Mục tiêu nghiên cứu
Mục tiêu chính của luận văn là nghiên cứu thực trạng Big Data và phân tích dữ liệu từ Big Data trong các công ty kiểm toán tại Việt Nam Để thực hiện mục tiêu này, luận văn xác định một số mục tiêu nghiên cứu cụ thể.
Thứ nhất, hệ thống hóa lý luận cơ bản về ảnh hưởng của Big Data đến quá trình phân tích dữ liệu kiểm toán
Thứ hai, đánh giá thực trạng ảnh hưởng của Big Data và phân tích dữ liệu kiểm toán đến các doanh nghiệp kiểm toán của Việt Nam
Để nâng cao khả năng ứng dụng Big Data và phân tích dữ liệu trong kiểm toán, cần đề xuất một số phương hướng và giải pháp cụ thể Việc tích hợp công nghệ phân tích dữ liệu vào quy trình kiểm toán sẽ giúp cải thiện chất lượng và hiệu quả công việc Đồng thời, đào tạo nhân lực và nâng cao kỹ năng phân tích dữ liệu cho các kiểm toán viên cũng là yếu tố quan trọng Cuối cùng, việc phát triển các công cụ và phần mềm hỗ trợ phân tích Big Data sẽ tạo điều kiện thuận lợi cho việc áp dụng công nghệ này trong ngành kiểm toán.
Câu hỏi nghiên cứu
Để đạt được những mục tiêu đề ra, nghiên cứu cần trả lời những câu hỏi sau:
- Thế nào là Big Data và phân tích dữ liệu kiểm toán?
- Các doanh nghiệp kiểm toán của Việt Nam hiện nay đang sử dụng Big Data và phân tích dữ liệu như thế nào?
- Giải pháp nào được đưa ra để vận dụng tốt nhất Big Data và phân tích dữ liệu trong quá trình kiểm toán?
Phương pháp nghiên cứu
Để thực hiện mục tiêu nghiên cứu và trả lời các câu hỏi đã đề ra, nghiên cứu chủ yếu áp dụng phương pháp định tính, đồng thời kết hợp với phương pháp phân tích và tổng hợp.
- Phương pháp phân tích tổng hợp: khái quát lý thuyết về các vấn đề nghiên cứu và các nghiên cứu có liên quan
Phương pháp định tính được thực hiện nhằm tìm hiểu và hệ thống hóa thông tin từ các nguồn tin uy tín, bao gồm nghiên cứu của các hiệp hội nghề nghiệp và công ty kiểm toán lớn toàn cầu Tác giả áp dụng thống kê mô tả thông qua bảng câu hỏi, tiến hành thống kê, so sánh và phân tích để đánh giá việc áp dụng Big Data và phân tích dữ liệu kiểm toán trong hoạt động kiểm toán độc lập tại các doanh nghiệp kiểm toán ở Việt Nam.
Những đóng góp khoa học và thực tiễn của luận văn
Trong bài viết này, chúng tôi sẽ khám phá các quan điểm và khái niệm liên quan đến Big Data và phân tích dữ liệu, đồng thời đánh giá những lợi ích và thách thức mà các Kiểm toán viên (KTV) gặp phải khi ứng dụng Big Data trong quy trình kiểm toán tại các công ty Kiểm toán Độc lập (KTĐL) Việc hiểu rõ các khía cạnh lý thuyết này sẽ giúp nâng cao hiệu quả ứng dụng Big Data trong lĩnh vực kiểm toán.
Nghiên cứu của luận văn cung cấp giá trị tham khảo thiết thực cho kiểm toán viên (KTV) và các công ty kiểm toán độc lập (KTĐL) tại Việt Nam, giúp họ hiểu rõ hơn về Big Data và phân tích dữ liệu Bài viết cũng đề xuất các giải pháp nhằm ứng dụng hiệu quả Big Data và phân tích dữ liệu, từ đó nâng cao chất lượng kiểm toán trong bối cảnh hiện nay.
Kết cấu của luận văn
Ngoài phần mở đầu, nghiên cứu được thiết kế gồm 3 chương:
Chương 1: Tổng quan về Big Data và phân tích dữ liệu trong kiểm toán
Chương 1 tóm tắt các vấn đề liên quan đến Big Data và phân tích dữ liệu, đồng thời đề cập đến những nghiên cứu gần đây trong lĩnh vực này.
