CC BY
44doi 10.47576/2712-7559_2021_5_3_272 удк 657
якубова Индира Имрановна,
ассистент кафедры экономической теории и предпринимательства, Чеченский государственный университет им. А.А. Кадырова, г. Грозный, Россия, e-mail: yakubovaelina42@gmail.com
влияние инновационных информационных технологий и аналитики больших данных на качество аудита
В статье систематизированы факторы воздействия инновационных информационных технологий на проведение аудита, эффективность и качество аудита, изучено влияние аналитики больших данных на навыки и компетентность, необходимые аудиторам в среде больших данных. Дана характеристика использования инструментов аналитики данных в аудиторской деятельности; систематизированы основные задачи аудита, в которых возможно использование аналитики больших данных; выделены основные факторы, которые сдерживают использование аналитики больших данных в аудите.
Ключевые слова: большие данные; аналитика; качество аудита; процедуры; навыки, компе-тентность аудитора.
udc 657
Yakubova Indira Imranovna,
Assistant at the Department of Economic Theory and Entrepreneurship, Chechen State University named after A.A. Kadyrova, Grozny, Russia, e-mail: yakubovaelina42@ gmail.com
impact of innovative Information technologies and big data analytics on audit quality
The article systematizes the factors of the impact of innovative information technologies on the audit, the effectiveness and quality of the audit, studied the impact of big data analytics on the skills and competence required by auditors in the big data environment. The characteristics of the use of data analytics tools in auditing are given; systematized the main audit tasks in which it is possible to use big data analytics; the main factors that hinder the use of big data analytics in audit are highlighted.
Keywords: big data; analytics; audit quality; procedures; skills, competence of the auditor.
Развитие информационно-коммуникационных технологий, использование облачных сервисов обусловили изменение бизнес-процессов в управленческой деятельности, а также привели к генерированию значительных объемов структурированной и неструктурированной информации. Именно процессы диджитализации экономики вызывают серьезные структурные изменения в методах и подходах к формированию, обработке и использованию информации субъектами хозяйствования, которые принято называть
Big Data. Появление новых автоматизированных и диагностических инструментов, включая искусственный интеллект (Artificial intelligence) и машинное обучение (Machine learning), обусловили изменения в технике аудита. Постоянное развитие информационных технологий требуют от аудиторов расши -рения объема своих знаний, связанных с использованием передовых информационных технологий.
Основной целью исследования является систематизация факторов влияния иннова-
ционных информационных технологий на профессиональное суждение, эффективность и качество аудита, а также изучение влияния аналитики больших данных (Big Data Analytics - BDA) на навыки и компетентность, необходимые аудиторам для проведения аудита в среде больших данных.
Развитие компьютерной техники и информационных технологий оказывает значител ь-ное влияние не только на эффективность, но и на качество аудита. В прошлом для анализа данных использовались компьютеризированные методы аудита (КМА, или CAATs - от computer-assisted audit techniques), а именно: тестовые данные и программное обеспечение для аудиторских процедур. При этом тестовые данные использовались для проверки запрограммированных процедур контроля, что позволяло аудитору проверить аспекты, которые могли быть не проверены вручную, а программное обеспечение для аудиторских процедур использовалось, в основном:
- для расчета коэффициентов при выполнении аналитических процедур;
- установки нетипичных, или исключительных, операций, в частности тех, которые превышают заранее определенные лимиты;
- обоснования подхода для формирования выборки элементов и непосредственно осуществления самого отбора элементов для тестирования;
- проверки математической точности расчетов в подготовленных отчетах клиентом;
- формирования планов работы аудиторов и их документирования в рабочих документах.
Среди программного обеспечения следует выделить: Highbond by Galvanize (на базе технологий ACL), CaseWare IDEA, которые имеют встроенные возможности для визуализации данных, а также Microsoft Excel, которые использовались как средства для выполнения основных аудиторских процедур, таких как: аналитические процедуры и повторные вычисления. Наряду с преимуществами КМА (к которым можно отнести: непрерывный мониторинг процесса обработки информации; обеспечение обработки больших объемов данных; увеличение скорости выполнения расчетов и уменьшения потребности аудиторского персонала для выполнения аудиторских процедур) они требовали значитель-
ных инвестиций, поскольку разрабатывались под конкретные информационные системы клиентов. Кроме высокой начальной стоимости проектирования программного пакета (хотя эта стоимость может быть окуплена в течение нескольких лет использования) программное обеспечение может потенциально увеличить риск вирусов и повреждения данных клиента, нуждаться в доработке и, как следствие, увеличении численности ИТ-специалистов в штате аудиторской фирмы.
