داده‌کاوی در حسابداری(قسمت اول)

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

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

 

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

 

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.

 

داده‌کاوی

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.

داده‌کاوی

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.

داده‌کاوی

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.

 

داده‌کاوی

 

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.

 

داده‌کاوی

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

دیدگاه خود را ثبت کنید

نشانی ایمیل شما منتشر نخواهد شد.