Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán

Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán Sử dụng Khoa học dữ liệu để tối ưu hóa quy trình Kiểm toán

Sử dụng Khoa học Dữ liệu để Tối Ưu Hóa Quy

trình Kiểm toán

Mai Kiều Trang Trường đại học Kinh tế thành phố Hồ Chí Minh Tóm tắt

Sử dụng khoa học dữ liệu để tối ưu hóa quy trình kiểm toán là một xu hướng đang ngày càng phát triển trong lĩnh vực kiểm toán và tài chính Bằng cách áp dụng các phương pháp và công nghệ của khoa học dữ liệu, các công ty kiểm toán có thể cải thiện hiệu suất, chính xác và hiệu quả của quy trình kiểm toán, từ việc thu thập dữ liệu đến phân tích và báo cáo kết quả Một trong những ứng dụng chính của khoa học dữ liệu trong kiểm toán là phân tích dữ liệu lớn để phát hiện

ra các mẫu không bình thường hoặc các giao dịch có nguy cơ Bằng cách sử dụng các thuật toán máy học và khai phá dữ liệu, các nhà kiểm toán có thể tự động xác định các điểm nổi bật, nghi ngờ hoặc tiềm ẩn trong dữ liệu tài chính, giúp họ tập trung vào các lĩnh vực có nguy cơ cao hơn và tối ưu hóa thời gian và nguồn lực Ngoài ra, khoa học dữ liệu cũng giúp tăng cường khả năng dự đoán trong kiểm toán Bằng cách phân tích lịch sử giao dịch và dữ liệu tài chính, các công

ty kiểm toán có thể dự đoán các rủi ro tiềm ẩn và đưa ra các biện pháp phòng ngừa trước khi chúng trở thành vấn đề nghiêm trọng

Từ khóa: Khoa học dữ liệu, tối ưu hóa quy trình, kiểm toán,

1 Giới thiệu

1.1 Giới thiệu về sự phát triển của khoa học dữ liệu và vai trò quan

trọng của nó trong các lĩnh vực khác nhau, bao gồm kiểm toán và tài chính

1.1.1 Sự phát triển của Khoa học Dữ liệu:

Khoa học dữ liệu (Data Science) là một lĩnh vực liên ngành kết hợp các kỹ thuật thống kê, toán học, khoa học máy tính và kỹ thuật thông tin để thu thập, xử lý, phân tích và giải thích dữ liệu nhằm trích xuất

thông tin hữu ích và đưa ra dự đoán Ngành khoa học dữ liệu phát triển mạnh mẽ trong những năm gần đây do sự gia tăng khổng lồ của lượng dữ liệu được tạo ra trong mọi lĩnh vực của đời sống

1.1.2 Vai trò quan trọng của Khoa học Dữ liệu:

Các công nghệ mới và dữ liệu lớn đang làm thay đổi các doanh nghiệp Các doanh nghiệp không chỉ cần thêm một vị trí nhân sự mới - Giám đốc Dữ liệu (Chief Data Officer/CDO), mà còn là việc đào tạo nhân viên, từ những nhân viên bình thường đến quản lí cấp cao nhất Thực tế đã làm thay đổi luật chơi, các công ty đang dần thích nghi với việc triển khai dự án về lĩnh vực khoa học dữ liệu nhưng không phải lúc nào cũng mang lại lợi ích thương mại, tuy nhiên, nó mang lại kết quả tích cực cho nhóm và các nhiệm vụ tiếp theo CDO là một trong những lãnh đạo hàng đầu của công ty, có rất nhiều vai trò: Chuyên gia về công nghệ tiên tiến, chiến lược kinh doanh và là người đưa

ra các ý tưởng liên quan đến việc sử dụng dữ liệu Họ cũng chịu trách nhiệm

về chất lượng và tính minh bạch của dữ liệu trước các cơ quan quản lí CDO xây dựng một chiến lược về phát triển năng lực phân tích dữ liệu của tổ chức

và những kĩ năng nào cần phát triển ở nhân viên Họ cũng kiểm soát hệ thống công nghệ của tổ chức, cho phép trích xuất, lưu trữ, xử lí và trực quan hóa

dữ liệu một cách hiệu quả

Khoa học dữ liệu đóng vai trò quan trọng trong nhiều lĩnh vực khác nhau, bao gồm:

