داده‌کاوی چیست؟
داده‌کاوی فرآیند استخراج دانش پنهان شده در حجم زیادی از داده‌ها و یکی از مهم‌ترین نمونه‌های فعلی تجزیه و تحلیل پیشرفته تجارت و ابزار پشتیبانی تصمیم‌گیری است. ابزارهای داده‌کاوی بدون آگاهی از معنای داده‌ها به دنبال روند یا ناهنجاری‌ها هستند. ناهنجاری داده‌ها لزوماً نتیجه کلاهبرداری نیستند، بلکه می‌توانند نتیجه طیف وسیعی از عوامل مختلف باشند. در بسیاری موارد، آنها به دلیل ورود داده‌های معیوب ایجاد می‌شوند، جایی که کاربر به جای یک مقدار، مقدار دیگری را تایپ کرده است. همچنین، برخی اوقات خطاها نتیجه نقص نرم‌افزار یا سخت‌افزار است که منجر به خراب شدن داده‌ها می‌شود.
بدیهی است که چنین خطاهایی می‌تواند خسارت قابل توجهی ایجاد کند، که به راحتی قابل اندازه‌گیری نیست. اما می‌تواند از مقادیر جدی برخوردار بوده و در نتیجه ضرر مستقیم درآمد و اعتبار را به همراه داشته باشد.
در موارد دیگر، خطاها عمداً ایجاد می‌شوند. چنین اهمیتی توسط ارگان‌های اصلی حرفه‌ای حسابداری تصدیق شده است. موسسه حسابداران رسمی آمریکا داده‌کاوی را به عنوان یکی از ده فناوری برتر برای آینده شناسایی کرده است و مؤسسه حسابرسان داخلی داده‌کاوی را یکی از چهار اولویت پژوهشی ذکر کرده‌اند.
داده‌کاوی یک فرایند استخراج دانش از داده‌های بزرگ در پایگاه داده‌ها، انبار داده‌ها یا سایر پایگاه‌های اطلاعاتی است که می‌توانند به صورت بالقوه مفید، از پیش ناشناخته و در نهایت قابل فهم باشند.
داده‌کاوی نوع جدیدی از تکنیک پردازش اطلاعات است که به طور فزاینده‌ای از داده‌های الکترونیکی ناشی می‌شود و این امکان را فراهم می‌کند تا بتوان انبوه داده‌ها را به صورت خودکار و هوشمندانه به اطلاعات و دانش مفید تبدیل کرد.
در کنار توسعه فناوری اطلاعات و استفاده گسترده از رایانه درحسابداری و سیستم اطلاعات مدیریتی در حسابرسی، ابزارهای حسابرسی سنتی دستی با چالش‌هایی مواجهه است و تکنیک‌های مدرنی از جمله تکنیک‌های حسابرسی رایانه‌ای و تکنیک داده‌کاوی به طور گسترده در زمینه حسابرسی بکار می‌روند.
نیاز به داده‌کاوی در زمینه حسابرسی به سرعت در حال رشد است. از آنجا که سیستم‌های آنلاین و ابزارهای پیشرفته فناوری، معاملات حسابداری را پیچیده‌تر و آسان‌تر می‌کنند، استفاده از داده‌کاوی در حرفه حسابرسی در سال‌های اخیر رو به افزایش است. از آنجا که حسابرسی شامل ارزیابی داده‌های گسترده برای اطمینان‌دهی سنتی است، داده‌کاوی اجازه می‌دهد تا این روند به روشی آسان‌تر انجام شود. حسابرسان از نرم‌افزار حسابرسی به کمک رایانه استفاده می‌کنند تا این روند دقیق‌تر و قابل اعتمادتر گردد.
داده‌کاوی شامل کسب، بارگیری و ادغام داده‌ها، استفاده از ابزارهای تخصصی داده‌کاوی و در نهایت تفسیر انسان از معنای کشف شده است. تصمیم برای وارد کردن داده‌کاوی در ممیزی‌های مالی، هم تصمیمی در سطح بنگاه برای شرکت‌ها و هم یک تصمیم مربوط به سطح مشارکت است.
