Implikasi Perilaku dari Dampak Big Data tentang Pertimbangan Audit

dan Pengambilan Keputusan dan Arah Penelitian Masa Depan

SINOPSIS: Makalah ini membahas kelemahan dan keterbatasan pemrosesan

informasi yang dapat menghalangi penggunaan dan analisis Big Data yang
efektif dalam lingkungan audit. Berdasarkan literatur dari psikologi dan audit, kami
menyajikan perilaku implikasi Big Data terhadap penilaian audit dengan menangani
masalah informasi kelebihan beban, relevansi informasi, pengenalan pola, dan
ambiguitas. Kami juga membahas tantangan yang dihadapi auditor saat
menggabungkan Big Data dalam analisis audit dan berbagai alat analisis yang saat
ini digunakan oleh perusahaan dalam analisis Big Data. Naskah tersebut diakhiri
dengan mengajukan pertanyaan yang mungkin akan dibahas oleh penelitian masa
depan terkait dengan pemanfaatan Big Data dalam audit.

Kata kunci: Big Data; penilaian audit; analitik data; memproses informasi
kelemahan.

PENGANTAR

Data terus dikumpulkan dengan kecepatan yang meningkat secara eksponensial,

dibantu oleh keberadaan berbagai sistem informasi dan penurunan biaya
penyimpanan. Koleksi tersebut sejumlah besar data telah disebut "Big Data", yang
biasanya disebut sebagai populasi besar kumpulan data yang ukurannya di luar
kemampuan alat perangkat lunak database biasa menangkap, menyimpan,
mengelola, dan menganalisis (McKinsey 2011). Lebih lanjut, Gartner Research
(2014) mendefinisikan Big Data sebagai aset informasi "bervolume tinggi,
berkecepatan tinggi, dan beragam yang menuntut biaya-bentuk pemrosesan
informasi yang efektif dan inovatif untuk meningkatkan wawasan dan pengambilan
keputusan. "Banyak organisasi telah menggunakan Big Data untuk membuat
keputusan yang lebih tepat dan tepat waktu tentang bisnis mereka, seperti penilaian
risiko (King 2013; Myers 2013) dan pemasaran (Been 2013; Lorinc 2013; Stevens-
Huffman 2013; Kuat 2013; Shields 2013). Sedangkan kumpulan Big Data adalah
relatif mudah, hal yang sama tidak berlaku untuk pemrosesan dan penggalian
informasi yang berguna data dalam jumlah besar. Tantangan ini terutama benar
terkait dengan audit atas laporan keuangan dan kontrol atas laporan keuangan
(Alles 2013; Titera 2013).

Inovasi teknologi (misalnya, perdagangan elektronik, transaksi online) telah

menyebabkan sebuah peningkatan signifikan dalam volume dan kompleksitas
transaksi akuntansi, membuatnya lebih menantang auditor untuk menganalisis
transaksi. Sementara sebagian besar individu akan setuju dengan kemampuan itu
untuk mengumpulkan, mengolah, dan menganalisis data secara lebih efektif
berpotensi mengarah pada penilaian yang lebih baik dan pengambilan keputusan,
Big Data memiliki potensi untuk secara dramatis mengubah cara auditor membuat
keputusan (yaitu, penilaian risiko) dan mengumpulkan bukti audit (Moffitt dan
Vasarhelyi 2013; Issa 2013; Kogan, Alles, Vasarhelyi, dan Wu 2011; Vasarhelyi dan
Halper 1991). Misalnya, Gray dan Debreceny (2013) menyatakan bahwa data
mining memiliki potensi untuk meningkatkan efisiensi dan efektivitas prosedur audit. '
Auditor dapat memanfaatkan teknik data mining untuk menganalisis eksternal data
(misalnya, data sensus, media sosial, artikel berita) dalam penilaian mereka
terhadap risiko bisnis klien, fraud risiko, pengendalian internal, kelangsungan usaha,
dll. Selain itu, alih-alih menggunakan teknik pengambilan sampel, gunakan file teknik
analitik data memungkinkan auditor untuk menganalisis semua transaksi klien untuk
tahun tersebut untuk pengecualian dan pencilan, serta tren. Namun, terlepas dari
ketersediaan alat analitik data tingkat lanjut, alat ini jarang digunakan, jika ada,
dalam audit laporan keuangan (Alles 2014; Gray dan Debreceny 2013) dan ada
konsensus terbatas tentang peran Big Data dalam audit (Alles 2013).

