nguồn dữ liệu và định dạng sang các K-means là một trong những kỹ thuật clustering<br /> dạng bằng chứng kiểm toán khác không có trong (phân cụm) được sử dụng rộng rãi nhất vì tính đơn<br /> kiểm toán truyền thống (ví dụ: vị trí GPS, tệp âm giản và tốc độ của nó. Nó phân vùng dữ liệu thành<br /> thanh hay video). Như vậy, việc sử dụng dữ liệu lớn các cụm bằng cách gán từng đối tượng cho trung<br /> không chỉ làm tăng chất lượng bằng chứng kiểm tâm cụm gần nhất của nó (trung tâm cụm là giá<br /> toán, mà còn hiệu quả về chi phí và minh bạch hơn trị trung bình của các biến cho tất cả các đối tượng<br /> so với phương pháp kiểm toán truyền thống - thứ trong cụm đó) dựa trên thước đo khoảng cách<br /> mà không thể đối phó với những tiến bộ công nghệ được sử dụng. Ngoài ra, k-means hoạt động nhanh<br /> cũng như số lượng và độ phức tạp ngày càng tăng<br /> chóng hơn cho các tập dữ liệu lớn, thứ rất phổ biến<br /> của dữ liệu (Brown-Liburd và Vasarhelyi, 2015).<br /> hiện nay. Thuật toán cơ bản cho k-means hoạt động<br /> Trong sự phát triển của dữ liệu lớn trong lĩnh như sau:<br /> vực kiểm toán, có một số rủi ro được xem là liên<br /> 1. Chọn số cụm, đặt là k.<br /> quan đến các vấn đề tính toán, phần cứng, phần<br /> mềm, chuyên môn, giáo dục và đào tạo. Hầu hết 2. Chọn k điểm làm trung tâm cụm (ví dụ: Các<br /> các nhà nghiên cứu đang tranh luận rằng các đối tượng k được chọn ngẫu nhiên từ tập dữ liệu).<br /> chuyên gia kiểm toán và cơ quan quản lý cần lưu 3. Gán từng đối tượng cho trung tâm cụm gần<br /> ý về tác động của dữ liệu lớn đối với kiểm toán nhất.<br /> (Brown-Liburd và Vasarhelyi, 2015). Sự phát triển<br /> 4. Tính toán lại trung tâm cụm mới.<br /> của dữ liệu lớn cũng đã thúc đẩy đổi mới công nghệ<br /> và phát sinh thêm những nhận thức mới về lợi ích 5. Lặp lại bước 3 và 4 cho đến khi tiêu chí hội<br /> và mối đe dọa của nó trong gần như mọi khía cạnh tụ được đáp ứng (ví dụ: Việc gán đối tượng cho các<br /> <br /> 14 Số 142 - tháng 8/2019 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> cụm không còn thay đổi qua nhiều lần lặp) hoặc gian con của các sự kiện, nó tương ứng với một vấn<br /> đạt được số lần lặp tối đa. đề con của sự phân lớp. Các cây quyết định được<br /> Thuật toán k-means có thể tận dụng sự song dùng để hỗ trợ quá trình ra quyết định kinh doanh.<br /> song dữ liệu. Khi các đối tượng dữ liệu được phân Một cách tổng thể, cây quyết định có các tính<br /> phối cho mỗi bộ xử lý, bước 3 có thể được song chất sau:<br /> song dễ dàng bằng cách thực hiện việc gán từng đối<br /> • Mỗi nút trong (internal node) biểu diễn một<br /> tượng vào cụm gần nhất song song. Để cập nhật các<br /> thuộc tính cần kiểm tra giá trị (attribute to be<br /> trung tâm cụm tại mỗi nút cho mỗi lần lặp, thông<br /> tested) đối với các các tập thuộc tính.<br /> tin liên lạc của trung tâm cụm thông tin giữa các<br /> nút cũng có thể được thêm vào trong bước 2 và 4. • Nút lá (leaf node) hay còn gọi là nút trả lời biểu<br /> thị cho một lớp các trường hợp mà nhãn của nó là<br /> 2.2. Decision tree (cây quyết định)<br /> tên của lớp, nó biểu diễn một lớp (a classififcation).