Chương 2: Thực trạng ảnh hưởng của Big Data và phân tích dữ liệu kiểm toán tại các doanh nghiệp kiểm toán của Việt Nam
Chương 2 trình bày số liệu chi tiết về nhận thức và ứng dụng Big Data cùng phân tích dữ liệu trong các doanh nghiệp kiểm toán, giúp xác định những lợi ích và thách thức cũng như nguyên nhân liên quan đến việc sử dụng Big Data và phân tích dữ liệu.
Chương 3: Giải pháp nâng cao tính hữu ích của Big Data và phân tích dữ liệu kiểm toán tại các doanh nghiệp kiểm toán của Việt Nam
Chương này trình bày quan điểm tổng quát về các giải pháp nhằm nâng cao chất lượng kiểm toán, sau đó sẽ đi sâu vào các giải pháp cụ thể và các biện pháp hỗ trợ liên quan đến Big Data và phân tích dữ liệu.
TỔNG QUAN VỀ BIG DATA VÀ PHÂN TÍCH DỮ LIỆU
Big Data
1.1.1 Tóm lược một số thay đổi trong dữ liệu
Big Data và phân tích dữ liệu hiện nay đóng vai trò trung tâm trong khoa học và kinh doanh hiện đại, với dữ liệu được tạo ra từ nhiều nguồn như giao dịch trực tuyến, email, video, âm thanh, hình ảnh, cú nhấp chuột, blog, truy vấn tìm kiếm, hồ sơ sức khỏe, và tương tác trên mạng xã hội Những dữ liệu này được lưu trữ trong các nền tảng cơ sở dữ liệu đang phát triển, nhưng việc nắm bắt, lưu trữ, quản lý, chia sẻ, phân tích và hình dung chúng trở nên ngày càng khó khăn qua các phần mềm cơ sở dữ liệu truyền thống.
Đến năm 2003, con người đã tạo ra 5 exabytes dữ liệu, nhưng hiện nay lượng thông tin này có thể được sản xuất chỉ trong hai ngày Năm 2012, dữ liệu số toàn cầu đạt 2.72 zettabytes và dự báo sẽ tăng gấp đôi sau mỗi hai năm, dự kiến đạt khoảng 8 zettabytes vào năm 2015 Theo IBM, mỗi ngày có 2.5 exabytes dữ liệu được tạo ra, tương đương với 90% dữ liệu trong hai năm qua Để lưu trữ toàn bộ dữ liệu thế giới, cần khoảng 20 tỷ máy tính cá nhân, mỗi máy chứa khoảng 500 gigabytes Trong khi việc giải mã bộ gen của con người trước đây mất 10 năm, giờ đây chỉ mất không quá một tuần Dữ liệu đa phương tiện đã tăng 70% vào năm 2013 Google sở hữu hơn một triệu máy chủ toàn cầu, trong khi có hơn 6 tỷ thuê bao điện thoại di động và hơn một tỷ tin nhắn được gửi mỗi ngày Dự báo đến năm 2020, sẽ có 50 tỷ thiết bị kết nối với mạng và internet.
Năm 2012, Big Data đã đạt được hình thái dữ liệu toàn cầu, với dự án tập trung vào việc thu thập, hình dung và phân tích khối lượng lớn dữ liệu Các thống kê cho thấy Facebook có 955 triệu tài khoản hoạt động hàng tháng, với 140 tỷ hình ảnh được tải lên và 30 tỷ nội dung được chia sẻ mỗi ngày Trên YouTube, mỗi phút có 48 giờ video được tải lên và 4 tỷ lượt xem diễn ra hàng ngày Google giám sát 7.2 tỷ trang web mỗi ngày và xử lý 20 petabyte dữ liệu dịch sang 66 ngôn ngữ Twitter cũng ghi nhận khoảng 1 tỷ Tweets mỗi 72 giờ từ hơn 140 triệu người dùng Dự báo khối lượng thông tin sẽ tăng gấp đôi trong thập kỷ tới.
