MÔN lý THUYẾT KIỂM TOÁN CHƯƠNG 11 báo cáo và QUẢN lý SAU KIỂM TOÁN

kiểm toán là do lịch sử của các công ty tương tự như công ty khách hàng X với các điều kiện tương tự đã nhận được ý kiến bất lợi hoặc đủ tiêu chuẩn do đó, dựa trên các điều kiện của công

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

MÔN: LÝ THUYẾT KIỂM TOÁN

CHƯƠNG 11: BÁO CÁO VÀ QUẢN LÝ

SAU KIỂM TOÁN

Giảng viên hướng dẫn: Nguyễn Vĩnh Khương

Thành phố Hồ Chí Minh, tháng 12 năm 2021

MỤC LỤC

CHƯƠNG 11 BÁO CÁO VÀ QUẢN LÝ SAU KIỂM TOÁN 1

1.1 Phát hiện ý kiến kiểm toán 1

1.2 Quản lý sau kiểm toán 3

1.2.1 Hệ thống công ty kiểm toán 3

1.2.2 Hệ thống khách hàng 6

1.3 Mô hình kinh doanh của các công ty kiểm toán 7

1.4 Những thách thức trong việc đạt được sự phát triển 9

1.5 Xây dựng kiến trúc nội bộ cho một công ty kiểm toán (hay kiểm toán nội bộ) 11 1.6 Một vài điều quan trọng cần xem xét 12

TÀI LIỆU THAM KHẢO 14

DANH MỤC HÌNH ẢN

Hình 11.1: Kiểm toán tự động 1

Hình 11.2: Lớp dữ liệu 4

Hình 11.3: Models and Maturity 8

Hình 11.4: Bốn lớp cho kỷ nguyên trí tuệ nhân tạo 11

CHƯƠNG 11 BÁO CÁO VÀ QUẢN LÝ SAU KIỂM TOÁN

Chúng ta sẽ kết thúc phần tự động kiểm toán với một cuộc thảo luận ngắn gọn về phát hiện và dự đoán ý kiến kiểm toán và sau đó sẽ trình bày sâu hơn về quản lý giá trị sau kiểm toán

Hình 11.1: Kiểm toán tự động

Khi kiểm toán viên thu thập và kiểm tra bằng chứng của họ, bước cuối cùng của kiểm toán truyền thống là đưa ra ý kiến Ý kiến này tóm tắt các phát hiện liên quan đến khả năng có sai sót trọng yếu trong báo cáo tài chính Ý kiến được ban hành thường phụ thuộc vào một số yếu tố và bao gồm kết quả của các hoạt động liên quan đến kiểm soát nội bộ và thử nghiệm cơ bản Ngay cả khi ý kiến kiểm toán là trong sạch (không đủ tiêu chuẩn), các vấn đề kiểm toán trọng yếu và thông tin về đoàn kiểm toán có thể được tiết

lộ Các vấn đề kiểm toán trọng yếu có thể bao gồm các lĩnh vực mà kiểm toán viên phải

sử dụng xét đoán chủ quan hoặc phức tạp trong các lĩnh vực tài khoản hoặc thuyết minh

có ý nghĩa quan trọng đối với công ty (AS 3101)

Một số câu hỏi chính cần xem xét là:

Có thể dự đoán được ý kiến kiểm toán nên / có thể như thế nào mà không cần trải qua toàn bộ quá trình thu thập bằng chứng không?

Nếu có, một số cách mà chúng ta có thể sử dụng trí tuệ nhân tạo (AI) để làm điều

đó là gì?

Thông tin đó có thể giúp gì trong việc điều chỉnh kế hoạch kiểm toán không?

1.1 Phát hiện ý kiến kiểm toán

Việc có thể xác định xem một ý kiến kiểm toán là đủ tiêu chuẩn (ý kiến bất lợi) hay không đủ tiêu chuẩn từ các dữ liệu tài chính và dữ liệu khác trong quá khứ là một yếu tố dự báo mạnh mẽ để dự báo các ý kiến trong tương lai Phát hiện ý kiến là một lĩnh vực nghiên cứu đang diễn ra Khái niệm chung đằng sau việc phát hiện ý kiến

kiểm toán là do lịch sử của các công ty tương tự như công ty khách hàng X với các điều kiện tương tự đã nhận được ý kiến bất lợi hoặc đủ tiêu chuẩn do đó, dựa trên các điều kiện của công ty khách hàng X, có nhiều khả năng xảy ra ý kiến bất lợi hoặc đủ tiêu chuẩn Cách tiếp cận hoặc mô hình rõ ràng là sử dụng một số giá trị hoặc thước đo số của “điều kiện” và sau đó cố gắng dự đoán ý kiến được phân loại giữa bất lợi hoặc đủ tiêu chuẩn và không đủ tiêu chuẩn Do đó, bài tập phân loại này lấy các tính năng đầu vào và cố gắng đưa ra biến mục tiêu đủ tiêu chuẩn hoặc không đủ tiêu chuẩn Tất nhiên, thách thức từ góc độ AI đặt ra những câu hỏi sau:

Những “điều kiện” (tính năng đầu vào) nào nên được bao gồm?