Sementara standar audit memberi auditor aturan dan pedoman, proses audit
melibatkan pertimbangan yang dipertimbangkan terkait dengan jenis dan jumlah
bukti yang dikumpulkan. Misalnya, mengaudit standar memerlukan bukti audit yang
cukup dan tepat (Akuntansi Perusahaan Publik Dewan Pengawas (PCAOB] 2010,
AS No. 15). Apa yang dimaksud dengan audit yang cukup dan tepat bukti adalah
keputusan yang hanya didasarkan pada pertimbangan auditor. Jadi, tantangannya
untuk auditing profesi akan menjadi bagaimana mendapatkan nilai dari Big Data dan
memastikan bahwa penilaian dan keputusan audit didasarkan pada informasi
berkualitas yang relevan dan dapat dipercaya. Oleh karena itu, sangatlah penting
untuk mendapatkan keuntungan pemahaman tentang proses perilaku yang
dilakukan auditor untuk memproses informasi keputusan dan dampak dari
proses perilaku ini dilingkungan Big Data. Untuk membantu fokus Penelitian
selanjutnya, manuskrip ini mengidentifikasi kelemahan dan keterbatasan
pengolahan informasi itu dapat menghalangi penggunaan dan analisis Big
Data yang efektif dalam lingkungan audit.

Alat analitik data memungkinkan auditor untuk mengimpor jumlah data yang hampir
tak terbatas untuk analisis, yang berpotensi memperburuk batasan pemrosesan
informasi. Misalnya, penelitian di Psikologi menunjukkan bahwa pengambil
keputusan memiliki kemampuan terbatas untuk memproses sejumlah besar
informasi yang diperlukan untuk pengambilan keputusan yang kompleks (Kleinmuntz
1990; Iselin 1988). Jadi, ini manuskrip akan memeriksa batasan kognitif yang
berpotensi ditemui auditor saat menggunakan alat untuk menganalisis Big
Data dan menafsirkan keluaran yang dihasilkan oleh alat analitik data.

Secara khusus, alat analitik data dapat membantu auditor dengan tugas yang
membutuhkan penilaian yang lebih subjektif, karena ini adalah area yang berpotensi
untuk memaksimalkan penggunaan Big Data dalam menangani informasi
pemrosesan kelemahan dan batasan (misalnya, penilaian risiko fraud). Peluang
potensial dan tantangan untuk memformalkan penilaian yang lebih kompleks ini
akan dibahas dalam kaitannya dengan data alat analitik (yaitu, sistem pakar,
penambangan data, dll.), serta arahan untuk penelitian di masa mendatang.
Selain itu, alat yang saat ini digunakan di domain lain akan diperiksa dalam konteks
Besar Data dan data yang paling cocok untuk profesi audit (misalnya, sistem pakar
seperti AudEx) akan dibahas.

Naskah ini tidak mencoba membahas bagaimana Big Data harus disintesis ke dalam
audit proses (lihat Alles [2013] untuk diskusi tentang nilai dan rintangan yang terkait
dengan adopsi audit Big Data), tetapi kami memeriksa, dalam konteks literatur yang
diambil dari psikologi dan audit, implikasi perilaku dari analisis dan interpretasi Big
Data di lingkungan audit dan memberikan diskusi tentang alat yang mungkin,
dengan teknologi saat ini, yang dapat digunakan untuk menangani beberapa
masalah teridentifikasi yang berpotensi dihadapi auditor di lingkungan Big Data.

Sisa naskah ini dilanjutkan sebagai berikut. Bagian selanjutnya memberikan

gambaran umum tentang arti Big Data, diikuti dengan diskusi tentang
implikasi perilaku Big Data untuk auditor. Bagian keempat berfokus pada
tantangan yang terkait dengan audit Big Data dan membahas teknologi yang
dapat digunakan oleh auditor untuk mensintesis Big Data ke dalam audit
proses. Bagian terakhir menawarkan peluang penelitian di masa depan dan
catatan penutup.

