Ảnh hưởng của dữ liệu lớn và phân tích dữ liệu đến kiểm toán

Trong quá khứ, dữ liệu là dữ liệu bên trong doanh nghiệp (DN) được tổ chức và phân loại theo một cấu trúc xác định, do con người tạo ra (dữ liệu có cấu trúc). Tuy nhiên, xu hướng công nghệ trong thập kỷ qua đã mở rộng định nghĩa trên, bao gồm cả dữ liệu phức tạp, khó nhận biết, chưa được sắp xếp và tổ chức theo đúng trình tự có sẵn, do máy móc tạo ra, cũng như dữ liệu bên ngoài DN (dữ liệu phi cấu trúc). “Dữ liệu lớn” là thuật ngữ dùng để mô tả danh mục dữ liệu khổng lồ đang phát triển theo cấp số nhân này. Quan điểm chung cho rằng, dữ liệu lớn sẽ có tác động mạnh mẽ đến việc nâng cao năng suất, lợi nhuận và quản lý rủi ro. Tuy nhiên, giá trị mà dữ liệu lớn mang lại sẽ bị hạn chế nếu không được xử lý và phân tích hiệu quả.

Phân tích dữ liệu lớn là quá trình phân tích dữ liệu với mục tiêu rút ra các kết luận có ý nghĩa. Các công ty và tổ chức lớn đã nhận ra cơ hội mà dữ liệu lớn và việc phân tích chúng mang lại, và nhiều công ty đang đầu tư đáng kể để hiểu rõ hơn tác động của những khả năng này đến với DN của họ. Một trong các lĩnh vực ảnh hưởng đáng kể là sự kiểm toán. Khối lượng dữ liệu khổng lồ hiện có sẵn bên trong và bên ngoài các công ty, cùng với sức mạnh của công nghệ phân tích dữ liệu mới có tác động không nhỏ và thay đổi cơ bản hoạt động kiểm toán. Bài viết sẽ phân tích ảnh hưởng của dữ liệu lớn và phân tích dữ liệu đến việc chuyển đổi kiểm toán, đồng thời đưa ra cơ hội và thách thức kiểm toán viên (KTV) phải đối mặt khi nắm bắt và phân tích dữ liệu lớn.

 

Dữ liệu lớn tác động đến quá trình chuyển đổi kiểm toán

Trong giai đoạn hiện nay, khi nền kinh tế phát triển không đồng đều, vai trò của KTV trên thị trường tài chính ngày càng quan trọng hơn bao giờ hết. DN kiểm toán phải tiếp tục thực hiện các cuộc kiểm toán một cách mạnh mẽ để phục vụ lợi ích công chúng, bằng cách liên tục nâng cao chất lượng và cung cấp nhiều hiểu biết và giá trị hơn cho người sử dụng báo cáo tài chính. Cần phải có thái độ hoài nghi nghề nghiệp và tiếp tục tập trung vào chất lượng của bằng chứng kiểm toán trong suốt cuộc kiểm toán. Trong khi đó, các đơn vị được kiểm toán sẽ mong muốn trao đổi cụ thể với các KTV của họ và thảo luận về những thông tin chi tiết có liên quan hơn.

Mặc dù, giới chuyên môn từ lâu đã nhận ra tác động của phân tích dữ liệu đối với việc nâng cao chất lượng và mức độ phù hợp của cuộc kiểm toán, nhưng việc sử dụng phổ biến kỹ thuật này đã bị cản trở do thiếu các giải pháp công nghệ hiệu quả, các vấn đề về thu thập dữ liệu và lo ngại về quyền riêng tư. Tuy nhiên, những tiến bộ công nghệ gần đây về dữ liệu lớn và phân tích dữ liệu đang mang lại cơ hội để suy nghĩ lại về cách thức thực hiện kiểm toán. Việc ứng dụng dữ liệu lớn và việc phân tích dữ liệu tác động đến quá trình chuyển đổi kiểm toán. Theo đó, ứng dụng dữ liệu lớn có một số lợi ích sau:

Thứ nhất, 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.