<br /> Thuật toán cây quyết định là công cụ được dùng<br /> • Nút nhánh (branch) từ một nút sẽ tương ứng<br /> để phân lớp dữ liệu, mỗi cây quyết định tượng trưng<br /> với một giá trị có thể của thuộc tính gắn với nút đó.<br /> cho một sự quyết định của một lớp các dữ kiện nào<br /> đó. Mỗi nút trong cây là tên của một lớp hay một • Nhãn (lable) của nút này là tên của thuộc<br /> phép thử thuộc tính cụ thể nào đó, phép thử này tính và có một nhánh nối nút này đến các cây con<br /> phân chia không gian trạng thái các dữ kiện tại nút ứng với mỗi kết quả có thể có phép thử. Nhãn của<br /> đó thành các kết quả có thể đạt được của phép thử. nhánh này là các giá trị của thuộc tính đó. Nút trên<br /> Mỗi tập con được phân chia của phép thử là không cùng gọi là nút gốc.<br /> <br /> <br /> Sơ đồ 1: Mô hình cây quyết định cho vay<br /> <br /> <br /> <br /> <br /> 2.3. Artificial Neuron Network (ANN) nơron được gắn kết để xử lý thông tin. ANN giống<br /> như bộ não con người, được học bởi kinh nghiệm<br /> Artificial Neural Network (ANN), hay còn gọi<br /> (thông qua huấn luyện), có khả năng lưu giữ những<br /> là mạng nơron nhân tạo, là mô hình xử lý thông tin kinh nghiệm hiểu biết (tri thức) và sử dụng những<br /> được mô phỏng dựa trên hoạt động của hệ thống tri thức đó trong việc dự đoán các dữ liệu chưa biết<br /> thần kinh của sinh vật, bao gồm số lượng lớn các (unseen data).<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 142 - tháng 8/2019 15<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> <br /> Sơ đồ 2: Cấu trúc tổng quát của một ANN<br /> <br /> <br /> <br /> <br /> Cấu trúc tổng quát của một ANN gồm 3 thành Bước 1: Lập kế hoạch cho phép phân tích.<br /> phần đó là: Input Layer, Hidden Layer và Output<br /> • Xác định các khoản mục, tài khoản, thuyết<br /> Layer. Trong đó, lớp ẩn (Hidden Layer) gồm các<br /> minh, và các cơ sở dẫn liệu liên quan, đồng thời<br /> Nơron nhận dữ liệu input từ các Nơron ở lớp<br /> xác định bản chất, thời gian và mức độ của tổng thể<br /> (Layer) trước đó và chuyển đổi các input này cho<br /> mà kiểm toán viên sẽ phân tích;<br /> các lớp xử lý tiếp theo. Trong một ANN có thể có<br /> nhiều lớp ẩn. Trong đó, các Processing Elements • Xác định mục đích chung của việc phân tích<br /> (PE) của ANN gọi là Nơron, mỗi Nơron nhận các dữ liệu;<br /> dữ liệu vào (Inputs) xử lý chúng và cho ra một • Xác định các mục tiêu cụ thể của việc phân<br /> kết quả (Output) duy nhất. Kết quả xử lý của một tích dữ liệu;<br /> Nơron có thể làm Input cho các Nơron khác.<br /> • Xác định tổng thể dữ liệu sẽ được phân tích<br /> 3. Ứng dụng phân tích dữ liệu vào thủ tục hoặc kiểm tra, bao gồm cho mục đích lập kế hoạch,<br /> đánh giá rủi ro xem xét sơ bộ các vấn đề có thể ảnh hưởng đến sự<br /> 3.1. Khái niệm thủ tục đánh giá rủi ro liên quan, tính sẵn có và độ tin cậy của dữ liệu;<br /> Thủ tục đánh giá rủi ro là thủ tục kiểm toán • Chọn phép phân tích dữ liệu phù hợp mục<br /> được thực hiện để thu thập các hiểu biết về đơn vị đích cũng như các kỹ thuật, công cụ, loại bảng biểu<br /> được kiểm toán và môi trường của đơn vị, trong đó sẽ được sử dụng.