DATA BESAR DALAM KONTEKS AUDIT

Dengan munculnya Big Data, jumlah dan keragaman informasi telah meningkat dan
sebagai Hasilnya Big Data memberi auditor potensi yang luar biasa untuk
meningkatkan efisiensi dan efektivitas perikatan audit. Misalnya, analisis transaksi
tunai untuk memastikan kepatuhan terhadap peraturan pencucian uang adalah
contoh dari area berisiko tinggi di mana auditor dapat melakukannya
menggunakan analisis Big Data untuk fokus pada transaksi yang
mencurigakan. Dalam skenario ini aturan umumnya adalah itu setiap
pembayaran yang melebihi jumlah yang ditentukan membutuhkan persetujuan
khusus. Untuk menghindari keharusan pergi melalui proses persetujuan ini,
beberapa pengguna mungkin menggunakan untuk menyimpan jumlah
transaksi tepat di bawah ambang batas, atau membagi jumlah menjadi
beberapa transaksi, a fenomena yang dikenal sebagai "pembayaran terpisah".
Sementara transaksi semacam itu mungkin tidak melanggar internal apa pun
kontrol, kejadian yang sering terjadi mungkin memerlukan penyelidikan lebih lanjut
untuk memastikan keabsahannya transaksi ini. Skenario ini menggambarkan hal itu
dengan mengungkap pola yang akan tetap sebaliknya tidak diketahui, analitik data
yang digunakan untuk mengekstrak informasi dari volume data yang lebih besar
dapat membantu auditor mengidentifikasi area berisiko tinggi di mana mereka harus
memfokuskan upaya investigasi mereka. "Deteksi fraud dan Kuantifikasi Risiko
"diidentifikasi sebagai salah satu dari lima manfaat teratas dari menganalisis
Big Data (Russom 2011).

Meskipun alat analitik data canggih tersedia untuk mengumpulkan data, penggunaan
Big Data di file Proses audit berpotensi menimbulkan masalah signifikan terkait
dengan pertimbangan dan keputusan auditor membuat dengan berbagai cara.

Pertama, penggunaan Big Data melibatkan penggalian informasi untuk analisis dari
populasi data yang sangat besar dari berbagai sumber non keuangan, yang bukan
auditor terbiasa harus mengumpulkan dan menganalisis selama pelaksanaan audit.
Sedangkan data tradisional alat analitik seperti Computer Assisted Audit Techniques
(CAATs) telah terbukti efektif (Dowling dan Leech 2007), mereka pada dasarnya
adalah alat ekstraksi data yang memungkinkan auditor untuk melakukannya
melakukan analisis data menggunakan query. Selain itu, CAAT yang ada memiliki
statistik lanjutan yang terbatas teknik dan mereka tidak memiliki kemampuan untuk
mengimpor informasi nonkeuangan seperti sosial log jaringan, email perusahaan,
artikel surat kabar, dll. Jadi, dengan CAAT, terserah auditor mengidentifikasi anomali
berdasarkan parameter yang ditentukan auditor versus analitik data yang lebih
canggih (mis., clustering) yang menganalisis kumpulan data yang lebih besar untuk
mengidentifikasi pola dan anomali, yang kemudian dilakukan oleh auditor harus
menyelidiki lebih lanjut. Jadi, ini adalah pertanyaan empiris tentang bagaimana
auditor memproses informasi menggunakan alat analitik data yang lebih canggih
(yaitu, penggalian data).