Thứ hai, 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. Ví dụ, tất cả các email, cuộc gọi điện thoại và cuộc họp của ủy ban kiểm toán đều có thể được thu thập và phân tích để xác định các mô hình hoặc liên kết tiềm năng với dữ liệu tài chính.

Thứ ba, 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.

Mặc dù, các công ty kiểm toán đang đạt được những tiến bộ đáng kể và bắt đầu nhận thấy lợi ích của dữ liệu lớn và phân tích trong quá trình kiểm toán, chúng ta cần hiểu rằng việc chuyển đổi kiểm toán là một quá trình. Một cách dễ hiểu để mô tả việc chuyển đổi kiểm toán đó là ví dụ về sự chuyển đổi từ dịch vụ đăng ký truyền hình sang nền tảng phim trực tuyến Netflix. Khi công ty thành lập vào năm 1997, Netflix đã áp dụng mô hình DVD-by-mail, gửi phim cho khách hàng của mình, khách hàng sẽ trả lại sau một buổi tối hoặc một tuần giải trí. Mặc dù Netflix luôn biết rằng, tương lai là phát trực tuyến phim nhưng công nghệ này vẫn chưa sẵn sàng vào thời điểm đó cũng như băng thông rộng dành cho người tiêu dùng tốc độ cao cũng chưa phổ biến vào thời điểm đó. Ngày nay, KTV tham gia vào việc kiểm toán tương tự như dịch vụ  DVD-by-mail, chuyển dữ liệu từ khách hàng sang công ty kiểm toán để KTV sử dụng. Những gì KTV thực sự cần là có các công cụ kiểm toán thông minh nằm trong trung tâm dữ liệu của các công ty và truyền trực tuyến kết quả phân tích độc quyền này cho các nhóm kiểm toán. Nhưng công nghệ để thực hiện tầm nhìn này vẫn còn sơ khai và trước mắt, các công ty kiểm toán chỉ đang cung cấp phân tích kiểm toán bằng cách xử lý các tập dữ liệu khách hàng lớn và tích hợp phân tích vào phương pháp kiểm toán của họ.

Quá trình chuyển đổi kiểm toán này sẽ không diễn ra trong một sớm một chiều. Đó là một bước nhảy vọt lớn để đi từ phương pháp kiểm toán truyền thống sang phương pháp tích hợp hoàn toàn dữ liệu lớn và phân tích một cách liền mạch.

 

Rào cản khi ứng dụng dữ liệu lớn và phân tích dữ liệu vào kiểm toán

Mặc dù, lợi ích của dữ liệu lớn đối với các công ty kiểm toán là không thể phủ nhận, việc tích hợp dữ liệu lớn trên thực tế vào hoạt động kiểm toán vẫn chưa chín muồi. Có một số rào cản đối với việc tích hợp thành công dữ liệu lớn và phân tích vào cuộc kiểm toán, cần phải được giải quyết.

Đầu tiên, tích hợp dữ liệu lớn bắt đầu bằng sự kết hợp giữa dữ liệu truyền thống và dữ liệu lớn

Hai nguồn này đều quan trọng như nhau đối với các thủ tục kiểm toán, vì chúng hàm ý các loại thông tin khác nhau. Trong khi dữ liệu kế toán truyền thống chủ yếu là dữ liệu định lượng và có cấu trúc, thì dữ liệu lớn cũng bao gồm dữ liệu bán cấu trúc và phi cấu trúc cung cấp thêm bằng chứng hỗ trợ và thông tin chi tiết. Do tính chất phức tạp của các giao dịch kinh doanh hiện đại, KTV thường cần thu thập nhiều loại bằng chứng khác nhau. Việc bổ sung dữ liệu lớn có thể nâng cao tính đầy đủ, độ tin cậy và tính liên quan của bằng chứng kiểm toán, từ đó cải thiện hơn nữa chất lượng kiểm toán. Ví dụ, trong việc xác minh thông tin lô hàng, các chứng từ vận chuyển truyền thống là bằng chứng chính về sự hiện hữu. Dữ liệu lớn bổ sung, chẳng hạn như dữ liệu GPS, có thể cung cấp xác minh chắc chắn hơn. Tóm lại, KTV trước tiên nên xác định dữ liệu lớn có thể có liên quan và hữu ích, sau đó thu thập và hợp nhất dữ liệu.