تصمیمات سطح شرکت مانع از تصمیم‌گیری در مورد سطح مشارکت می‌شود، به دلیل این که اگر مدیریت شرکت دلیل سودمندی برای سرمایه‌گذاری منابع در نرم‌افزار، زیرساخت‌ها، آموزش‌ها و کارمندان نبیند، پس داده‌کاوی احتمالاً گزینه مقرون به صرفه برای تیم‌های در حال مشارکت نخواهد بود. در حال حاضر، داده‌کاوی در حسابرسی‌های تخصصی (به عنوان مثال، کلاهبرداری‌ها یا پزشکی قانونی) توسط کارمندان خبره در شرکت‌های خدمات حرفه‌ای استفاده می‌شود. با این حال، داده‌کاوی به ندرت در ممیزی صورت‌های مالی استفاده می‌شود.
استفاده از داده‌کاوی برای کشف تقلب به عنوان بخشی از حسابرسی مالی معمول می‌تواند چالش برانگیز باشد. به طور کلی، هنگام تشخیص تقلب برای مشتری حسابرسی، تیم حسابرسی سه تصمیم مهم را اتخاذ می‌کند:
(1) چه نوع خاصی از کلاهبرداری (به عنوان مثال، شناسایی درآمد، بدهی‌هایی که کم ارزش‌گذاری شده‌اند و غیره) باید در برنامه حسابرسی برای مشتری خاص درج شود؟
(2) چه منابعی از داده‌ها (به عنوان مثال، نشریات، مجله، ایمیل و غیره) شواهدی از هر نوع کلاهبرداری ارائه می‌دهد؟
(3) کدام تکنیک‌های داده‌کاوی (به عنوان مثال، تکنیک‌های مستقیم یا غیرمستقیم) برای یافتن شواهد بالقوه کلاهبرداری در داده‌های انتخابی موثرتر است؟
تهیه پاسخ برای هر یک از این سؤالات به صورت جداگانه قابل توجه است، اما در مجموع پاسخ دادن به این سؤالات، چالش برانگیز است. این چالش‌ها ممکن است تیم حسابرسی را ترغیب کند تا از روش‌های سنتی اما کمتر تشخیصی-تحلیلی و اساسی استفاده کند. شناسایی کارآمدتر که حاصل استفاده از داده‌کاوی است، می‌تواند حسابرسان را ترغیب کند که داده‌کاوی را به عنوان یک عنصر منظم در برنامه‌های حسابرسی خود بگنجانند.
داده‌کاوی پتانسیل افزایش کارایی و اثربخشی ممیزی را دارد. مجموعه ابزارهای استخراج داده‌های تولیدی اکنون به طور گسترده‌تری در دسترس است و حسابرسان به اطلاعات مربوط به حسابرسی داخلی و خارجی مشتریان دسترسی دارند. داده‌های داخلی می‌توانند شامل داده‌های مالی، داده‌های غیرمالی و بایگانی و ایمیل‌ها باشند. افزایش علاقه به داده‌کاوی برای کشف تقلب در حوزه نظارتی و حرفه‌ای وجود داشته است. به عنوان مثال، کمیسیون بورس و اوراق بهادار یک مدل کیفیت حسابداری که معمولاً به آن روبوکاپ گفته می‌شود را برای شناسایی پرونده‌های مالی غیرعادی طراحی کرده است. این ابزار، مخزن داده ایکس بی ار ال و سایر مجموعه‌های داده را استخراج می‌کند.
گزارشی که اخیراً توسط مجریان مالی بین المللی ارائه شده است، به ابزارهای متنوعی برای داده‌کاوی پرونده‌های ایکس بی ار ال به کمیسیون بورس و اوراق بهادار اشاره دارد. کمیته مشورتی حرفه حسابرسی به خزانه‌داری ایالات متحده توصیه کرد که هیئت نظارت بر حسابداری شرکت‌های عمومی یک مرکز کلاهبرداری ایجاد کند که بخشی از آن، اشتراک‌گذاری شیوه‌ها، داده‌ها و نوآوری در پیشگیری و کشف تقلب را تسهیل کند.
برای کمک به حسابرسان در زمینه دسترسی داده‌ها، انجمن حسابداران رسمی آمریکا در حال ارتقای استانداردهای داده‌های حسابرسی خود است. در عرصه دانشگاهی، ادبیات کوچک اما رو به رشدی وجود داشته است که از روش‌های داده‌کاوی برای عرصه حسابرسی به طور کلی و به طور خاص تشخیص تقلب استفاده می‌کند.