Những mô hình nào nên được sử dụng?

Biến mục tiêu là gì?

Làm thế nào để chúng ta sử dụng thông tin này?

Năm 2007, các nhà nghiên cứu đã lấy dữ liệu từ cơ sở dữ liệu của Vương quốc Anh và Ireland được gọi là Cơ sở dữ liệu FAME (Phân tích tài chính dễ dàng thực hiện)

và cố gắng dự đoán ý kiến kiểm toán (Kirkos và cộng sự, 2007) Cơ sở dữ liệu chứa các

ý kiến kiểm toán nhưng không nêu rõ lý do tại sao các ý kiến bất lợi / không đủ tiêu chuẩn được đưa ra Họ đã thực hiện các điều chỉnh trong dữ liệu để đảm bảo rằng các yếu tố kinh tế vĩ

mô hoặc nhiều sự kiện xảy ra của cùng một công ty không gây ra sự sai lệch Sử dụng 26 biến đầu vào chủ yếu là tỷ số tài chính, họ đã sử dụng ba phương pháp để phát hiện ý kiến Kirkos và cộng

sự (2007) đã sử dụng Cây quyết định, mạng niềm tin Bayes và mạng nơ-ron để dự đoán kết quả đầu ra Các kết quả thu được đầy hứa hẹn vì chúng có thể đạt được độ chính xác từ trung bình đến cao trên cả ba phương pháp

Lưu ý rằng trong khi họ sử dụng các tỷ số tài chính làm đầu vào, có thể sử dụng dữ liệu có cấu trúc và dữ liệu phi cấu trúc bổ sung (ví dụ: dữ liệu văn bản từ 10k hồ sơ) để đánh giá kết quả dự đoán Sử dụng kết hợp dữ liệu tài chính và phi tài chính (ví dụ: xếp hạng tín dụng, liệu một công ty kiểm toán lớn có tham gia hay không), các nhà nghiên cứu

đã dự đoán thành công các ý kiến kiểm toán (Gaganis và cộng sự, 2007) bằng cách sử dụng mạng nơ-ron xác suất Phát hiện ý kiến cũng đã được áp dụng trong khu vực công và các phương pháp khác đã được sử dụng; xem Arianto và cộng sự (2017)

Cuối cùng, chúng ta sử dụng thông tin dự đoán ý kiến như thế nào? Đây là thông tin có giá trị cao cho việc lập kế hoạch kiểm toán Nó có thể giới thiệu thêm một lớp thận trọng nhưng cũng là một cách mới để đánh giá rủi ro Nó cho bạn một trực giác rằng điều gì đó có thể không đúng Tuy nhiên, điều quan trọng là kiểm toán viên phải hiểu rằng nhiều yếu tố có thể ảnh hưởng đến hoạt động kinh doanh và dự báo ý kiến kiểm toán có thể có sự sai lệch đáng kể Hãy sử dụng nó một cách thận trọng, nhưng tốt nhất bạn nên bắt đầu kiểm toán với nó

Tuy nhiên, điều quan trọng là một kiểm toán viên đã tích lũy được bằng chứng nội bộ, việc sử dụng dữ liệu đó để dự đoán ý kiến kiểm toán có thể là một bài tập đáng được thực hiện

1.2 Quản lý sau kiểm toán

Không giống như trong các cuộc kiểm toán kế thừa, trong đó nhóm kiểm toán rời khỏi phân tích hàng ngày của khách hàng khi kết thúc kiểm toán, quá trình kiểm toán tự động liên tục và thông minh đòi hỏi sự quản lý liên tục Việc quản lý liên tục này xuất phát từ những điều sau:

Sử dụng các công cụ được triển khai để liên tục đánh giá và giám sát các rủi ro tiềm tàng

Sử dụng các công cụ được triển khai để liên tục đánh giá và giám sát các rủi ro kiểm soát