• Kinh doanh: Các doanh nghiệp sử dụng khoa học dữ liệu để hiểu rõ

hơn về khách hàng, tối ưu hóa hoạt động, phát triển sản phẩm mới và đưa ra quyết định chiến lược hiệu quả

• Chăm sóc sức khỏe: Ngành y tế sử dụng khoa học dữ liệu để chẩn

đoán bệnh chính xác hơn, phát triển các phương pháp điều trị mới và

cá nhân hóa chăm sóc sức khỏe cho bệnh nhân

• Tài chính: Ngành tài chính sử dụng khoa học dữ liệu để đánh giá rủi

ro, phát triển các sản phẩm tài chính mới và phát hiện gian lận

• Kiểm toán: Ngành kiểm toán sử dụng khoa học dữ liệu để tự động

hóa các tác vụ thủ công, phát hiện gian lận và nâng cao chất lượng kiểm toán

• Chính phủ: Các cơ quan chính phủ sử dụng khoa học dữ liệu để cung

cấp các dịch vụ tốt hơn cho người dân, cải thiện cơ sở hạ tầng và đưa

ra các chính sách hiệu quả

1.1.3 Ứng dụng của Khoa học Dữ liệu trong Kiểm toán và Tài chính:

Khoa học dữ liệu mang lại nhiều lợi ích cho ngành kiểm toán và tài chính, bao gồm:

• Tự động hóa các tác vụ thủ công: Khoa học dữ liệu có thể tự động

hóa các tác vụ tẻ nhạt và tốn thời gian như thu thập, sắp xếp và phân tích dữ liệu, giải phóng thời gian cho các kiểm toán viên và nhà phân tích tài chính tập trung vào các công việc giá trị cao hơn

• Phát hiện gian lận: Khoa học dữ liệu cung cấp cho các kiểm toán

viên và nhà phân tích tài chính các công cụ mạnh mẽ để phát hiện các hành vi gian lận tiềm ẩn, ngay cả những hành vi tinh vi và khó phát hiện bằng các phương pháp truyền thống

• Đánh giá rủi ro: Khoa học dữ liệu giúp các nhà phân tích tài chính

đánh giá rủi ro một cách hiệu quả hơn, từ đó đưa ra các quyết định đầu tư sáng suốt hơn

• Tuân thủ quy định: Khoa học dữ liệu giúp các doanh nghiệp tuân

thủ các quy định phức tạp một cách hiệu quả hơn

• Cải thiện việc ra quyết định: Khoa học dữ liệu cung cấp cho các

kiểm toán viên và nhà phân tích tài chính thông tin chi tiết để đưa ra quyết định sáng suốt hơn dựa trên dữ liệu thay vì chỉ dựa trên trực giác

Nhìn chung, khoa học dữ liệu là một công cụ mạnh mẽ mang lại nhiều lợi ích cho các lĩnh vực kiểm toán và tài chính Việc ứng dụng khoa học dữ liệu một cách hiệu quả sẽ giúp nâng cao hiệu quả, chất lượng

và tính minh bạch trong các hoạt động kiểm toán và tài chính

1.2 Nhu cầu của các công ty kiểm toán trong việc áp dụng khoa học dữ liệu

Trong thời đại số hóa ngày nay, sự áp dụng của khoa học dữ liệu trong các lĩnh vực kinh doanh không còn là một lựa chọn mà là một yêu cầu cần thiết Trong lĩnh vực kiểm toán, nhu cầu ngày càng tăng của các công ty kiểm toán trong việc sử dụng khoa học dữ liệu để tối ưu hóa quy trình kiểm toán là không thể phủ nhận

Một trong những lý do chính cho sự tăng cường này là bởi vì môi trường kinh doanh ngày càng phức tạp và đa dạng Các doanh nghiệp đang phải đối mặt với nhiều thách thức về quản lý rủi ro, tuân thủ quy định và phát triển bền vững Trong khi đó, các quy trình kiểm toán truyền thống thường gặp khó khăn trong việc xử lý lượng dữ liệu lớn và tìm kiếm thông tin quan trọng từ các nguồn khác nhau