Tuy nhiên, việc tổng hợp dữ liệu ở cấp độ này phải đối mặt với những thách thức nghiêm trọng, chủ yếu là do dữ liệu không tương thích; dữ liệu lớn không có cấu trúc và thiếu số nhận dạng chung. Hãy xem xét một tình huống trong đó một KTV, trong nỗ lực kiểm toán doanh thu của một công ty năng lượng, muốn kết hợp chi tiết cuộc gọi điện thoại của mỗi lần lắp đặt dịch vụ với số lượng đơn hàng. Thực hiện nhiệm vụ này đòi hỏi cả sự hiểu biết thấu đáo về hai tập dữ liệu và đủ năng lực về lập trình dữ liệu, điều này chỉ ra hai thành phần cần thiết khác trong quá trình tích hợp dữ liệu lớn đó là nguồn nhân lực và công nghệ.

Thứ hai, thu thập dữ liệu

Nếu KTV không thể thu thập dữ liệu công ty một cách hiệu quả và tiết kiệm chi phí, họ sẽ không thể sử dụng phân tích hiệu quả trong cuộc kiểm toán. Các công ty đầu tư đáng kể vào việc bảo vệ dữ liệu của họ, với các quy trình phê duyệt nhiều lớp và các biện pháp bảo vệ công nghệ cao. Do đó, quá trình đạt được sự chấp thuận của khách hàng để cung cấp dữ liệu cho KTV có thể tốn nhiều thời gian. Trong một số trường hợp, các công ty đã từ chối hoặc miễn cưỡng cung cấp dữ liệu, với lý do lo ngại về bảo mật. Vì dữ liệu lớn tổng hợp có thể bao gồm thông tin nhạy cảm nên việc giải quyết tính bảo mật là quan trọng đối với cả khách hàng và cơ quan quản lý. Nó cũng có thể làm dấy lên lo ngại về tính độc lập khi KTV bên ngoài biết quá nhiều về khách hàng của họ. Hơn nữa, KTV gặp phải hàng trăm hệ thống kế toán khác nhau và trong nhiều trường hợp, nhiều hệ thống trong cùng một công ty. Khai thác dữ liệu trước đây không phải là năng lực cốt lõi trong kiểm toán và các công ty cũng không nhất thiết phải có năng lực này. Điều này dẫn đến cần nhiều nỗ lực và nhiều lần trao đổi qua lại giữa công ty và KTV về việc thu thập dữ liệu.

Ngày nay, việc trích xuất dữ liệu chủ yếu tập trung vào dữ liệu sổ cái chung. Tuy nhiên, sử dụng dữ liệu lớn để hỗ trợ kiểm toán đồng nghĩa với việc thu thập thông tin sổ phụ, chẳng hạn như dữ liệu doanh thu hoặc chu trình mua sắm, cho các quy trình kinh doanh chính. Điều này làm tăng độ phức tạp của việc trích xuất dữ liệu và khối lượng dữ liệu được xử lý. Mặc dù, việc sử dụng phân tích mô tả để hiểu DN và xác định các khu vực rủi ro tiềm ẩn là rất dễ dàng một cách hợp lý, nhưng việc sử dụng phân tích để tạo ra bằng chứng kiểm toán đối phó với những rủi ro đó lại khó hơn rất nhiều. Một vấn đề với việc dựa vào phân tích để tạo ra bằng chứng kiểm toán liên quan đến bản chất của hoạt động của phân tích, với các thuật toán hoặc quy tắc được sử dụng để chuyển đổi dữ liệu và tạo ra các hình ảnh trực quan hoặc báo cáo. Khi đến giai đoạn này, KTV cần phải tìm ra sự cân bằng thích hợp giữa việc áp dụng xét đoán của KTV và việc dựa vào kết quả của những phân tích này.