В последние годы в мире наблюдается растущее влияние больших данных на бизнес. Ожидается, что Big Data (далее - BD) принесет ценные экономические выгоды как для аудиторских фирм, так и клиентов аудита [8]. В частности, исследование, проведенное Gartner, указывает, что 65 % руководителей и менеджеров высшего уровня отмечают, что пандемия коронавируса ускоряет цифровую трансформацию бизнеса [6]. Крупные аудиторские компании уже вложили значительные средства в разработку (или приобретение) и внедрение собственных инструментов аналитики BD. В частности, KPMG вместе с McLaren Applied Technologies создали интеллектуальную модульную аудиторскую платформу KPMG Clara, которая позволяет интегрировать новые технологии и обладает встроенными средствами для анализа данных и их визуализации. EY создала онлайн-платформу Canvas и подключенную к ней аналитическую платформу Helix. EY Helix library содержит аналитику данных со всего мира, которая охватывает различные отрасли и области аудита. Аналогичные платформы существуют и у Deloitte (Illumia, Cortex -облачная платформа данных) и PwC (Halo). При этом собственные платформы анализа данных сочетаются с готовыми прикладными решениями (Alteryx - в основном для ETL процессов и Spotfire, Power BI или Tableau для визуализации данных).
Среди многообразия определений термина «большие данные» наиболее удачным является приведенное в Википедии. «Большие данные - наборы информации (как структурированной, так и неструктурированной) настолько больших размеров, что традиционные способы и подходы (в основном основаны на решениях класса бизнес-аналитики и системах управления базами данных) не могут быть применены к ним» [1]. Этот тер-
ИНДУСТРИАЛЬНАЯ ЭКОНОМИКА • № 5, том 3, 2021 273
мин прежде всего относится к качественному изменению объема данных, который доступен по сравнению с прошлым, и относится к регистрации, хранению, поиску, передаче, анализу и визуализации данных. Аналитики характеризуют большие данные по таким признакам, как: физический объем (volume), разнообразие типов данных (variety), скорость их прироста (velocity) и достоверность (veracity). Характеристика «большой объемам данных» относительна: одна аудиторская компания считает эти данные как BD, а другая - нет. Характеристика «скорость» описывает, с какими темпами генерируются, перемещаются новые данные и уничтожаются. Характеристика «разнообразие» включает как источник данных (внутренние и внешние), так и типы данных (структурированные и неструктурированные). Для аудиторов наиболее важным является достоверность этих данных, то есть их правдивость и целостность. Следует отметить, что для BD присуще незначительное искажение данных. Поэтому перед аудиторами возникают задачи: оценки уровня искажения данных, оценки качества сформированных выводов.
Кроме этого, в аудите BD определяют исходя из их содержания: традиционные финансовые данные и нефинансовые данные, электронные письма, телефонные звонки, данные социальных сетей, данные, поступающие из Интернета вещей (IoT), таких как RFID-систем, GPS-устройств, банкоматов и т. п.
Однако Big Data не является самоцелью аудита - важнее аналитика этих данных, то есть знания, которые можно получить из их анализа. В контексте аудита под аналитикой данных понимают алгоритмические инструменты, которые позволяют выявлять закономерности или аномалии, а также получать другую полезную информацию, которая на первый взгляд является невидимой, из структурированных и неструктурированных данных путем их анализа, моделирования и визуализации [5].