Bằng cách áp dụng khoa học dữ liệu, các công ty kiểm toán có thể tận dụng lượng dữ liệu lớn này để phát hiện ra các mẫu không bình thường, tiên đoán xu hướng tài chính

và tối ưu hóa quy trình kiểm toán Việc sử dụng các công nghệ và phương pháp tiên tiến như trí tuệ nhân tạo, học máy và khai phá dữ liệu giúp họ nhanh chóng phân tích

và rút ra những thông tin quan trọng từ dữ liệu phức tạp, từ đó tăng cường hiệu suất

và chính xác của quy trình kiểm toán

Ngoài ra, việc áp dụng khoa học dữ liệu cũng mang lại lợi ích về chi phí và thời gian Thay vì dựa vào các phương pháp kiểm toán truyền thống, mà thường đòi hỏi nhiều công sức và thời gian, việc sử dụng công nghệ dữ liệu có thể giảm thiểu thủ công và tối ưu hóa quy trình, giúp tiết kiệm chi phí và tăng cường khả năng cạnh tranh cho các công ty kiểm toán

Tóm lại, sự tăng cường nhu cầu của các công ty kiểm toán trong việc áp dụng khoa học dữ liệu để tối ưu hóa quy trình kiểm toán là không thể phủ nhận Đây không chỉ

là xu hướng mà còn là một yêu cầu cần thiết để nâng cao hiệu suất và đáp ứng được

sự phức tạp ngày càng tăng của môi trường kinh doanh hiện nay

2 Ưu điểm và sử dụng Khoa học dữ liệu trong kiểm toán

2.1 Ưu điểm

Việc ứng dụng dữ liệu lớn và phân tích dữ liệu trong kiểm toán BCTC có một số lợi ích như sau:

- Do khối lượng lớn và cơ sở thời gian thực, dữ liệu lớn có thể cho phép kiểm toán dựa trên tổng thể Kiểm toán được chuyển đổi sẽ mở rộng ra ngoài kiểm toán dựa trên chọn mẫu, do đó kiểm toán chuyển đổi sẽ bao gồm phân tích toàn

bộ dữ liệu liên quan đến kiểm toán (hoạt động giao dịch và dữ liệu tổng thể từ các quy trình kinh doanh chính), sử dụng phân tích thông minh để cung cấp bằng chứng kiểm toán với chất lượng cao hơn và thông tin chi tiết về DN phù hợp hơn Dữ liệu lớn và phân tích dữ liệu cho phép KTV xác định báo cáo tài chính, gian lận và rủi ro hoạt động kinh doanh tốt hơn Từ đó, điều chỉnh cách tiếp cận của họ để thực hiện một cuộc kiểm toán phù hợp hơn

- Một công dụng khác của dữ liệu lớn là nâng cao mức độ chính xác của dự đoán Mối quan hệ giữa hai hoặc nhiều khoản mục tài chính có thể được xác định một cách đáng tin cậy hơn từ thông tin chi tiết, theo thời gian thực Điều tương

tự cũng áp dụng cho việc dự đoán mối quan hệ giữa tài chính của một công ty

và mức trung bình của ngành Dữ liệu lớn cũng sẽ giúp việc phát hiện gian lận hiệu quả hơn, bằng cách tạo ra các kết nối giữa thông tin tài chính và phi tài chính Điều này đặc biệt liên quan đến việc giám sát quản lý và hội đồng quản trị

- KTV có thể đưa ra tư vấn và giải quyết các vấn đề cho chính đơn vị được kiểm toán vượt trên khả năng hiện tại, bằng cách sử dụng dữ liệu phi tài chính và dữ liệu bên ngoài (dữ liệu nguồn nhân lực, dữ liệu khách hàng, dữ liệu thị trường…) để cung cấp thông tin cho cuộc kiểm toán Bằng cách ứng dụng dữ liệu lớn, các dữ liệu phi tài chính có thể được sử dụng để xây dựng các mô hình

có thể dự đoán các sự kiện trong tương lai, chẳng hạn như các lỗi hoặc sai phạm trong các báo cáo… Từ việc đưa ra các mô hình dự đoán, các KTV có thể đưa

ra các kiến nghị, tư vấn cho đơn vị được kiểm toán, giúp đơn vị hoàn thiện cơ chế, chính sách hay khắc phục các vướng mắc, bất cập hiện tại

