|

نظام داده‌کاوی در حسابرسی

علی علی‌‌پور فلاح‌پسند

طراحی نظام داده تابعی از نیاز هر کسب‌وکار و مبتنی‌بر منابع کمی و کیفی موجود در آن حوزه است. برقراری و گسترش این نظام بدون استفاده از قابلیت تکنولوژی‌های نوینی همچون فرایند اتوماسیون رباتیک، یادگیری ماشینی و زنجیره بلوکی امکان‌پذیر نیست، زیرا فرایند انتقال و استخراج داده بدون هوش ماشینی، عملیاتی بسیار زمان‌بر و هزینه‌بردار خواهد بود. با افزایش حجم داده‌های داخلی و خارجی که از منابع گوناگونی همچون حسگرها، دوربین‌ها، موتورهای جست‌وجو، زنجیره بلوکی، سیستم‌های حسابداری ابری، سیستم‌های مدیریت منابع سازمانی و... به دست می‌آیند؛ تصمیم‌گیری دقیق و سنجیده درباره مخاطرات، برنامه‌ها و پیش‌بینی رویدادهای آتی منوط به تدوین نظامی مدون برای جمع‌آوری، استخراج و تجزیه و تحلیل این‌گونه داده‌ها است. در حسابرسی مستقل نیز همچون بسیاری از حوزه‌های کسب‌وکار، به‌دلیل استفاده بسیاری از فعالان صنایع از مِه‌داده‌ها و ابزارهای مبتنی‌بر آن، آشنایی با این منبع اطلاعاتی و تکنولوژی‌های مرتبط با آن ضروری به نظر می‌رسد.