50 lần, tuy nhiên số lượng các chuyên gia về công nghệ thông tin theo kịp với tiến độ phát triển đó chỉ tăng 1.5 lần (C Tankard et al., 2012)
Hình 1.1: Số lượng tài khoản Facebook trên thế giới vào 06/2017 1.1.2 Big Data
1.1.2.1 Các vấn đề quan trọng
Big Data là thuật ngữ chỉ các bộ dữ liệu có cấu trúc đa dạng và phức tạp, gây khó khăn trong việc lưu trữ, phân tích và hiển thị Các đặc trưng chính của Big Data bao gồm sự đa dạng (variety), tốc độ (velocity) và dung lượng (volume) (Intel IT Center, 2012).
Sự đa dạng của Big Data tạo ra một nguồn dữ liệu khổng lồ, thường đến từ nhiều nguồn khác nhau và bao gồm ba loại chính: dữ liệu có cấu trúc, bán cấu trúc và không có cấu trúc Dữ liệu có cấu trúc được lưu trữ trong kho dữ liệu với các thẻ dễ dàng sắp xếp, trong khi dữ liệu không có cấu trúc mang tính ngẫu nhiên và khó phân tích Dữ liệu bán cấu trúc không phù hợp với các lĩnh vực cố định, mà chứa các phần tử dữ liệu riêng biệt.
Dung lượng dữ liệu hiện nay đã vượt qua terabytes và petabytes, với quy mô lớn và sự gia tăng không ngừng Sự phát triển này đã vượt xa khả năng của các kỹ thuật phân tích và lưu trữ truyền thống.
Tốc độ đề cập đến vận tốc mà dữ liệu được tạo ra và xử lý, nhằm đáp ứng các nhu cầu và thách thức trong quá trình tăng trưởng và phát triển.
Cụ thể từng thành phần được minh họa như sau:
Hình 1.2: Ba thành phần đặt trưng cấu thành Big Data
Dưới áp lực của sự phát triển thông tin, việc xác minh nguồn dữ liệu trở thành vấn đề quan trọng, đặc biệt là trong bối cảnh khó khăn trong việc kiểm soát khối lượng dữ liệu lớn Bảo mật dữ liệu cũng cần được chú trọng, vì sau khi xử lý Big Data, tổ chức có thể tạo ra giá trị gia tăng Nghiên cứu của TDWI - Transforming Data with Intelligence (P Russom, 2011) đã chỉ ra một số yêu cầu cần thiết cho các chuyên gia quản lý trong lĩnh vực này.
Sau khi áp dụng các hình thức phân tích Big Data, doanh nghiệp có thể đạt được nhiều lợi ích đáng kể như cải thiện hiệu quả marketing, nâng cao hiểu biết về hoạt động kinh doanh, mở rộng các phân khúc khách hàng và tạo ra sự thay đổi tích cực trong doanh thu cũng như vị thế trên thị trường.
Trong quá trình phân tích Big Data, người ta thường gặp phải nhiều rào cản như thiếu chuyên môn, chi phí cao, khó khăn trong thiết kế hệ thống phân tích và thiếu phần mềm cơ sở Mặc dù Big Data mang lại cơ hội cho việc phân tích toàn diện hiện tại và tương lai, nhưng cũng tạo ra thách thức lớn do tính khó tiếp cận và quản lý của nó.
Big Data hiện nay được lưu trữ và sử dụng thông qua các kỹ thuật tiên tiến, bao gồm dữ liệu có cấu trúc, bán cấu trúc, phức hợp, dữ liệu sự kiện và không cấu trúc.
Khi chuyển đổi nền tảng phân tích, có thể gặp phải một số vấn đề như không tương thích với dung lượng dữ liệu lớn, không hỗ trợ các mô hình phân tích cần thiết, tốc độ tải dữ liệu chậm và công nghệ thông tin không theo kịp nhu cầu.
Nghiên cứu cho thấy phân tích Big Data cần được chú trọng hơn, không chỉ vì tính đa dạng, dung lượng lớn và tốc độ vượt trội, mà còn vì tiềm năng mở ra những hiểu biết mới để tối ưu hóa quyết định Big Data không chỉ dành cho doanh nghiệp lớn; "big" không chỉ đo bằng số lượng mà còn bằng độ sâu của phân tích Quan trọng hơn cả là việc doanh nghiệp sử dụng và phân tích dữ liệu như thế nào để mang lại lợi ích tối ưu cho hoạt động của mình Hình 1.2 cung cấp thống kê dự báo doanh thu cho ngành công nghiệp Big Data và phân tích kinh doanh toàn cầu từ 2015-2020 (tỷ đô la Mỹ) theo Statistics Portal.