3 Thách thức và cơ hội khi ứng dụng khoa học dữ liệu

3.1 Thách thức

Mặc dù có nhiều lợi ích từ sử dụng dữ liệu lớn và phân tích dữ liệu trong kiểm toán, nhưng cũng có một số thách thức không nhỏ như sau:

- Tính khả dụng, tính phù hợp và tính trung thực của nguồn dữ liệu: Nhiều khách hàng có thể thiếu khả năng thu thập dữ liệu theo cách hữu ích cho KTV hoặc

dữ liệu khó có thể sử dụng được Hơn nữa, dữ liệu có thể được thu thập bởi khách hàng, nhưng không rõ mức độ KTV được truy cập và khả năng chia sẻ

từ khách hàng Đây là một nhược điểm tiềm ẩn trong việc khai thác dữ liệu để phát hiện gian lận và có rất nhiều khách hàng không cho phép KTV truy cập trực tiếp vào cơ sở dữ liệu của họ Vì dữ liệu lớn có thể đến từ cả nguồn bên trong và bên ngoài, do đó KTV cần phải đánh giá liệu dữ liệu có nguồn gốc từ một nguồn an toàn và liệu nó có thể bị giả mạo trước khi KTV thu thập được hay không

- Kỳ vọng của các cơ quan quản lý và người sử dụng BCTC: Trong những năm qua, nghề kiểm toán đã giải quyết được khoảng cách kỳ vọng giữa sự trông đợi

về kết quả và ý nghĩa kiểm toán của những người sử dụng với những chuẩn mực đòi hỏi KTV phải đáp ứng Với khả năng kiểm toán tất cả các giao dịch, phân tích dữ liệu có thể làm trầm trọng hơn vấn đề về khoảng cách kỳ vọng

Có thể hội đồng quản trị và người sử dụng BCTC sẽ yêu cầu các KTV ở một tiêu chuẩn cao hơn về phát hiện gian lận và trách nhiệm pháp lý trong việc phát hiện các sai phạm của BCTC Theo kiểm toán truyền thống, KTV có biện pháp bảo vệ cho những gian lận không được phát hiện nếu mẫu được chọn không có bằng chứng rõ ràng về gian lận Với khai thác dữ liệu có thể coi tương đương với việc lấy mẫu 100% Nếu bằng chứng không thể chối cãi đó nằm trong mẫu, nhưng KTV đã bỏ qua nó, thì các KTV không còn bảo vệ được mình theo như các biện pháp bảo vệ quá trình hành nghề như truyền thống nữa

4 Các vấn đề khác cần xem xét

Vấn đề cần xem xét là làm thế nào để các chuẩn mực và quy định kiểm toán có thể phù hợp với việc sử dụng phân tích dữ liệu lớn Nhìn chung, nghề kiểm toán được điều chỉnh bởi các chuẩn mực đã được thiết lập cách đây vài năm và do đó, các chuẩn mực này không ảnh hưởng đến khả năng tận dụng dữ liệu lớn Dưới đây là 04 lĩnh vực cần được xem xét thêm, khi ứng dụng dữ liệu lớn vào kiểm toán:

Thứ nhất, thủ tục phân tích

Các thủ tục này kiểm tra tính hợp lý của các mối quan hệ trong các khoản mục trong báo cáo tài chính, để phát hiện ra những thay đổi so với xu hướng dự kiến Tuy nhiên, chuẩn mực không đề cập đến việc sử dụng phân tích dựa trên dữ liệu lớn để cung cấp

“bằng chứng đáng kể” Một trong những điểm khác biệt chính với kỹ thuật phân tích

là các thủ tục này được sử dụng để xác định các giao dịch bất thường hoặc các sai sót, dựa trên việc phân tích dữ liệu và thường KTV không cần thiết lập kỳ vọng Dữ liệu lớn và các loại kỹ thuật phân tích này không tồn tại khi chuẩn mực được hình thành,

do đó không được coi là nguồn bằng chứng kiểm toán Khoảng trống tạo ra sự không chắc chắn về mức độ liên quan và khả năng áp dụng của phân tích dữ liệu trong việc cung cấp bằng chứng kiểm toán