<br /> có kiểm soát nội bộ, nhằm xác định và đánh giá rủi<br /> Bước 2: Truy cập và chuẩn bị dữ liệu cho phép<br /> ro có sai sót trọng yếu do gian lận hoặc nhầm lẫn ở<br /> phân tích.<br /> cấp độ báo cáo tài chính hoặc cấp độ cơ sở dẫn liệu.<br /> Bước 3: Xem xét sự liên quan và độ tin cậy của<br /> 3.2. Trình tự thực hiện thủ tục đánh giá rủi ro<br /> dữ liệu được sử dụng.<br /> bằng phân tích dữ liệu<br /> Bước 4: Thực hiện phép phân tích.<br /> Sau đây là năm bước cơ bản và các thủ tục liên<br /> quan có thể được sử dụng trong việc lập kế hoạch, • Nếu kết quả ban đầu của phép phân tích cho<br /> thực hiện và đánh giá kết quả của một phép phân thấy việc thiết kế hoặc hiệu quả của nó cần phải<br /> tích dữ liệu được sử dụng khi xác định và đánh giá được sửa đổi thì phải điều chỉnh lại và thực hiện<br /> rủi ro của sai sót trọng yếu. lại phân tích.<br /> <br /> 16 Số 142 - tháng 8/2019 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> • Nếu kiểm toán viên kết luận rằng phép phân • Các ngành nghề, quy định liên quan và các yếu<br /> tích đã được thiết kế và thực hiện phù hợp và phép tố bên ngoài;<br /> phân tích đã xác định được các khoản mục cần • Bản chất của doanh nghiệp, bao gồm cả quá<br /> được xem xét, thì việc lập kế hoạch và thực hiện trình hoạt động sản xuất kinh doanh;<br /> các thủ tục bổ sung cho các khoản mục đó cần phù<br /> • Việc áp dụng các chính sách kế toán của doanh<br /> hợp với mục tiêu của phép phân tích.<br /> nghiệp;<br /> Bước 5: Đánh giá kết quả và kết luận về mục<br /> • Mục tiêu và chiến lược của đơn vị;<br /> đích và mục tiêu cụ thể của việc thực hiện phép<br /> phân tích đã đạt được hay chưa. • Việc đo lường và xem xét hiệu suất tài chính<br /> của doanh nghiệp;<br /> Nếu các mục tiêu chưa đạt được, kiểm toán viên<br /> • Kiểm soát nội bộ liên quan đến cuộc kiểm toán.<br /> cần lập kế hoạch và thực hiện các thủ tục thay thế<br /> để đạt được các mục tiêu đó. ▶ Thực hiện phép phân tích<br /> <br /> ▶ Xác định mục tiêu phân tích Sử dụng phép phân tích trong việc thực hiện<br /> thủ tục đánh giá rủi ro có thể giúp xác định được<br /> Mục tiêu của phép phân tích có thể là xác định<br /> một hoặc nhiều khoản mục đáng chú ý. Một khoản<br /> và đánh giá rủi ro có sai sót trọng yếu đối với một<br /> mục đáng chú ý là một khoản mục được xác định<br /> hoặc nhiều cơ sở dẫn liệu có liên quan đến một<br /> từ tổng thể được phân tích, có một hoặc nhiều đặc<br /> nhóm các giao dịch, số dư tài khoản, thuyết minh điểm như sau:<br /> hoặc có thể để xác định một điều kiện hoặc sự kiện<br /> • Chỉ ra được rủi ro có sai sót trọng yếu mà:<br /> cho thấy sự tồn tại của rủi ro co sai sót trọng yếu.