Hình 1.3: Doanh thu dự báo từ Big Data và phân tích kinh doanh toàn thế giới từ năm 2015 đến 2020 (tỷ đô la Mỹ)
1.1.2.2 Những yếu tố tạo nên Big Data
Theo ICAEW (2015), xu hướng Big Data đang được thúc đẩy bởi ba yếu tố chính: năng lực tính toán, các nguồn dữ liệu mới và cơ sở hạ tầng để tạo ra dữ liệu Những yếu tố này đã góp phần tạo ra những tiến bộ đáng kể trong việc hình thành và phát triển Big Data.
Năng lực tính toán là yếu tố cốt lõi của Big Data, với sự gia tăng mạnh mẽ về khả năng tính toán và lưu trữ trong những năm gần đây Điều này cho phép thu thập và xử lý toàn bộ bộ dữ liệu, bất kể kích thước và độ phức tạp, thường được mô tả như sự tăng trưởng theo cấp số nhân trong năng lực tính toán.
Các nghiên cứu về Big Data và phân tích dữ liệu kiểm toán
1.3.1 Các nghiên cứu về Big Data trong kiểm toán
Mối quan tâm về Big Data trong lĩnh vực kiểm toán đang gia tăng, với việc sử dụng phân tích dữ liệu ngày càng phổ biến trong các lĩnh vực kinh doanh Điều này đặt ra nhiều câu hỏi cho kiểm toán viên (KTV), chẳng hạn như liệu có nên phát triển các phương pháp phân tích mới trong quy trình kiểm toán và phương pháp nào là hiệu quả nhất Cần xác định các trường hợp cụ thể trong kiểm toán mà có thể áp dụng những phương pháp này, cũng như xem xét việc thay đổi các chuẩn mực kiểm toán để tạo điều kiện cho việc áp dụng Ngoài ra, KTV cũng cần cân nhắc việc tìm hiểu và báo cáo nhiều thông tin hơn, đồng thời trang bị năng lực cần thiết để thích nghi với môi trường mới này.
Nhiều hệ thống làm việc của khách hàng hiện nay tích hợp với đám mây và Internet of Things (IoT), cho phép các đồ vật và con người truyền tải thông tin qua một mạng duy nhất mà không cần tương tác trực tiếp Dữ liệu từ các nguồn như cảm biến, video, âm thanh và mạng xã hội có thể rất lớn về dung lượng và tốc độ, đồng thời đa dạng về kết cấu Những nguồn dữ liệu này mở ra cơ hội gần như vô hạn cho nghiên cứu phân tích hiện có, giúp các kiểm toán viên (KTV) thực hiện cuộc kiểm toán hiệu quả và chất lượng hơn trong môi trường Big Data.
Năm 2015, sự kết nối giữa các thiết bị cá nhân và internet vạn vật với hệ thống nội bộ doanh nghiệp đang gia tăng, nhờ vào sự phát triển của phần cứng và phần mềm với chi phí thấp hơn so với hệ thống truyền thống Các phương pháp phân tích dữ liệu như hồi quy có thể được tích hợp vào chip phần mềm, giúp giải thích kết quả và đưa ra đề xuất cho người sử dụng, bao gồm cả kiểm toán viên (KTV) Tiến bộ trong công nghệ như nhận diện giọng nói, văn bản và hình ảnh đã cải thiện khả năng kết nối, giảm độ trễ thông tin và hệ thống xử lý Trong bối cảnh Big Data, dữ liệu từ bên trong và bên ngoài doanh nghiệp, bao gồm dữ liệu có cấu trúc và không có cấu trúc, sẽ thay đổi cách doanh nghiệp cạnh tranh Những doanh nghiệp biết khai thác dữ liệu sẽ có lợi thế hơn so với đối thủ Tuy nhiên, KTV cần xem xét các tiêu chuẩn liên quan đến bằng chứng kiểm toán và tìm cách phân tích Big Data một cách hiệu quả, đặc biệt khi đối mặt với dữ liệu không chắc chắn hoặc không đáng tin cậy, vì hiện tại không có giá trị nào có thể bù đắp cho dữ liệu thiếu chất lượng.