Sử dụng các công cụ được triển khai để thực hiện kiểm toán trong các lĩnh vực khác nhau (ví dụ: tiền mặt, các khoản phải thu)

Trong suốt cuốn sách này, chúng tôi đã không tách biệt việc triển khai khả năng ở khách hàng và ở công ty kiểm toán Tuy nhiên, khi chúng ta thảo luận về quản lý sau kiểm toán, việc phân biệt giữa hai phương pháp này là rất quan trọng

1.2.1 Hệ thống công ty kiểm toán

Việc triển khai các công cụ và hệ thống tự động hóa thông minh đòi hỏi phải phát triển các công cụ ở cả hai phía của kiểm toán Các công ty kiểm toán sẽ có cơ sở hạ tầng hệ thống tự động hóa thông minh của riêng họ và khách hàng sẽ có cơ sở hạ tầng của riêng họ Trước tiên chúng ta hãy phân chia các lĩnh vực khả năng và sau đó hiểu các vấn đề và sự trưởng thành của tự động hóa thông minh ở cả hai phía kiểm toán

Công ty kiểm toán sẽ cần phải có một chiến lược rõ ràng và xây dựng bốn loại khả năng:

Khả năng quản lý dữ liệu

Khả năng quét tiềm ẩn

Khả năng riêng cho khách hàng

Tiền xử lý dữ liệu

Khả năng quản lý dữ liệu

Các chương trình quản lý dữ liệu truyền thống bao gồm quản trị dữ liệu, chất lượng dữ liệu, quản lý siêu dữ liệu và quản lý dữ liệu tổng thể Những khả năng này là những yếu tố nền tảng quan trọng để cấu trúc nên một chương trình tự động hóa thông minh Quản trị dữ liệu bao gồm phát triển sự hiểu biết thấu đáo về dữ liệu mà doanh nghiệp có, xác định sự di chuyển của dữ liệu qua các hệ thống, biết dòng dữ liệu và phân loại dữ liệu Chất lượng dữ liệu đảm bảo rằng dữ liệu đáng tin cậy và chất lượng được sử dụng trên toàn doanh nghiệp Các yếu tố bao gồm trong chất lượng dữ liệu là tính đầy đủ, kịp thời, độ tin cậy, mức độ liên quan, khả năng sử dụng và rõ ràng Siêu

dữ liệu là dữ liệu về dữ liệu và rất quan trọng đối với quá trình khai thác Dữ liệu chính cung cấp một điểm tham chiếu duy nhất cho dữ liệu

Khả năng dữ liệu ngụ ý rằng công ty kiểm toán nên có dữ liệu quan tâm để phát triển khả năng tự động hóa Dữ liệu quan tâm bao gồm dữ liệu tài chính nhưng cũng có

dữ liệu phi cấu trúc bao gồm đồ họa, hình ảnh, video, tệp âm thanh, v.v Khi các công

ty kiểm toán bắt đầu phát triển các công cụ tự động hóa thông minh của mình, họ sẽ phải đảm bảo rằng họ phát triển một chiến lược rõ ràng để tìm nguồn và tổ chức dữ liệu Sẽ rất hữu ích khi tiếp cận các nguồn cung ứng dữ liệu bao gồm năm lớp khác nhau

Hình 11.2: Lớp dữ liệu

Lớp dữ liệu đầu tiên thuộc kiểu dữ liệu và nó chỉ đơn giản là phân loại giữa dữ liệu có cấu trúc và phi cấu trúc Dữ liệu có cấu trúc là những gì bạn thấy được sắp xếp gọn gàng trong các cột và hàng (ví dụ: bảng) và dữ liệu phi cấu trúc là dữ liệu thiếu cấu trúc và bao gồm video, hình ảnh, âm thanh, tệp văn bản, v.v

Thứ hai là tính khả dụng của dữ liệu và nó có ba lớp con có sẵn, tối và rỗng Dữ liệu có sẵn có thể sử dụng, có liên quan và có thể truy cập được Dữ liệu tối là dữ liệu mà công ty biết họ sở hữu và cần nhưng điều đó không dễ dàng truy cập Lớp

dữ liệu thứ ba là dữ liệu rỗng và nó đại diện cho dữ liệu mà công ty cần hoặc sẽ cần trong tương lai nhưng nó không sở hữu Công ty kiểm toán sẽ cần có khả năng xác định và trích xuất dữ liệu tối Quan trọng hơn, một công ty kiểm toán sẽ cần phải phát triển một chiến lược để tìm nguồn cung ứng dữ liệu mà họ cần nhưng không có Điều này có thể có nghĩa là mua dữ liệu đó từ các nguồn bên ngoài hoặc cài đặt cảm biến để công ty có thể bắt đầu thu thập dữ liệu