Kedua, sebagai lawan untuk menjelaskan sebab-akibat, penggunaan analisis batas

Big Data terhadap korelasi melalui mencari pola yang mungkin membantu
memprediksi kejadian di masa depan (Cukier dan Mayer- Schoenberger 2013).
Fokus ini bermasalah karena korelasi hanya mengidentifikasi anomali itu
mengarahkan perhatian auditor untuk menyelidiki penyebabnya. Penyebab
merupakan aspek penting dari audit dan korelasi saja tidak memberikan bukti audit
yang cukup dan tepat. Lebih lanjut, penilaian auditor rentan terhadap berbagai
masalah, seperti kesulitan mengenali pola bukti (Bedard dan Biggs 1991a; Nelson
2009; O'Donnell dan Perkins 2011). Terakhir, alam Big Data tidak terstruktur (mis.,
Email, blog perusahaan), yang berpotensi menimbulkan kesulitan memilih data yang
relevan (Costonis 2012; Davenport, Barth, and Bean 2012; Hall 2012; Hyle 2012;
Ede 2013; Golia 2013). Auditor umumnya terbiasa mengumpulkan data keuangan
dan menggunakan data untuk mengidentifikasi informasi yang relevan dan
membuang kebisingan. Namun, mereka tidak terbiasa mengumpulkan dan
menggabungkan data non finansial dari sumber non-tradisional seperti email dan
sosial jaringan. Alhasil, perbedaan antara data relevan dan tidak relevan menjadi
lebih menantang karena ketidaktahuan auditor dalam menganalisis data tidak
terstruktur yang membentuk Big Data. Hal ini terutama menjadi masalah bagi auditor
yang kurang berpengalaman yang diketahui hadir informasi yang tidak relevan saat
membentuk penilaian mereka (misalnya, Hackenbrack 1992; Hoffman dan Patton
1997; Waller dan Zimbelman 2003). Selanjutnya, data tidak terstruktur dapat
dipandang sebagai ambigu dan ambiguitas informasi telah ditemukan untuk
menghasilkan kesalahan (misalnya, identifikasi penyebab yang tidak akurat
kesalahan, penilaian going concern yang kurang konservatif) penilaian audit (Nelson
dan Kinney 1997; Backof, Bamber, dan Carpenter 2014; Luippold dan Kida 2012). Di
bagian berikut kami menggambar pada literatur yang ada dalam audit dan psikologi
untuk mengatasi implikasi perilaku terkait penggunaan analitik data dalam analisis
dan interpretasi Big Data pada penilaian auditor dan pengambilan keputusan

IMPLIKASI PERILAKU TERKAIT ANALISIS DAN INTERPRETASI DATA BESAR

Seperti yang telah dibahas, penggunaan analitik data untuk menganalisis Big Data
berpotensi meningkatkan penilaian auditor dan pengambilan keputusan; namun,
untuk memanfaatkan sepenuhnya manfaat, informasi memproses kelemahan dan
keterbatasan kognitif yang berpotensi dialami saat menganalisis dan menafsirkan
Big Data harus diatasi terlebih dahulu. Auditor dilatih untuk mengumpulkan,
mengatur, dan menganalisis informasi keuangan, dan dengan demikian dapat
memanfaatkan keterampilan inti mereka untuk membantu membuat Big Data non
finansial lebih kecil dan lebih terstruktur. Namun, metode dan alat audit tradisional
(misalnya, CAAT) mungkin tidak selalu cocok untuk menganalisis Big Data secara
efektif dan efisien. Jadi, kemampuan sepenuhnya memanfaatkan manfaat Big Data
dalam teknik analisis data yang lebih canggih (misalnya, pengelompokan, jaringan
saraf), yang berpotensi meningkatkan efektivitas audit. Alat analisis data yang
digunakan untuk menganalisis Big Data memberi auditor kemampuan untuk
memasukkan dan menggunakan keduanya yang terstruktur (mis. Buku besar atau
data transaksi) dan tidak terstruktur (misalnya, komunikasi email, sensor Wi-Fi, tag
elektronik, gratis- bidang teks dalam database) data untuk mengidentifikasi potensi
anomali transaksional (misalnya, tidak sah pencairan), pola perilaku (misalnya,
pembayaran terpisah untuk melewati batas transaksi), dan tren (misalnya,
peningkatan transaksi fraud sebelum hari libur besar). Misalnya, penilaian risiko
fraud, penilaian yang sangat kompleks dan subyektif yang harus dibuat oleh auditor
pada setiap audit.

Metode audit tradisional tidak selalu efektif dalam mengidentifikasi risiko

kecurangan. Untuk Misalnya, penggunaan daftar periksa risiko fraud standar dan
program perencanaan standar dikaitkan dengan analisis yang kurang efektif dari
risiko fraud dan identifikasi tes untuk mendeteksi kecurangan (Pincus 1989; Eining,
Jones, dan Loebbecke 1997; Asare dan Wright 2004). Sebaliknya, alat berteknologi
maju (mis., Penggalian data) dan analitik data (mis. pemodelan prediktif) telah
ditemukan sebagai alat yang efektif yang dapat digunakan dalam menganalisis dan
mengevaluasi Big Data dalam penilaian risiko fraud (Humpherys. Moffitt, Burns,
Burgoon, dan Felix 2011; Bochkay dan Levine 2013). Misalnya, korelasi negatif
antara nonfinansial dan ukuran keuangan dari kinerja bisnis dapat menjadi indikasi
manipulasi keuangan informasi. Meskipun demikian, bahkan dalam lingkungan Big
Data ada batasan yang tidak mungkin terjadi atasi dengan alat canggih saja.
Keputusan yang diambil berdasarkan informasi yang berasal dari Big Data masih
melibatkan interpretasi dan penilaian. Misalnya, meskipun alat teknologi dapat
mengidentifikasi pola, auditor yang diperlukan untuk menganalisis dan mengevaluasi
pola-pola ini. Sedangkan alat ini bisa digunakan untuk merampingkan data dan
membantu dalam pengambilan keputusan, tanpa pengorganisasian auditor dan
dengan menerapkan informasi yang tidak tercakup secara tepat, analisis tidak akan
efektif atau efisien dan kualitas audit tidak akan ditingkatkan. Berdasarkan tinjauan
literatur kami, keterbatasan utama yang berpotensi terkait dengan pemrosesan
informasi di lingkungan Big Data meliputi: informasi kelebihan beban, relevansi
informasi, pengenalan pola, dan ambiguitas.
Kelebihan Informasi Kelebihan informasi hanyalah menerima terlalu banyak
informasi (Eppler dan Mengis 2004).