Gian lận trong môi trường Big Data là một thách thức lớn đối với đội ngũ kiểm toán viên, do sự phức tạp và khối lượng thông tin khổng lồ Việc đánh giá bằng chứng kiểm toán về gian lận trở nên khó khăn hơn khi nhiều thông tin không mang lại giá trị thực sự Để phát hiện gian lận hiệu quả, cần chú trọng vào việc đánh giá hệ thống kiểm soát nội bộ, mặc dù công nghệ hiện nay cho phép phân tích 100% giao dịch Tuy nhiên, dù hệ thống kiểm soát có hiệu quả đến đâu, nguy cơ gian lận vẫn tồn tại, và chính sự phức tạp của Big Data có thể làm giảm khả năng nhận diện gian lận.
Trong môi trường Big Data, việc đo lường và kết hợp bằng chứng kiểm toán trở nên phức tạp hơn bao giờ hết, đòi hỏi các kiểm toán viên (KTV) phải đánh giá lại các tiêu chuẩn về bằng chứng kiểm toán để phù hợp với công nghệ số Mục tiêu của kiểm toán độc lập là đảm bảo rằng báo cáo tài chính không chứa sai sót trọng yếu, yêu cầu KTV phải thu thập bằng chứng đầy đủ và thích hợp Tuy nhiên, với sự gia tăng của dữ liệu điện tử, chất lượng bằng chứng trở thành yếu tố quan trọng hơn số lượng, vì dữ liệu điện tử dễ thay đổi và khó xác minh nguồn gốc Điều này tạo ra thách thức trong việc đánh giá độ tin cậy của bằng chứng, đặc biệt khi thông tin trên giấy tờ dễ hiểu hơn và dễ đánh giá hơn so với bằng chứng điện tử Do đó, cần thiết phải sửa đổi các tiêu chuẩn quy định về độ tin cậy của bằng chứng điện tử để đảm bảo tính đầy đủ và thích hợp trong quá trình thu thập bằng chứng của KTV.
1.3.2 Các nghiên cứu về phân tích dữ liệu kiểm toán
Trong kỷ nguyên Big Data, các chuyên gia kiểm toán đang khám phá cách tận dụng lợi thế của dữ liệu lớn để nâng cao quy trình kiểm toán Họ đầu tư vào nghiên cứu phân tích dữ liệu nhằm mở rộng phạm vi kiểm toán, cho phép kiểm toán viên (KTV) truy cập toàn bộ hệ thống sổ sách và cơ sở dữ liệu, thay vì chỉ các mẫu giao dịch Việc áp dụng phân tích dữ liệu giúp KTV kiểm tra 100% giao dịch, phát hiện các dấu vết kiểm toán và giao dịch bất thường Các công ty kiểm toán lớn như Big4 đang đầu tư vào công nghệ phân tích dữ liệu để nâng cao chất lượng kiểm toán, giảm rủi ro và cải thiện hiệu suất Deloitte & Touche xem xét phân tích Big Data từ ba khía cạnh: kiểm tra bộ dữ liệu lớn, sử dụng trí thông minh nhân tạo để phát hiện gian lận và tìm kiếm dữ liệu liên quan từ các nguồn khác Mặc dù công nghệ không thay thế hoàn toàn công việc của KTV, nhưng nó sẽ giúp loại bỏ các công việc hình thức và cung cấp thông tin giá trị hơn cho quá trình kiểm toán Quá trình phân tích dữ liệu được tóm tắt theo mô tả của FRC (2017) với các bước cụ thể.
- Phân tích tất cả dữ liệu trong tổng thể, phân tầng cho tổng thể và xác định các ngoại lệ để kiểm tra thêm;
- Thực hiện lại các tính toán liên quan đến BCTC;
- Khớp các giao dịch khi chúng đi qua chu trình xử lý;
- Hỗ trợ phân chia nhiệm vụ kiểm tra;
- So sánh dữ liệu phân tích với dữ liệu bên ngoài thu được;
- Vận dụng dữ liệu để đánh giá tác động của các giả định khác nhau
Theo đánh giá của FRC, nhiều kỹ thuật phân tích dữ liệu trong kiểm toán báo cáo tài chính (BCTC) vẫn chưa được áp dụng hiệu quả Cụ thể, các phương pháp như giám sát kiểm soát liên tục, đo điểm chuẩn dữ liệu giữa các khách hàng kiểm toán ở cấp độ giao dịch, và phân tích dữ liệu phi cấu trúc (bao gồm phân tích tự động nội dung email và tài liệu văn bản) cần được triển khai nhiều hơn.