Lớp dữ liệu thứ ba dựa trên khả năng truy cập và được chia thành dữ liệu có thể truy cập nội bộ và dữ liệu có thể truy cập bên ngoài Điều quan trọng là xác định các nguồn dữ liệu bên ngoài và đánh giá độ tin cậy và chất lượng của cả dữ liệu

có nguồn gốc nội bộ và bên ngoài

Lớp dữ liệu thứ tư là dữ liệu chính và siêu dữ liệu Dữ liệu này cần được tổ chức, cấu trúc và phân loại

Lớp dữ liệu thứ năm là dữ liệu phân chia theo chức năng, chẳng hạn như dữ liệu tiếp thị, dữ liệu tài chính và dữ liệu hoạt động

Khả năng quét tiềm ẩn

Khả năng quét tiềm ẩn đề cập đến các công cụ được triển khai để quét thị trường, ngành công nghiệp và các công ty nhằm phát triển những hiểu biết sâu sắc về kinh doanh, quản lý, các yếu tố cạnh tranh và các vấn đề chiến lược khác Khả năng quét tiềm ẩn được sử dụng để lập kế hoạch kiểm toán nhưng cũng được sử dụng trong quản

lý bán hàng và quan hệ khách hàng

Khả năng riêng cho khách hàng

Khả năng dành riêng cho khách hàng (CSC) đề cập đến các khả năng liên quan đến các cam kết kiểm toán và được triển khai khi một cam kết bắt đầu Thông thường, những khả năng này có thể được xem như liên kết một đường truyền khái niệm với hệ thống khách hàng nơi dữ liệu có thể nhập vào hệ thống của công ty kiểm toán Hệ thống của công ty kiểm toán trở nên hoạt động ngay sau khi họ nhận được dữ liệu khách hàng

Cơ sở hạ tầng cho phép liên kết như vậy là rất có giá trị Việc triển khai điều này có thể

là tạm thời hoặc lâu dài Trong một thiết lập tạm thời, khách hàng sẽ ngắt kết nối đường truyền khi việc kiểm tra hoàn tất Trong một thiết lập lâu dài, liên kết đường truyền vẫn duy trì và cung cấp luồng dữ liệu liên tục vào công ty kiểm toán

Tiền xử lý dữ liệu

Như chúng ta đã đề cập trong Chương 5, tiền xử lý dữ liệu là một bước quan trọng đối với học máy và đây là khu vực cần nhiều thời gian Nhiều bước liên quan đến việc chuẩn bị dữ liệu để đưa vào một thuật toán Khu vực này cần được triển khai như một khu vực có khả năng và việc xử lý dữ liệu cần phải do các chuyên gia đảm nhận Các quy trình và cơ sở hạ tầng CNTT sẽ cần thiết cho cả hai phần gửi đến và gửi đi của dữ liệu Dữ liệu sẽ đến từ các nguồn khác nhau - bao gồm khách hàng, công ty kiểm toán hoặc các nguồn bên ngoài - và được nhận trong khu vực tiền xử lý dữ liệu Khi nguồn cấp dữ liệu đã sẵn sàng, nó sẽ được đưa vào thuật toán

1.2.2 Hệ thống khách hàng

Khi các hệ thống lấy AI làm trung tâm trở nên phổ biến hơn, sẽ cần có những thay đổi đáng kể từ phía khách hàng Khách hàng của bạn sẽ phải minh bạch và cởi mở hơn nhiều với các kiểm toán viên Việc kiểm toán sẽ trở nên xâm lấn và hệ thống khách hàng sẽ trở nên khó liên kết với hệ thống của công ty kiểm toán thông qua đường dẫn

dữ liệu Lưu ý rằng vì phạm vi kiểm toán hiện nay liên quan đến tự động

hồ dữ liệu hoặc môi trường dữ liệu lớn có cần thiết không? Nhiều khả năng là có, nhưng nó không có nghĩa là mọi phần tử dữ liệu đơn lẻ sẽ cần được đánh dấu trước khi

có thể sử dụng được Điều quan trọng là tự động hóa phải bắt đầu ngay cả khi một kho

dữ liệu đang được xây dựng hoặc không tồn tại Trong những tình huống đó, tự động hóa có thể được triển khai theo cách cũ (tức là thông qua truyền tệp) Với số lượng chia

sẻ dữ liệu sẽ diễn ra, sẽ tốt nhất nếu kiểm toán viên có quyền truy cập trực tiếp vào cả