Pengambil keputusan memiliki kemampuan terbatas untuk memproses informasi

dalam jumlah besar, dan yang sudah ada penelitian tentang kemampuan individu
untuk menggabungkan isyarat dari berbagai sumber secara konsisten menunjukkan
hasil yang kurang baik (Benbasat dan Taylor 1982; Iselin 1988; Kleinmuntz 1990).
Secara khusus, penelitian akuntansi yang meneliti efek dari informasi yang
berlebihan menunjukkan bahwa informasi akuntansi dalam jumlah besar
berpotensi menyebabkan keuangan dan audit yang kurang optimal penilaian
(Ashton 1974; Driver dan Mock 1975; Miller dan Gordon 1975: Chewning dan Harrell
1990; Saham dan Harrell 1995; Simnett 1996; Alles, Brennan, Kogan, dan
Vasarhelyi 2006; Alles, Kogan, dan Vasarhelyi 2008). Sementara alat analitik data
memungkinkan untuk mengekstrak volume data yang besar, analisis dan interpretasi
hasil mungkin bermasalah bagi auditor karena output masih menghasilkan jumlah
data yang sangat banyak (Issa dan Kogan 2014). Misalnya analitik dan data yang
canggih alat perangkat lunak pertambangan memungkinkan auditor untuk
menangkap dan menggabungkan sejumlah besar informasi dari berbagai sumber.
Namun, agar data mining menjadi alat analitik yang efektif, auditor harus memiliki
pemahaman yang jelas tentang data, kualitas data, relevansi data, dll. agar dapat
digambar dengan tepat kesimpulan. Selain itu, keluaran dari data mining harus
diinterpretasikan dan dievaluasi di konteks asersi audit spesifik yang sedang diuji.
Sedangkan auditor terbiasa berbadan hukum informasi nonfinansial ke dalam
analisis mereka, audit sistem strategis (Peecher, Schwartz, dan Solomon 2007;
Zhao dan Harding 2013), sifat analisis Big Data dan hasilnya keluaran masih
berpotensi mengakibatkan penurunan kualitas audit karena informasi yang
berlebihan. Ini informasi yang berlebihan dapat membebani proses pengambilan
keputusan, menjadikannya kurang efisien dan kurang efektif, mengarah pada
keputusan yang tidak tepat (Casey 1980; Malhotra 1982), komplikasi pada
membedakan informasi yang relevan (Jacoby 1977), kesulitan dalam mengenali
korelasi antara detail dan perspektif keseluruhan (Schneider 1987), mengabaikan
sejumlah besar informasi (Herbig dan Kramer 1994; Sparrow 1999; Bawden 2001),
dan waktu pengambilan keputusan yang lebih lama (Jacoby 1984).