Thứ hai, xác thực dữ liệu được sử dụng để phân tích

Khi KTV nhận được thông tin từ khách hàng, họ xác định tính chính xác, đầy đủ của thông tin và xác định liệu thông tin này có thích hợp làm bằng chứng kiểm toán hay không Điều này được áp dụng cho dù KTV nhận tài liệu in (chẳng hạn như hợp đồng) hoặc dữ liệu điện tử Nhưng phân tích kiểm toán không sử dụng hoặc dựa vào các báo cáo do hệ thống tạo ra, thay vào đó, dữ liệu có liên quan được trích xuất trực tiếp từ

cơ sở dữ liệu bên dưới Sau đó, KTV thực hiện các thủ tục để xác nhận tính chính xác

và đầy đủ của dữ liệu và đối chiếu với các báo cáo do hệ thống tạo ra Mặc dù, các chuẩn mực đã cung cấp một số hướng dẫn trong lĩnh vực này, nhưng không thể lường trước được loại và khối lượng dữ liệu mà KTV đang trích xuất Chắc chắn, có những hạn chế trong phạm vi mà KTV có thể thu thập bằng chứng từ các thủ tục được thực hiện liên quan đến những dữ liệu đó

Thứ ba, xác định bằng chứng kiểm toán

Các chuẩn mực kiểm toán cung cấp hệ thống phân cấp bằng chứng, với bằng chứng của bên thứ ba có độ tin cậy cao nhất và phỏng vấn ban giám đốc có độ tin cậy thấp nhất Tuy nhiên, chưa có chuẩn mực nào đưa ra các loại bằng chứng do phân tích dữ liệu cung cấp Có thể liên hệ một số loại thử nghiệm này với khuôn khổ hiện hành trong hệ thống chuẩn mực, nhưng không phải tất cả Nếu không có mô tả thích hợp

về loại bằng chứng mà phân tích dữ liệu cung cấp, KTV miễn cưỡng coi đó là bằng chứng, do đó sẽ phủ nhận lợi ích phân tích dữ liệu lớn mang lại

Cuối cùng, cuộc kiểm toán trong tương lai có thể khá khác so với cuộc kiểm toán truyền thống KTV sẽ có thể sử dụng các bộ dữ liệu và phân tích lớn hơn để hiểu rõ hơn về DN, xác định các khu vực rủi ro chính và cung cấp chất lượng và phạm vi nâng cao Đồng thời, cung cấp nhiều giá trị kinh doanh hơn Nhưng để đạt được sự chuyển đổi này, chuyên gia sẽ cần phải hợp tác chặt chẽ với các bên liên quan chính, từ các

DN mà họ đang kiểm toán cho đến các cơ quan quản lý và người xây dựng chuẩn

mực

Danh mục tài liệu tham khảo

ANH, T N (2023, 03 11) Phân tích dữ liệu lớn trong kiểm toán báo cáo tài chính - xu thế của kiểm toán Việt

Nam Retrieved from Tạp chí Công Thương:

https://tapchicongthuong.vn/phan-tich-du-lieu-lon-trong-kiem-toan-bao-cao-tai-chinh-xu-the-cua-kiem-toan-viet-nam-103180.htm

Thảo, T N (2022, 05) Ảnh hưởng của dữ liệu lớn và phân tích dữ liệu đến kiểm toán Retrieved from Hội kế

toán Thành phố Hồ Chí Minh: https://www.hoiketoanhcm.org.vn/vn/trao-doi/anh-huong-cua-du-lieu-lon-va-phan-tich-du-lieu-den-kiem-toan/

Trang, T N (2023, 05 11) Tạp chí Ngân hàng Retrieved from Vai trò của khoa học dữ liệu và dữ liệu lớn trong

nền kinh tế kĩ thuật số: https://tapchinganhang.gov.vn/vai-tro-cua-khoa-hoc-du-lieu-va-du-lieu-lon-trong-nen-kinh-te-ki-thuat-so.htm