Phân tích doanh nghiệp (BA – Business Analytics) là một phương pháp quan trọng trong chuỗi hoạt động phân tích dữ liệu, sử dụng dữ liệu, công nghệ thông tin, phân tích thống kê và các mô hình toán học để hỗ trợ nhà quản lý trong việc nắm bắt hoạt động doanh nghiệp và đưa ra quyết định dựa trên thực tế BA được phân chia thành ba loại chính, giúp tối ưu hóa quy trình ra quyết định và nâng cao hiệu quả hoạt động của doanh nghiệp.
Phân tích mô tả cung cấp cái nhìn về những sự kiện trong quá khứ, nhưng giá trị thực sự của nó nằm ở khả năng dự đoán tương lai Điều này không chỉ giúp chúng ta hiểu "những gì sẽ xảy ra" mà còn xác định "những gì chúng ta nên làm" dựa trên dữ liệu hiện có và lợi thế công nghệ.
Phân tích dự đoán giúp hiểu rõ và đưa ra những dự đoán cho tương lai bằng cách xác định các mẫu từ dữ liệu trong quá khứ, từ đó nhận định điều gì sẽ xảy ra, thời điểm và lý do cho những sự kiện đó.
Phân tích theo quy trình, hay phân tích nguyên tắc, giúp xác định các lựa chọn phù hợp để giải quyết kết quả dự đoán thông qua các kỹ thuật tối ưu hóa Với loại hình phân tích này, công nghệ đóng vai trò quan trọng trong việc xác định phương pháp thực tế hoặc cách tiếp cận để thực hiện.
KTV cần chú trọng đến phân tích kinh doanh (BA) vì nó ảnh hưởng đến nội bộ doanh nghiệp kiểm toán và được nhiều khách hàng lớn áp dụng Lựa chọn kỹ thuật BA của khách hàng phụ thuộc vào kỳ vọng và loại dữ liệu, với nguồn dữ liệu đa dạng và khối lượng lớn, khả năng phân tích quy trình và phân tích dự đoán sẽ cao hơn Nhà quản lý sử dụng BA để đưa ra dự báo phục vụ quyết định quản lý, trong khi KTV nội bộ sử dụng để xác minh thông tin, và KTV độc lập áp dụng BA cho các xác nhận trên báo cáo tài chính Khi khách hàng áp dụng BA trong hoạt động, KTV có thể thực hiện các kỹ thuật như phân tích xu hướng, phân tích tỷ lệ và đọc lướt, miễn là họ hài lòng với kết quả đạt được (Glover et al, 2014).
Sự phát triển nhanh chóng của công nghệ gây ra nhiều thách thức trong kiểm toán, đặc biệt liên quan đến dữ liệu Để đảm bảo tính nhất quán trong phân tích, các kiểm toán viên (KTV) cần hiểu rõ số liệu phân tích, điều này sẽ giúp họ đạt được kết quả dự báo chính xác hơn Việc chú trọng vào phân tích dữ liệu và Big Data là cần thiết để KTV đưa ra những ý kiến kiểm toán trung thực và hợp lý hơn, phù hợp với các quy định trong các chuẩn mực kiểm toán tại Việt Nam và quốc tế.
Phân tích dữ liệu kiểm toán, theo Stewart (2015), là quá trình xem xét các dữ liệu cơ bản trong báo cáo tài chính (BCTC) kết hợp với thông tin tài chính và phi tài chính liên quan Mục tiêu của phân tích này là xác định các rủi ro tiềm tàng hoặc những rủi ro có sai sót trọng yếu.
Năm 2014, đã đề xuất việc áp dụng phân tích dữ liệu trong kiểm toán để xác định các rủi ro tiềm ẩn Liu (2014) và Stewart (2015) nhấn mạnh rằng phân tích dữ liệu là yếu tố quan trọng không thể thiếu trong quy trình kiểm toán, và việc sử dụng nó cần được quy định trong các chuẩn mực kiểm toán.