<br /> Tuy nhiên, cũng có thể từ kết quả của việc thực - Trước đây không được xác định (rủi ro mới) hoặc;<br /> hiện phép phân tích, kiểm toán viên có thể kết luận - Mức độ sai sót cao hơn đánh giá ban đầu của<br /> rằng rủi ro chưa đạt tới ngưỡng được xem là rủi ro kiểm toán viên.<br /> có sai sót trọng yếu.<br /> • Cung cấp thông tin hữu ích trong việc thiết kế<br /> Các mục tiêu cụ thể cũng có thể bị ảnh hưởng bởi hoặc chỉnh sửa các thủ tục để giải quyết các rủi ro<br /> nhiều khía cạnh của doanh nghiệp, chẳng hạn như: có sai sót trọng yếu.<br /> <br /> Sơ đồ 3: Quy trình xác định các khoản mục đáng chú ý<br /> <br /> <br /> <br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 142 - tháng 8/2019 17<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> Đây là một quá trình lặp đi lặp lại, nghĩa là quá đình công và chỉ bắt đầu phục hồi trong quý cuối<br /> trình chỉ hoàn thiện cho đến khi kiểm toán viên cùng của năm. Ngoài ra, liên quan đến các loại sản<br /> quyết định rằng phép phân tích không cần cải tiến phẩm, kiểm toán viên được thông báo rằng một<br /> thêm nữa để đạt được các mục tiêu. máy in mới (loại H) được đưa vào sản xuất vào đầu<br /> năm và nhanh chóng trở thành sản phẩm bán chạy<br /> Một phép phân tích được lên kế hoạch và thực<br /> nhất của công ty. Dựa trên thông tin này, kiểm toán<br /> hiện phù hợp có thể xác định ra một số lượng nhỏ<br /> viên dự đoán các loại máy in khác sẽ bị giảm doanh<br /> các mặt khoản mục đáng chú ý. Tuy nhiên, cũng có<br /> số. Việc giảm doanh số này làm tăng rủi ro bị lỗi<br /> trường hợp trong đó một số lượng lớn các khoản<br /> thời và định giá cao quá mức của hàng tồn kho.<br /> mục này được xác định. Đối với một số cuộc kiểm<br /> Kiểm toán viên cũng đã xem xét rủi ro của các điều<br /> toán, các khoản mục đáng chú ý có thể lên tới hàng<br /> khoản bảo hành có thể xảy ra đối với việc cung cấp<br /> trăm hoặc thậm chí hàng nghìn. Lúc này, việc sử<br /> bảo hành cho loại máy in mới này.<br /> dụng thêm các phép phân tích là cần thiết để giải<br /> quyết các mục đáng chú ý được xác định. Kiểm toán Phép phân tích này sẽ cung cấp thông tin liên<br /> viên cũng có thể quyết định áp dụng kỹ thuật phân quan để đánh giá và xử lý với các rủi ro có sai sót<br /> tích clustering (phân cụm) và k-means khi một trọng yếu liên quan đến các cơ sở dẫn liệu phát sinh,<br /> số lượng lớn các khoản mục đáng chú ý được xác đầy đủ và chính xác của doanh thu. Ngoài ra, kiểm<br /> định, và những khoản mục này có nhiều đặc điểm toán viên cho rằng việc giảm đáng kể số lượng bán<br /> đa dạng. Việc áp dụng kỹ thuật clustering hoặc của vài loại máy có thể là dấu hiệu của các vấn đề<br /> k-means sẽ giúp phân bổ các khoản mục này thành tiềm ẩn liên quan đến định giá hàng tồn kho (nghĩa<br /> từng cụm có những đặc điểm chung nhất định, giúp là có vấn đề trong việc lập dự phòng giảm giá hàng<br /> giảm thiểu số biến và giúp kiểm toán viên dễ dàng tồn kho) hoặc là sự đầy đủ của khoản lập dự phòng<br /> hơn khi xác định trong số các khoản mục đáng chú nếu việc giảm hụt doanh thu có liên quan tới chất<br /> ý đó, đâu mới là rủi ro mới hoặc cung cấp cho kiểm lượng sản phẩm.