مِه‌داده‌ها: مِه‌داده‌ها، بزرگ‌داده‌ها یا کلان‌داده‌ها مجموعه‌ای از داده‌های حجیم هستند که به دلیل حجم آستانه‌ای بالا و پیچیدگی ذاتی، امکان ذخیره‌سازی، پردازش و تجزیه و تحلیل برای کاربرانی را که از نرم‌افزارهای کاربردی سنتی بهره می‌برند، تا حد زیادی غیرممکن می‌کند. این داده‌ها در دنیای کسب‌وکار کنونی که تراکنش‌ها و نتایج عملیات‌های مالی و غیرمالی به‌صورت پیوسته در حال رشد هستند، در تجزیه و تحلیل و تصمیم‌گیری‌ها نقش پررنگی را برای فعالان بازار ایفا می‌کنند. تحلیل‌هایی که گستره وسیعی از اطلاعات شامل کشف عادات خرید مشتریان، شیوه‌های بازاریابی اختصاصی، پیش‌بینی موجودی موردنیاز آتی و بسیاری دیگر موارد را شامل می‌شوند. دلایل نیاز به نظام داده در حسابرسی: دو عامل کلیدی موجب می‌شوند تا حسابرسان در مسیر استفاده و توسعه نظام داده مبتنی‌بر مِه‌داده‌ها قرار گیرند. عامل اول مربوط به استفاده اکثریت مشتریان آنها از مِه‌داده‌ها در عملیات‌های اجرائی و مدیریتی است. با وقوع چنین شرایطی، بسیاری از رویکردها و روش‌های کارآمد کنونی در حسابرسی نیازمند به‌روزرسانی و تحول هستند. عامل دوم مربوط به پدیده‌ای است که هم‌اکنون نیز ضعف آن در حسابرسی مستقل مشاهده می‌شود. این مورد که به‌نوعی مرتبط با عامل اول نیز هست، عبارت است از استفاده از تکنولوژی‌های نوین در عملیات‌های حسابرسی. به عبارت دیگر، علاوه‌بر اینکه استخراج، طبقه‌بندی و تجزیه و تحلیل مِه‌داده‌ها منوط به استفاده از تکنولوژی‌های نوین است، هم‌اکنون نیز در بسیاری از صنایع چنین ابزارهای فناورانه‌ای در اختیار صنعت‌گران قرار دارند؛ بنابراین بدون شناخت کافی نسبت به عملکرد چنین ابزارهایی نمی‌توان انتظار حسابرسی چندان اثربخشی را داشت. در هر صورت، آشنایی و استفاده از مِه‌داده‌ها در حسابرسی منوط به ترسیم نظامی منحصربه‌فرد برای این حوزه بوده و برای انجام این مهم باید نسبت به شناخت کافی از مِه‌داده‌ها و ابزارهای مرتبط با آن همچون فرایند اتوماسیون رُباتیک، یادگیری ماشینی و زنجیره بلوکی گام‌های مؤثری برداشته شود. فرایند اتوماسیون رُباتیک در نظام داده: فرایند اتوماسیون رباتیک قابلیت اتصال به سیستم‌هایی همچون سیستم‌های برنامه‌ریزی منابع سازمانی، مدیریت زنجیره تأمین و مدیریت روابط مشتریان را فراهم می‌کند. این ابزار می‌تواند با به‌کارگیری داده‌های داخلی یا ابری ذخیره‌شده بر بستر این سیستم‌ها، در جمع‌آوری و دسته‌بندی داده‌های مورد نظر به استفاده‌کنندگان کمک شایان توجهی کند. اطلاعات خارجی را می‌توان از طریق این سیستم و از منابعی همچون شبکه‌های اجتماعی، اینترنت اشیا و سیستم‌های اطلاعاتی سایر شرکت‌ها جمع‌آوری کرد. نقش مکمل یادگیری ماشینی: یکی از کلیدی‌ترین نقش‌های یادگیری ماشینی تسهیل فرایند تجزیه و تحلیل مِه‌داده‌ها است. درواقع یادگیری ماشینی می‌تواند به‌عنوان بخشی از فرایند اتوماسیون هوشمند عمل کرده یا مستقل از این ابزار، خود مسئولیت تجزیه و تحلیل داده‌ها را بر عهده گیرد. هرچند یادگیری ماشینی امکان تجزیه و تحلیل داده‌ها از منابع گوناگون و ترکیب نتایج را به کاربران می‌دهد اما، تجزیه و تحلیل خودکار انواع داده‌ها به‌صورت هم‌زمان امکان‌پذیر نیست. با‌این‌حال، می‌توان نارسایی‌ها (انحرافات) در مجموعه‌ای از داده‌ها را که دارای ساختار مشابه هستند، کشف کرد. با تعیین نارسایی، نه‌تنها می‌توان موارد غیرطبیعی را در مجموعه‌ای از داده‌ها یافت بلکه خصایص ویژه متغیرهایی که موجب نارسایی شده‌اند نیز قابل شناسایی است. به وسیله یادگیری ماشینی می‌توان مجموعه وسیعی از داده‌ها شامل متون، عکس‌ها، ویدیوها و... را جمع‌آوری، ذخیره و ارزیابی کرد. این داده‌ها به‌صورت تفکیک‌شده یا در قالب مجموعه‌ای از داده‌های غیرساختارمند به‌عنوان ورودی به دستگاه یادگیری ماشینی وارد و خروجی‌های مورد نیاز استفاده‌کنندگان براساس متغیرهای از پیش تعیین‌شده در اختیار آنان قرار می‌گیرد. در حسابرسی نیز می‌توان از یادگیری ماشینی نه‌تنها در فرایندهای گردآوری و واکاوی داده، بلکه در ارائه گزارش‌های نهایی بهره جست. به نحوی که امکان تجزیه و تحلیل مجموعه وسیعی از اطلاعات مربوط به گزارشات حسابرسی در یک یا چندین شرکت برقرار است. همچنین حسابرسان می‌توانند در امور ارزیابی ریسک از داده‌هایی که از منابع درون و برون سازمانی گردآوری و توسط یادگیری ماشینی تجزیه و تحلیل و با معیارهای داخلی سازمان مقایسه شده‌اند، استفاده کنند. زنجیره بلوکی )بلاک‌چین(: آزمون خودکار صحت و درستی داده و به اشتراک‌گذاری مستمر آن ازجمله خصایص بااهمیت زنجیره بلوکی هستند. صحت و درستی داده بر بستر زنجیره بلوکی با درنظرگرفتن سازوکار اجماع (وجود شرکت‌کنندگان متعدد در فرایندهای تولید بلوک‌ها و ذخیره‌سازی داده) و ویژگی‌های خاص آن همچون تصدیق صحت و درستی داده‌ها، غیرمتمرکزبودن و امنیت بالا در برابر تغییرات غیرمجاز، ارتقا می‌یابد. زنجیره بلوکی با خصایص ذاتی خود، نه‌تنها کیفیت داده‌های ثبت‌شده بر این بستر را ارتقا می‌بخشد، بلکه مستمرا می‌تواند کاربران را از هرگونه اعمال تغییر در داده‌ها آگاه کند. مقطع بسته‌شدن بلوک، زمان مناسبی برای استخراج داده به‌منظور استفاده در فرایند حسابرسی مستمر است. سخن پایانی: حسابرسان برای تثبیت و ارتقای جایگاه خود در دنیای کسب‌وکار کنونی باید ضمن آشنایی با منابع، تکنولوژی‌ها و سازوکار و روش‌های مرتبط با مِه‌داده‌ها، دانش لازم برای ارائه خدمات حرفه‌ای در این زمینه شامل ارزیابی امنیت شبکه‌ها، زنجیره تأمین، قراردادهای هوشمند، توسعه و ارتقای فرایندهای سازمانی و بسیاری از موارد مرتبط دیگر را فراگرفته و به‌مرور آمادگی‌های لازم برای نقش‌آفرینی در چنین محیطی را به‌دست آورند.

برای اطلاع از آخرین اخبار و تحلیل‌ها به کانال شرق در «تلگرام» بپیوندید.