Как отмечают эксперты [6; 7], аналитика больших данных позволяет:
- исследовать 100% элементов генеральной совокупности операций или транзакций, а не выборку, и мгновенно представлять визуально результаты этих исследований;
- за счет аналитики неструктурированных
данных (например, договоры) создаются возможности для аудиторов по углубленному пониманию субъекта хозяйствования и его среды, а также повышению качества аудита;
- за счет быстрого анализа больших объемов данных аудиторы могут быстро выявить необычные операции или определенные схемы, что улучшает информирование процедур оценки риска мошенничества и тестирование средств контроля (например, анализируя журнал хозяйственных операций, аудитор может обнаружить увеличение ручных операций, осуществления хозяйственных операций во внеурочное время, инициирование операций лицами, которые не были ранее уполномоченными на это);
- такие характеристики Big Data, как большие объемы и скорость потоков информации, имеют положительное влияние на выявление мошеннических схем, поскольку при таких потоках информации что-то изменить и поправить практически невозможно, а значит, любое отклонение от стандартных бизнес-процессов (или совершения нетипичных операций) оставит свой след и может быть обнаружено;
- за счет быстрой кластеризации генеральной совокупности аудитор может получить более обстоятельное представление об однородности и оценить необходимый объем выборки (а также осуществить отбор элементов) для аудиторских процедур по существу;
- использование прогнозных свойств аналитики больших данных (Predictive analytics) целесообразно для тестирования сложных объектов, таких как финансовые инструменты, а также для оценки непрерывности деятельности предприятия;
- информационные панели визуализации, используемые наряду с инструментами аналитики больших данных, позволят улучшить профессиональное суждение аудитора, связанное с объектом аудита, а также могут способствовать информативности диалога между аудитором и клиентом по вопросам оценки потенциальных рисков.
Одной из причин, мотивирующей аудиторские компании внедрять инструменты аналитики больших данных, является то, что их клиенты находятся на передовых стадиях использования Big Data (в частности, предприятия финансового сектора активно используют блокчейн-решения, про-
изводственные - сбор информации через «интернет вещей») [8]. Блокчейн-технология представляет собой распределенный реестр данных, фиксирующий информацию обо всех совершенных пользователями транзакциях. Объединенная в блоки и цепи информация не может быть поддельной или фальсифицированной. Технология блокчейн предоставляет пользователям право просматривать информацию и отслеживать ее движение [2].
Однако Big Data чаще используются в маркетинговых исследованиях, чем в аудите. Результаты анализа исследований [4; 5; 7; 8] позволили выделить основные факторы, сдерживающие активное использование аналитики больших данных в аудите, которые условно можно разделить следующим образом:
1. Для построения корреляционных связей и применения инструментов data mining аудиторам необходим полный доступ к данным клиента, что вызывает обеспокоенность за конфиденциальность, особенно в отношении информации из CRM-систем и социальных сетей (например, персональные данные клиентов) и, соответственно, требует дополнительных ресурсов на их сохранение.
2. Основной целью аудита финансовой отчетности является уверенность, что финансовые отчеты не содержат существенных искажений. Для этого необходимо выполнить аудиторские процедуры, чтобы получить достаточные и приемлемые аудиторские доказательства. Эффективное использование технологий может помочь в получении достаточных и соответствующих аудиторских доказательств.
3. Аналитика больших данных позволяет выявлять нетипичные операции, что, с одной стороны, помогает аудитору в формировании суждений относительно эффективности контроля, но, с другой, проверка всей совокупности может привести к отклонениям [5].
4. Включение аналитики больших данных в аудит финансовой отчетности требует, чтобы аудиторы имели навыки и компетентность, которые превышают обычные навыки Excel. В частности, они должны обладать навыками работы с программами построения дашбордов (такие как Power BI), языками программирования (R). На сегодняшний день в образовательные программы подготовки
специалистов по учету и аудиту не включены предметы по углубленному изучению аналитики данных. Единственным выходом является включение в аудиторскую группу, при необходимости, специалистов по ИТ и аналитиков.
«Организационные основы аудита - это совокупность отдельных элементов, взаимосвязь которых направлена на достижение цели организации аудита. При этом к таким элементам относятся цель, задачи, объекты, этапы, методы и источники информации аудита определенного направления деятельности предприятия. Развитие информационных технологий, в частности искусственного интеллекта и аналитики данных, меняет методы обработки и использования информации» [3]. Хотя аналитика больших данных еще не используется интенсивно в аудите, однако ее применение может повысить эффективность и результативность аудита финансовой отчетности. В частности, перспективным является применение в аудите аналитики больших данных для оценки непрерывности деятельности предприятия и прогнозирования банкротства, выявления финансовых мошенничеств и оценки эффективности контроля.