dữ liệu và siêu dữ liệu

Cách tiếp cận xâm lấn chắc chắn sẽ dẫn đến một số phản ứng ở một số công ty nhất định, nhưng kiểm toán viên có trách nhiệm giải thích cho khách hàng về lợi ích của tự động hóa kiểm toán thông minh Một số khách hàng muốn có tất cả các công cụ kiểm toán trong môi trường của riêng họ Thay vì gửi dữ liệu cho công ty kiểm toán, những khách hàng đó sẽ chỉ muốn gửi các kết quả đầu ra của tự động hóa kiểm toán cho kiểm toán viên Trong trường hợp đó, công ty kiểm toán sẽ phải hiểu làm thế nào cải thiện hiệu suất của các công cụ thông minh được triển khai cho một chức năng cụ thể Nếu khách hàng không muốn chia sẻ dữ liệu có thể đến được môi trường của kiểm toán viên, thì mỗi trường hợp giải pháp thông minh sẽ chỉ nhận được sự học hỏi của nó

từ dữ liệu của khách hàng Nói cách khác, khách hàng sẽ đào tạo thuật toán chỉ sử dụng

dữ liệu của riêng họ thay vì tạo tác kiểm toán thông minh được triển khai tập trung tại công ty kiểm toán có thể nhận dữ liệu từ nhiều công ty để học tập Trong một vài trường hợp, không phải là một điều tệ khi có một giải pháp dành riêng cho khách hàng Đặc biệt, nếu các phân phối cơ bản của dữ liệu khác nhau đáng kể giữa các công ty, thì khả năng dự đoán của một cấu phần nhất định có thể không tối ưu cho một công ty nếu

nó được đào tạo trên các dữ liệu khác nhau Tương tự, một số khách hàng có thể cung cấp nhiều tính năng (dữ liệu đầu vào) hơn những người khác Tương tự như vậy, nếu một chiếc xe tự hành được huấn luyện trên một địa hình x nhất định trong khi nó sẽ được sử dụng ở địa hình y, và x và y là những địa hình rất khác nhau, sẽ không khôn ngoan khi triển khai chiếc xe ở địa hình y

1.3 Mô hình kinh doanh của các công ty kiểm toán

Với sự ra đời của trí tuệ nhân tạo AI, mô hình cung cấp dịch vụ của các công ty kiểm toán đang thay đổi nhanh chóng Hai biến số tác động đến mô hình kinh doanh của công ty kiểm toán Đầu tiên là khả năng kết nối và nó đo lường mức độ gắn kết

của công ty kiểm toán vào khách hàng Khả năng kết nối được mô tả bằng một phổ từ Limited (tương tự in vitro) đến Deep (tương tự in vivo) Được vay mượn từ sinh học, in vitro đề cập đến việc thực hiện một quy trình nhất định trong một môi trường được kiểm soát bên ngoài một sinh vật sống In vitro là tiếng Latinh có nghĩa là bên trong hoặc được bao bọc trong thủy tinh Chúng tôi gọi đó là Limited Connectivity (Khả năng kết nối có giới hạn), nơi một công ty kiểm toán đối xử với khách hàng như bên trong một chiếc hộp thủy tinh Ngược lại, in vivo trong tiếng Latinh có nghĩa là “bên trong cơ thể sống” và đề cập đến việc thử nghiệm bên trong toàn bộ cơ thể sống Chúng tôi gọi

nó là "Deep", trong đó Deep ngụ ý có quyền truy cập liên tục và không hạn chế vào dữ liệu Lưu ý rằng khái niệm "nhúng" không có nghĩa là nhúng chính trị hoặc xã hội có thể vi phạm tính độc lập Một lần nữa, nó đề cập đến việc có quyền truy cập liên tục và không hạn chế vào dữ liệu khách hàng

Biến số thứ hai là tự động hóa thông minh và nó đo lường ba yếu tố: mức độ tự động hóa của quy trình kiểm toán bởi một công ty, chất lượng tự động hóa và số lần triển khai thành công Chúng tôi có thể xác định ít nhất bốn mô hình dựa trên hai khả năng này

Hình 11.3: Models and Maturity

Legacy Manual Audits (Kiểm toán thủ công kế thừa): Công ty kiểm toán không đi sâu vào khách hàng cũng như không sử dụng các công nghệ tiên tiến

Legacy Embedded: Công ty kiểm toán được nhúng sâu và có quyền truy cập vào

dữ liệu nhưng không tích cực sử dụng tự động hóa thông minh