<br /> toán viên thông tin hữu ích để điều chỉnh hoặc thiết ▶ Truy cập và chuẩn bị dữ liệu cho phép phân tích<br /> kế các thủ tục kiểm toán tiếp theo.<br /> Dữ liệu được sử dụng cho phép phân tích này<br /> 3.3. Minh họa trường hợp công ty thuộc lĩnh bao gồm số tiền được ghi nhận trong năm hiện tại<br /> vực sản xuất và ba năm trước đó liên quan đến việc bán các loại<br /> Trong ví dụ này, báo cáo tài chính đang được máy in của công ty. Đối với năm hiện tại, sử dụng<br /> kiểm toán là của một công ty sản xuất chín loại máy dữ liệu bán hàng hàng quý. Số lượng máy bán ra<br /> in thương mại. Doanh thu hàng năm khoảng 25 cho từng loại máy in được lấy từ cơ sở dữ liệu của<br /> triệu đô la. Đây là năm thứ tư kiểm toán viên thực công ty. Các dữ liệu được truy cập bằng phần mềm<br /> hiện hợp đồng với khách hàng. kiểm toán.<br /> <br /> ▶ Lập kế hoạch cho phép phân tích ▶ Thực hiện phép phân tích<br /> <br /> Mục tiêu của phép phân tích này là giúp kiểm Kiểm toán viên quyết định sẽ sử dụng kỹ thuật<br /> toán viên xác định xem có bất kỳ thay đổi bất phân tích k-means, clustering để phân cụm dữ liệu<br /> thường nào về doanh số từ những năm trước hoặc doanh thu và thể hiện kết quả phân tích một cách<br /> có xu hướng khác về doanh thu từ việc bán máy in trực quan bằng 3 biểu đồ:<br /> thương mại có thể ảnh hưởng đến rủi ro có sai sót • Một hình ảnh biểu thị doanh số hàng quý<br /> trọng yếu. trong bốn năm qua để quan sát xem có bất kỳ biến<br /> Kiểm toán viên đã biết về một cuộc đình công động bất thường hay xu hướng mới trong doanh<br /> lớn đã xảy ra tại nhà máy Michigan của công ty thu bán hàng;<br /> trong năm. Việc thực hiện phỏng vấn đã khẳng • Một hình ảnh biểu thị xu hướng bán hàng của<br /> định rằng doanh số đã giảm đáng kể là do cuộc từng loại máy in.<br /> <br /> 18 Số 142 - tháng 8/2019 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> Biểu đồ 1: Doanh thu bán hàng theo quý từ 2012 đến 2015<br /> <br /> <br /> <br /> <br /> Biểu đồ 2: Số lượng máy bán ra theo từng loại<br /> <br /> <br /> <br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 142 - tháng 8/2019 19<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> <br /> Biểu đồ 3: Số lượng máy bán ra theo từng loại và năm<br /> <br /> <br /> <br /> <br /> Biểu đồ 1 cho thấy doanh thu bán hàng theo quý hướng bán hàng so với các năm trước. Kết quả<br /> cho năm hiện tại và ba năm trước đó. Công ty bắt phân tích cũng xác nhận các đánh giá rủi ro ban<br /> đầu hoạt động vào quý 2 năm 2012. Theo kì vọng đầu của kiểm toán viên liên quan đến cơ sở dẫn<br /> của kiểm toán viên từ thông tin thu thập trước khi liệu phát sinh, đầy đủ và chính xác của doanh thu.