Terlepas dari potensi masalah yang terkait dengan kelebihan informasi,

pemanfaatan Big Data dalam audit dapat dicapai. Chewning dan Harrell (1990)
menyarankan bahwa pendekatan yang mungkin untuk Big Data adalah untuk
melengkapi pengambil keputusan dengan model keputusan yang cocok untuk
keputusan tertentu, yang akan memiliki efek mengurangi kesulitan pemrosesan
informasi yang disebabkan oleh tingkat informasi yang tinggi beban. Model
keputusan jenis ini telah berhasil digunakan di industri lain. Contohnya, banyak
perusahaan asuransi menggunakan perangkat lunak manajemen risiko untuk
menganalisis bisnis yang berbeda secara kolektif unit yang berkaitan dengan
evaluasi risiko dan pengendalian yang dirancang untuk mengurangi dan
mengendalikan risiko, dan untuk menilai prosedur yang diperlukan untuk
meningkatkan lingkungan pengendalian (Hyle 2006). Penanggung juga punya
mengembangkan analitik prediktif yang memanfaatkan Big Data untuk
penetapan harga (yaitu, harga berdasarkan risiko), mengoptimalkan kelayakan
risiko (Rose 2013; Vasudeva 2013; Wilkinson 2013), dan mengidentifikasi klaim
fraud (Liyakasa 2012; Hughes 2013). Bidang medis telah secara efektif
menggunakan operasi penambangan data menemukan tren dan asosiasi baru
yang dapat meningkatkan fungsi diagnostik dan pengobatan untuk
mendorong hasil pasien yang lebih baik (Martin 2013). Ini adalah alat yang
mungkin berlaku untuk lingkungan audit dan dapat diadopsi oleh auditor untuk
memungkinkan mereka memproses output data dengan lebih baik untuk lebih efektif
mengidentifikasi tanda bahaya atau pencilan. Memang, teknologi serupa sedang ada
dikembangkan untuk digunakan dalam audit.

Relevansi Informasi

Beban informasi yang meningkat mungkin membuat sulit untuk mengidentifikasi

isyarat yang relevan secara akurat dan mungkin mengakibatkan penurunan kinerja
(O'Reilly 1980). Jadi, satu hasil negatif dari paparan informasi yang berlebihan
adalah ketidakmampuan untuk mengabaikan informasi yang tidak relevan. Tingkat
yang lebih tinggi tidak relevan informasi telah terbukti mengurangi kemampuan
pembuat keputusan untuk mengidentifikasi informasi yang relevan dan dengan
demikian mengurangi kinerja pengambilan keputusan mereka secara keseluruhan
(Hodge dan Reid 1971; Well 1971; Streufert 1973). Fenomena ini secara luas
dikenal sebagai efek dilusi. Dengan kata lain, file adanya sejumlah besar informasi
non-diagnostik (kebisingan) cenderung mengganggu keputusan pembuat dan
mengencerkan atau menurunkan kualitas penilaian mereka (Nisbett, Zukier, dan
Lemley 1981; Hackenbrack 1992; Hoffman dan Patton 1997; Waller dan Zimbelman
2003; Lombardi 2012). Di Dalam konteks audit, efek dilusi sangat bermasalah
karena auditor harus memilih dari beragam informasi yang tersedia item mana yang
paling relevan untuk pertimbangan audit mereka (Blay 2005). Jelas, penelitian
menunjukkan bahwa perhatian terhadap informasi yang tidak relevan berpotensi
untuk secara signifikan membatasi nilai yang dapat diperoleh dari memasukkan Big
Data ke dalam proses audit.

Namun, ini bukanlah masalah yang unik bagi auditor. Banyak bisnis yang kewalahan
oleh kuantitas informasi dan akibatnya, karena sifat data yang tidak terstruktur,
mereka melakukannya tidak tahu bagaimana mendapatkan nilai darinya. Dengan
demikian, tantangan menentukan dan penggalian relevan informasi harus ditangani.
Perusahaan audit perlu mengidentifikasi jenis informasi yang relevan untuk tujuan
proses audit, terutama informasi nonfinansial, karena nonfinansial informasi yang
dihasilkan oleh Big Data sebagian besar bersifat ambigu dan bervolume, dua
karakteristik itu telah terbukti berdampak negatif terhadap penilaian auditor
(misalnya, Stocks dan Harrell 1995; Simnett 1996; Nelson dan Kinney 1997).