Информационные панели визуализации, которые являются частью аналитики данных, становятся важными для формирования профессионального суждения аудитора относительно объема контроля или порога существенности, а следовательно, могут рассматриваться как средство повышения качества аудита и его эффективности. Однако широкое применение аналитики больших данных требует уточнений в нормативной базе регулирования аудита, а также изменений в программах подготовки аудиторов с ориентацией на получение компетенций и навыков работы с инструментами аналитики данных.
Список литературы
1. Большие данные. - URL: https://ru.wikipedia.org/ wiki/Большиеданные (дата обращения: 09.11.2021);
2. Дадаев, Я. Э. Основы использования blockchain-технологии в бухгалтерском учете / Я. Э. Дадаев, С. У. Бисултанова, Х. С. Абдулхалимова // Материалы Всероссийской научно-практической конференции с международным участием «Пространственное развитие территорий в условиях цифровизации». - Грозный, 2020 - С. 73-77.
индустриальная экономика • № 5, том 3, 2021 275
3. Закриева, 3. М. Финансовые результаты деятельности предприятия: организационные основы проведения аудита / 3. М. Закриева, Я. Э. Дадаев // Экономика и предпринимательство. -2020. - № 2 (115). -С. 787-790.
4. Alles, М., Gray, G. L. Incorporating big data in audits: Identifying inhibitors and a research agenda to address those inhibitors // International Journal of Accounting Information Systems, 2016, vol. 22, р. 44-59.
5. Appelbaum, D., Kogan, A., Vasarhelyi, M. Big Data and Analytics in the Modern Audit Engagement: Research Needs // Auditing: A Journal of Practice and Theory, 2017, vol. 36, is. 4, рр. 1-27.
6. Crisis impact on digital business transformation. Gartner Business Quarterly - Q4 2020. URL: https://www. gartner.com/en/insights/gartner-business-quarterly/q4-2020 (дата обращения: 09.11.2021).
7. Exploring the growing use of technology in the audit, with a focus on data analytics. IAASB, 2016. URL: https://www.iaasb.org/publications/exploring-growing-use-technology-audit-focus-data-analytics (дата обращения: 09.11.2021).
8. Salijeni G., Samsonova-Taddei A., Turley S. Big Data and changes in audit technology: contemplating a research agenda // Accounting and Business Research, 2019, vol. 49, is. 1, рр. 95-119.
References
1. Bol'shie dannye. URL: https://ru.wikipedia.org/wiki/ Bol'shiedanny'e (data obrashheniya: 09.11.2021);
2. Dadaev Ya.E', Bisultanova S.U., Abdulxalimova X.S. Osnovy' ispol'zovaniya blockchain-texnologii v buxgal-terskom uchete. Materialy Vserossijskoj nauchno-prakticheskoj konferencii s mezhdunarodny'm uchastiem «Prostranstvennoe razvitie territorij v usloviyax cifrovizacii». Grozny'j, 2020 - S. 73-77.
3. Zakrieva Z.M., Dadaev Ya.E'. Finansovy'e rezul'taty' deyatel'nosti predpriyatiya: organizacionny'e osnovy' provedeniya audita. E'konomika i predprinimatel'stvo. 2020. № 2 (115). S. 787-790.
4. Alles M., Gray G. L. Incorporating big data in audits: Identifying inhibitors and a research agenda to address those inhibitors. International Journal of Accounting Information Systems, 2016, vol. 22, r. 44-59.
5. Appelbaum D., Kogan A., Vasarhelyi, M. Big Data and Analytics in the Modern Audit Engagement: Research Needs. Auditing: A Journal of Practice and Theory, 2017, vol. 36, is. 4, rr. 1-27.
6. Crisis impact on digital business transformation. Gartner Business Quarterly - Q4 2020. URL: https://www. gartner.com/en/insights/gartner-business-quarterly/q4-2020 (data obrashheniya: 09.11.2021).
7. Exploring the growing use of technology in the audit, with a focus on data analytics. IAASB, 2016. URL: https://www.iaasb.org/publications/exploring-growing-use-technology-audit-focus-data-analytics (data obrashheniya: 09.11.2021).
8. Salijeni G., Samsonova-Taddei A., Turley S. Big Data and changes in audit technology: contemplating a research agenda. Accounting and Business Research, 2019, vol. 49, is. 1, rr. 95-119.