<br /> thực hiện phân tích, do kết quả của cuộc đình công Dấu hiệu giảm đáng kể về số lượng bán của các loại<br /> lao động kéo dài, doanh thu bán hàng cho mỗi quý máy in cụ thể đã khẳng định rằng có khả năng cao<br /> của năm hiện tại thấp hơn so với các năm trước. là công ty đã định giá hàng cao các máy in cũ và do<br /> Mãi đến quý 4, doanh số bắt đầu đạt đến mức của đó, kiểm toán viên đã lên kế hoạch cho các thủ tục<br /> năm ngoái. tiếp theo để xử lí với rủi ro này. Kết quả của phép<br /> phân tích cũng cho thấy không cần phải sửa đổi thủ<br /> Sơ đồ 2 và 3 trình bày số lượng sản phẩm bán<br /> tục kiểm toán do phát hiện rủi ro liên quan đến dự<br /> ra theo loại máy in. Thông tin thu được từ phép<br /> phòng bảo hành sản phẩm. Vì vậy, kiểm toán viên<br /> phân tích phù hợp với thông tin mà kiểm toán viên<br /> kết luận rằng đã đạt được các mục tiêu đặt ra cho<br /> thu được khi phỏng vấn ban quản lý. Ví dụ như<br /> thủ tục đánh giá rủi ro này.<br /> không có doanh số của máy in D trong năm hiện<br /> tại (vì loại này đã ngừng sản xuất vào năm 2013). 4. Kết luận<br /> Đúng như dự đoán, trong năm 2015, loại máy in<br /> Phân tích dữ liệu lớn được mô tả như một tập<br /> mới (H) trở thành sản phẩm bán chạy nhất. Doanh<br /> hợp các công cụ phân tích sử dụng thuật toán dựa<br /> số của máy in F đã tăng lên trong năm 2013 và 2014<br /> trên các mô hình thống kê để khám phá các mô<br /> bởi vì tại thời điểm đó, nó có những tiến bộ công<br /> hình hành vi, sự bất thường và xu hướng trong các<br /> nghệ vượt trội thu hút được nhiều khách hàng. Tuy<br /> dữ liệu lớn có cấu trúc hoặc phi cấu trúc.<br /> nhiên, sự ra đời của máy in H đã khiến máy in F<br /> mất đi nhiều sức hút ban đầu. Lợi ích của việc triển khai thành công công<br /> nghệ phân tích dữ liệu lớn có thể dẫn đến tăng hiệu<br /> ▶ Đánh giá kết quả<br /> suất, hiệu quả và chất lượng của cuộc kiểm toán.<br /> Việc áp dụng phép phân tích này đã xác nhận Các rủi ro được chia thành các rủi ro liên quan đến<br /> những thay đổi mà kiểm toán viên dự đoán về xu dữ liệu; rủi ro bảo mật, quyền riêng tư và tính tuân<br /> <br /> 20 Số 142 - tháng 8/2019 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> thủ; và rủi ro liên quan đến hành vi và kỹ năng. 9. Dean, J. (2014). Big data, data mining,<br /> Cách tiếp cận đúng đắn để đánh giá và quản lý rủi and machine learning: value creation for<br /> ro là vô cùng cần thiết để giảm thiểu và ngăn chặn business leaders and practitioners. John<br /> Wiley & Sons;<br /> những mối đe dọa đó. Do đó, mục tiêu đặt ra là xây<br /> dựng một bộ quy tắc ứng xử, quy định và hướng 10. Dzuranin, A. C., & Mălăescu, I. (2015).<br /> The current state and future direction of<br /> dẫn thực hành tốt nhất liên quan đến việc sử dụng<br /> IT audit: Challenges and opportunities.<br /> công nghệ phân tích dữ liệu lớn. Ngoài ra, để áp Journal of Information Systems, 30(1),<br /> dụng thành công công nghệ tiên tiến này, cơ quan 7-20;<br /> quản lý, công ty kiểm toán và cả kiểm toán viên còn 11. <br /> Global Technology Audit Guide (2017).