Profesi audit dapat melihat industri asuransi sebagai contoh penggunaan Big Data
untuk menganalisis proses bisnis. Misalnya, perusahaan asuransi telah
menggunakan alat analitik data seperti analitik dan teknologi telematika (yaitu,
pencampuran komputer dan telekomunikasi nirkabel teknologi, seperti GPS) (Rose
2012, 2013; Bernier 2013) untuk menghitung profil risiko pelanggan di waktu
sebenarnya. Jelas dalam kasus ini, perusahaan asuransi berfokus pada data yang
paling relevan dengan risiko pengemudi mobil mengajukan kepada perusahaan
asuransi (yaitu, risiko mobil) sebagai lawan informasi yang mewakili risiko mobil
(mis., jenis mobil, status perkawinan, jenis kelamin, riwayat kredit). Penanggung juga
menggunakan pola dan tautan analisis (yaitu, evaluasi hubungan antara objek
seperti orang, organisasi, transaksi, dll.) untuk mendeteksi fraud asuransi (Hughes
2013), yang sangat relevan di konteks audit dimana penilaian risiko kecurangan
merupakan komponen utama dari proses penilaian risiko itu auditor diminta untuk
melakukan. Secara khusus terkait dengan konteks audit, Lombardi (2012)
mengurangi penggabungan informasi yang tidak relevan dalam proses keputusan
dengan kurang berpengalaman auditor menggunakan sistem pakar (bentuk analisis
tautan berbasis heuristik memanfaatkan berbasis aturan keputusan
pada pengetahuan ahli menggunakan data terstruktur) dalam membuat penilaian
risiko fraud

Pengenalan Pola
Big Data memberi pembuat keputusan kemampuan untuk mencari pola dalam skala
besar populasi data yang seharusnya tidak terdeteksi dalam sampel atau bahkan
kumpulan data yang lebih kecil (Alles 2013). Dalam lingkungan audit, misalnya,
proses penilaian risiko audit umumnya melibatkan mengenali pola dalam data (mis.,
anomali dan inkonsistensi data kompleks) yang mungkin disarankan kesalahan atau
fraud (Libby 1985; Bedard dan Biggs 1991a; Coakley dan Brown 1993). Sedangkan
keluarannya dihasilkan dari analisis Big Data adalah keuntungan utama, penelitian
sebelumnya telah menunjukkan bahwa auditor tidak begitu mahir mengenali pola
dalam data keuangan dan nonkeuangan (Bedard dan Biggs 1991a; Bierstaker,
Bedard, dan Biggs 1999; Asare, Trompeter, dan Wright 2000), menerapkan
sebelumnya pengetahuan untuk tugas penilaian saat ini, dan pembobotan bukti
dengan tepat (Nelson 2009). Paling temuan mengenai pengenalan pola berkaitan
dengan penelitian audit pada prosedur analitis (Biggs dan Wild 1985; Bedard dan
Biggs 1991a; O'Donnell dan Perkins 2011). Umumnya temuan menunjukkan bahwa
auditor mengalami kesulitan dalam mengekstrapolasi data deret waktu yang lebih
kompleks secara akurat (Biggs dan Liar 1985); mereka tidak dengan mudah
menggabungkan informasi menjadi pola dalam membuat penilaian (Bedard dan
Biggs 1991a); dan mereka cenderung fokus pada penyebab kesalahan yang salah
(Asare et al. 2000).

Lebih lanjut, auditor mungkin tidak dapat mengidentifikasi ketidakkonsistenan yang

mendasari data keuangan dan mungkin mengevaluasi ketidakkonsistenan keuangan
secara akun per akun, bukan mengevaluasi kombinasi dari inkonsistensi (Bedard
dan Biggs 1991a; Bierstaker et al. 1999). Tren terkini dalam teknologi memberikan
bukti bahwa auditor dapat dilatih untuk mengatasinya kesulitan dengan pengenalan
pola. O'Don dan Perkins (2011) menemukan bahwa auditor yang menggunakan alat
pemikiran sistem lebih fokus pada pola diagnostik fluktuasi dalam akun, dan dengan
benar menilai risiko salah saji pada tingkat yang lebih tinggi ketika disajikan dengan
fluktuasi yang tidak konsisten di file tugas prosedur analitis. Selain itu, Selby (2011)
menemukan bahwa auditor keuangan yang memiliki pengetahuan prosedural
pengendalian otomatis lebih mampu menafsirkan pola risiko secara otomatis- bukti
kontrol. Dengan demikian, temuan ini menunjukkan bahwa memberikan auditor
keuangan lebih banyak pengalaman dan pelatihan kontekstual akan meningkatkan
kemampuan mereka untuk mengenali pola secara akurat data, dan yang lebih
penting untuk menafsirkannya dengan benar. Beberapa alat analitik data saat ini
digunakan yang berpotensi mengurangi kesulitan yang dialami auditor dengan
pengenalan pola.Sebagai contoh, analisis cluster dan aturan asosiasi telah banyak
digunakan dalam pemasaran dan di industri asuransi. Lebih lanjut, penelitian yang
muncul telah membuktikan efisiensi analisis cluster di mengidentifikasi pola dan
anomali (Thiprungsri dan Vasarhelyi 2011). Sedangkan alat tersebut belum
digunakan secara luas oleh auditor, peluang untuk memanfaatkan alat-alat ini dalam
konteks audit meningkat potensi. Misalnya, analisis cluster dapat digunakan dalam
populasi transaksi yang besar untuk mengidentifikasi kasus di mana manajer
memberikan otorisasi berlebihan atas pembayaran batas.