داده‌کاوی در مورد کشف الگوها، قوانین یا مدل‌های مبتنی بر یک یا چند تعداد از داده‌ها است. از الگوها، قوانین یا مدل‌ها برای پیش‌بینی نتایج آینده استفاده می‌شود. الگوهای پیش‌بینی شده، پرچم‌های قرمزی هستند که حسابرس باید درباره‌ی آنها تحقیق کند. تکنیک‌های داده‌کاوی را می‌توان به دو دسته گسترده تقسیم کرد:
-
مستقیم (یا رویکرد از بالا به پایین)
با داده‌کاوی مستقیم، یک متغیر مورد علاقه خاص شناسایی می‌شود. فناوری داده‌کاوی روابط بین آن متغیر و جمعیت منتخب سایر متغیرها را پیدا می‌کند.
-
غیرمستقیم (یا رویکرد از پایین به بالا).
با داده‌کاوی غیرمستقیم، هیچ متغیر هدفمند خاص (متغیر وابسته) وجود ندارد؛ در عوض، هدف این است که هر رابطه‌ای بین هر متغیری در جمعیت داده پیدا شود. روش دیگر برای توصیف این دو مقوله گسترده این است که بگوییم رویکردهای از بالا به پایین فرضیه‌های خاص را آزمایش می‌کنند و رویکرد از پایین به بالا فرضیه‌های جدیدی تولید می‌کند.
قوانین استخراج داده‌ها
اول، حسابرس فناوری اطلاعات باید اطمینان حاصل کند که منبع داده در اسرع وقت در فرآیند ایجاد داده استخراج می‌شود. حسابرسان باید دریابند که این خطر وجود دارد که داده‌ها از بین رفته یا تغییر کنند و این می‌تواند بر سطح درستی (و بنابراین قابلیت اطمینان) مورد نیاز برای تجزیه و تحلیل دقیق توسط حسابرس تأثیر بگذارد.
به طور خاص، حسابرسان معمولاً باید از گروه فناوری اطلاعات درخواست کنند که الگوریتم نرم‌افزاری را برای جابجایی داده‌ها از نقطه مبدا وارد کند. در حالی که استفاده از یک انبار داده یک شیوه قابل قبول توسط کاربران تجاری است. زمانی که این اطلاعات به کارگرفته شوند تا مشخص گردد کدام عناصر فرآیند به بررسی بیشتر حسابرسی نیاز دارند، صحت داده‌ها بسیار مهم می‌شود.
دوم، حسابرس باید تمام عناصر داده را کاملاً درک کند و برای مستندسازی هر عنصر داده، از جمله اهمیت آن در عوامل مهم موفقیت شرکت، باید با تحلیل‌گر تجاری مشورت کند.
شروع روش داده‌کاوی
روش‌هایی که توسط گروه حسابرسی فناوری اطلاعات برای شروع اجرای داده‌کاوی استفاده می‌شود، می‌تواند منجر به یک فرآیند حسابرسی مستمر و کامل شود که به زمان برنامه‌ریزی شده نیاز دارد.
علاوه بر این، داده‌کاوی ممکن است منجر به یک فرآیند اطمینان‌دهی مستمر جداگانه برای نظارت بر تجزیه و تحلیل داده‌های مدیریت شود، که نیاز به منابع حسابرسی دیگری دارد که ممکن است مدیریت حسابرسی نتواند آنها را انجام دهد. بنابراین، مدیریت حسابرسی باید به درستی برنامه‌ریزی و چشم‌انداز معقولی را قبل از شروع فعالیت در زمینه داده‌کاوی داشته باشد.
مانند همه پروژه‌ها، باید کنترل‌های کافی از جمله مدیریت پروژه و توسعه سیستم کنترل‌های چرخه عمر ایجاد شود. با این حال، روش توسعه، مانند توسعه نرم‌افزار چابک می‌تواند مورد استفاده قرار گیرد تا مدت زمان لازم برای توسعه تحقیق‌های لازم برای مرتب‌سازی و تجزیه و تحلیل داده‌ها را کوتاه کند.
مدیریت حسابرسی باید اطمینان حاصل کند که همه حسابرسان از داده‌کاوی برای درک بهتر خطرات احتمالی در فرآیندهای مختلف مالی و عملیاتی استفاده می‌کنند.
مزایای بالقوه مالی استفاده از تکنیک‌های داده‌کاوی
بسته به سازمان، روش‌های بی‌شماری وجود دارد که می‌تواند برای کاهش هزینه حسابرسی‌های خارجی و داخلی بکار رود. مزایای قابل توجهی برای تمام بخش‌هایی که تحت تأثیر حسابرسی قرار دارند وجود دارد.