<br /> cần phải tích cực cải thiện về mặt giáo dục, kiến Understanding and Auditing Big Data;<br /> thức, kĩ năng để sẵn sàng đón nhận làn sóng mới 12. Hodge, M. H., & Reid, L. S. (1971). The<br /> này trong lĩnh vực kiểm toán và dịch vụ đảm bảo influence of similarity between relevant<br /> trong tương lai gần. and irrelevant information upon a<br /> complex identification task. Perception &<br /> TÀI LIỆU THAM KHẢO Psychophysics, 10(4), 193-196;<br /> 1. Alles, M. G. (2015). Drivers of the use and 13. IAASB, D. (2016). Exploring the Growing<br /> facilitators and obstacles of the evolution of Use of Technology in the Audit, with a focus<br /> Big Data by the audit profession. Accounting on data analytics. Exploring the Growing<br /> Horizons, 29(2), 439-449; Use of Technology in the Audit, with a focus<br /> on data analytics;<br /> 2. American Institute of Certified Public<br /> Accountants. (2017). Guide to audit data 14. Issa, H., & Kogan, A. (2013). A Predictive<br /> Ordered Logistic Regression Model for<br /> analytics. American Institute of Certified<br /> Quality Review of Control Risk Assessments.<br /> Public Accountants;<br /> Working paper, Rutgers Accounting,<br /> 3. Brown-Liburd, H., & Vasarhelyi, M. A. Research Center;<br /> (2015). Big Data and audit evidence.<br /> 15. KPMG (2017). Audit 2025, the future is<br /> Journal of Emerging Technologies in<br /> now; Forbes insights (March). Available at:,<br /> Accounting, 12(1), 1-16;<br /> https://assets.kpmg/content/dam/kpmg/us/<br /> 4. Brown-Liburd, H., Issa, H., & Lombardi, pdf/2017/03/us-audit-2025-final report.<br /> D. (2015). Behavioral implications of pdf;<br /> Big Data’s impact on audit judgment<br /> 16. Mohanty, S., Jagadeesh, M., & Srivatsa, H.<br /> and decision making and future research<br /> (2013). Big data imperatives: Enterprise<br /> directions. Accounting Horizons, 29(2),<br /> ‘Big Data’ warehouse, ‘BI’ implementations<br /> 451-468;<br /> and analytics. Apress;<br /> 5. Byrnes, P., Criste, T., Stewart, T., &<br /> 17. Tang, X., & Kostic, N. (2017). The future<br /> Vasarhelyi, M. (2014). Reimagining<br /> of audit: Examining the opportunities and<br /> auditing in a wired world. AICPA White<br /> challenges stemming from the use of Big<br /> Paper, 11; Data Analytics and Blockchain technology<br /> 6. Cao, M., Chychyla, R., & Stewart, T. in audit practice;<br /> (2015). Big Data analytics in financial 18. Vasarhelyi, M. A., Kogan, A., & Tuttle,<br /> statement audits. Accounting Horizons, B. M. (2015). Big Data in accounting: An<br /> 29(2), 423-429; overview. Accounting Horizons, 29(2),<br /> 7. Dai, J., & Vasarhelyi, M. A. (2016). 381-396.<br /> Imagineering Audit 4.0. Journal of Emerging<br /> Technologies in Accounting, 13(1), 1-15;<br /> 8. Davis, K. (2012). Ethics of Big Data:<br /> Balancing risk and innovation. “O’Reilly<br /> Media, Inc.”; Ngày nhận bài: 25/05/2019<br /> Ngày duyệt đăng: 30/05/2019<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 142 - tháng 8/2019 21<br />
ADSENSE
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2