Thứ ba, vấn đề đào tạo nhân sự kiểm toán

Ngay cả với các hệ thống tự động, liệu lao động thủ công có giảm đi đáng kể hay không, vì việc tích hợp dữ liệu lớn sẽ đòi hỏi một bộ kỹ năng lớn hơn. Ví dụ, một KTV đã từng kiểm tra bằng chứng kiểm toán truyền thống liên quan đến hàng tồn kho, giờ đây sẽ phải thu thập các bằng chứng liên quan khác được hỗ trợ bởi dữ liệu lớn và phân tích nó. Do đó, các chuyên gia kiểm toán có thể cần trở thành chuyên gia trong cả lĩnh vực kiểm toán và công nghệ thông tin.

Trong khi đó, việc tuyển dụng và đào tạo các KTV tương lai đã thành thạo với dữ liệu lớn là một nhiệm vụ khó khăn. Các trường đại học nên thiết kế các khóa học kế toán tập trung vào các kỹ năng dữ liệu và khuyến khích sự tương tác giữa lĩnh vực kế toán và công nghệ thông tin. Cả công ty kiểm toán và khách hàng của họ nên lập kế hoạch các buổi đào tạo hoặc hội thảo liên tục để nâng cao kiến thức và kỹ năng của KTV trong việc quản lý dữ liệu. Họ cũng nên cho phép KTV, luân chuyển qua một số vị trí và được đào tạo giữa các bộ phận. Ở đây, vai trò của các cơ quan quản lý cũng rất quan trọng, bởi vì các tiêu chuẩn mới về các kỳ thi nghề nghiệp có thể thay đổi nội dung của giáo dục kế toán. Ví dụ, tiêu chuẩn A7 của Hiệp hội các Trường Kinh doanh Chất lượng cao (Association to Advance Collegiate Schools of Business) đề xuất “các chương trình cấp bằng kế toán bao gồm kinh nghiệm học tập, nhằm phát triển các kỹ năng và kiến thức liên quan đến việc tích hợp công nghệ thông tin trong kế toán và kinh doanh”.

Giá trị của việc tích hợp dữ liệu lớn và phân tích dữ liệu vào cuộc kiểm toán sẽ chỉ được thực hiện khi được KTV sử dụng để tác động đến phạm vi, bản chất và mức độ của cuộc kiểm toán. Điều này sẽ yêu cầu họ phát triển các kỹ năng mới tập trung vào việc biết những câu hỏi cần đặt ra đối với dữ liệu và khả năng sử dụng kết quả phân tích để tạo ra bằng chứng kiểm toán, đưa ra kết luận kiểm toán và thu được những hiểu biết sâu sắc về DN. Từ đó, yêu cầu cấp thiết đặt ra là đào tạo kỹ năng cho sinh viên tại các trường đại học và cao đẳng, tăng cường các chương trình học tập và phát triển. Đồng thời, thiết lập các chương trình hỗ trợ và triển khai phù hợp, để hỗ trợ các nhóm kiểm toán tích hợp dữ liệu lớn và phân tích vào cuộc kiểm toán một cách hiệu quả.

Các vấn đề khác cần xem xét

Một vấn đề nữa 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.

Tài liệu tham khảo

1. BDO Malaysia, (2021), Big Data and Data Analytics: The Future of Audit.

2. EY, (2018), How big data  and analytics are transforming the audit.

3. Jiali (Jenna) Tang, Khondkar E. Karim, (2017), Big Data in Business Analytics: Implications. for the Audit Profession, The CPA Journal, June 2017 Issue.

4. Nguyễn Huy Hoàng, (2019), “Kiểm toán dữ liệu lớn - đặc điểm và xu hướng” Tạp chí Kiểm toán số 44/2019.

5. Nguyễn Lộc, (2021), “Ứng dụng dữ liệu lớn trong hoạt động kiểm toán các tổ chức tài chính - yêu cầu cấp thiết”, Tạp chí Kiểm toán số 44/2021.

Bài viết của TS. Nguyễn Thị Phương Thảo * Khoa Kế toán – Kiểm toán, Học viện Ngân hàng đăng trên Tạp chí  Kế toán và Kiểm toán số 5/2022 của TW Hội Kế toán và Kiểm toán Việt Nam.