به عنوان مثال، برای کاهش هزینه‌های حسابرسی خارجی، حسابرس داخلی فناوری اطلاعات ممکن است از داده‌کاوی برای تایید اعتبار نرم‌افزار رابط که انتقال داده‌ها بین سیستم‌ها را انجام می‌دهد، استفاده کند.
مقایسه موفقیت‌آمیز استخراج داده‌ها از هر سیستم مورد استفاده در انتقال داده‌ها، می‌تواند روال‌های متعادل را که می‌تواند بین سیستم‌ها اتفاق بیفتد، تأیید کند. استفاده از تکنیک‌های داده‌کاوی در هنگام اعتبارسنجی انتقال داده‌ها بین سیستم‌های غیرمرکزی، که در داخل ایجاد می‌شوند و یک سیستم برنامه‌ریزی منابع سازمانی (به عنوان مثال، سیستم‌ها، برنامه‌ها و محصولات) که برای ثبت مطالب ورودی صورت‌های مالی استفاده می‌شوند، از اهمیت ویژه‌ای برخوردار است. علاوه براین، داده‌کاوی می‌تواند انتقال داده را بین سیستم برنامه‌ریزی منابع سازمانی (به عنوان مثال لوسون یا اوراکل) و مجموعه گزارش‌دهی صورت‌های مالی تأیید کند، که برای درستی صورت‌های مالی ضروری است.
سرانجام، استفاده از داده‌کاوی می‌تواند نیاز حسابرس برای سفر به محل کار را کاهش دهد، در نتیجه هزینه‌های سفر برای شرکت کاهش می‌یابد. علاوه براین، با عدم درخواست مدیریت سازمان برای تهیه اسناد پشتیبان غیرضروری، در صورت کارآمد و موثر بودن فرآیند بر اساس مقادیر مورد ملاحظه از انجام تجزیه و تحلیل داده‌کاوی، در زمان نیز صرفه‌جویی می‌شود. دقت بیشتری در هنگام استفاده از تکنیک‌های داده‌کاوی برای ارزیابی مهم‌ترین مراحل وجود دارد که منجر به بازده بیشتر زمان و هزینه حسابرس توسط شرکت می‌شود.
درنهایت، ارزش واقعی داده‌کاوی، آموزش دادن به مالک سازمان در مورد ابزار و روش‌های شناسایی تقلب، اتلاف (ضایعات) و سوءاستفاده است، بنابراین می‌توان آن را در درون کنترل‌های مدیریتی سازمان قرار داد. در پایان، مدیریت باید مسئولیت استفاده از این وسایل و روش‌ها را برای کنترل فضای کسب و کار بپذیرد.
کاربرد داده‌کاوی در حسابرسی و کلاهبرداری
دستکاری معاملات حسابداری با استفاده روزافزون از سیستم‌های آنلاین و گسترش دستگاه‌های هوشمند و اینترنت، پیچیده‌تر و آسان‌تر می‌شوند. در سال‌های اخیر، استفاده از تکنیک‌های داده‌کاوی در حسابرسی صورت‌های مالی افزایش یافته است.
طولانی‌ترین سابقه کاربرد داده‌کاوی، افشای صورت‌های مالی بوده است. پس از یک دهه وقفه، مجدداً توجه به داده‌کاوی صورت‌های مالی برای شناسایی گزارش‌های احتمالی کلاهبرداری شرکت‌ها مورد توجه قرار گرفته است. به عنوان مثال، راویسانکار و همکاران(2011) که داده‌های هسته اصلی صورت‌های مالی (به عنوان مثال سود خالص و ناخالص) و نسبت‌ها (به عنوان مثال بدهی بلند مدت/کل سرمایه و ذخایر) را برای شناسایی گزارش‌های کلاهبرداری استخراج کرده‌اند. مجموعه داده‌های آنها 101 شرکت چینی با کلاهبرداری شناخته شده است که با شرکت‌هایی که کلاهبرداری نکرده‌اند، مطابقت دارد.
نویسنده: سمن اخگری، فاطمه خدابنده‌لو
نشریه چرتکه
فصلنامه تخصصی انجمن علمی حسابداری دانشگاه شهید بهشتی- بهار ۱۳۹۹ شماره ۲۲