Ambiguitas
Aspek lain dari Big Data adalah sifat data yang tidak terstruktur (misalnya, heterogen
dan variabel) yang hadir dalam berbagai format (mis., teks, gambar, video).
Karakteristik ini berpotensi menciptakan ambiguitas. Ketidakjelasan dapat muncul
dari variasi dalam jumlah dan jenis informasi tersedia, serta dari perbedaan dalam
keandalan sumber dan kurangnya pengetahuan kausal peristiwa yang diamati
(Einhom dan Hogarth 1986). Sedangkan Big Data menawarkan peluang yang luar
biasa untuk melihat korelasi baru antara data, hal ini menghadirkan sejumlah
tantangan implementasi. Dua Masalah utama yang muncul pada Big Data: sifat data
yang tidak terstruktur dan kesulitan dalam memilih data (Costonis 2012; Davenport
et al.2012; Hall 2012; Hyle 2012; Ede 2013: Golia 2013).
● Pertama, data-informasi tidak terstruktur disajikan sebagai gambar, dokumen
yang dipindai, entri yang ditranskripsikan mempersulit kebutuhan untuk
manajemen data dan perangkat lunak pemrosesan (Wamer 2013).
● Kedua, meskipun fokus utamanya tetap pada masalah teknologi, perusahaan
hanya seefektif milik mereka kemampuan untuk mengumpulkan data yang
menjawab pertanyaan strategis (Costonis 2013). Misalnya, meskipun DW
DWU, SJU, U MU manfaat yang bisa didapat dari penggunaan Big Data
secara strategis, banyak perusahaan asuransi tidak merasakannya cukup
siap untuk menangani tantangan (Josefowicz 2013).

Masalah ini bahkan lebih menantang ketika individu dituduh menggunakan analitik
data memiliki toleransi yang rendah untuk ambiguitas. Individu yang tidak toleran
terhadap ambiguitas secara aktif berusaha untuk mengurangi ketidakpastian
dengan berfokus pada solusi sederhana untuk menyelesaikan situasi yang
ambigu. Lain informasi diabaikan begitu solusi diidentifikasi (Lowe dan
Reckers 1997). Sebaliknya, individu dengan toleransi yang tinggi terhadap
ambiguitas tidak mengalami stres ketika informasi tidak jelas, tidak lengkap,
tidak terstruktur, tidak jelas, dll. (Norton 1975). Jadi, individu yang tidak toleran
ambiguitas lebih mungkin untuk mengakhiri proses keputusan secara prematur
dibandingkan dengan individu yang toleran terhadap ambiguitas (MacDonald 1970).
Berdasarkan penelitian tentang toleransi ambiguitas, jelaslah bahwa yang utama
Pertimbangan tentang bagaimana Big Data akan digunakan bergantung pada
toleransi auditor kemenduaan. Kemungkinan auditor yang tidak toleran terhadap
ambiguitas akan merasa tidak nyaman dengan yang tidak terstruktur sifat Big
Data dan akibatnya dapat menghindari atau mengecilkan informasi ambigu
yang dapat dihasilkan dalam penilaian yang kurang optimal. Lebih lanjut, hal
itu juga dapat menyebabkan audit yang tidak efisien jika ambiguitas- auditor
yang tidak toleran mengabaikan isyarat informasi yang dapat mengarah pada
penilaian risiko yang lebih efektif.

Alat analitik data tersedia yang dapat membantu auditor mengatasi keterbatasan
kognitif terkait dengan ambiguitas. Misalnya, perusahaan perawatan kesehatan
sering menerima pasien yang ambigu informasi namun dari data ini informasi yang
dapat ditindaklanjuti harus dikembangkan untuk meningkatkan hasil pasien (Moore,
Eyestone, dan Coddington 2013). Mereka telah mengatasi masalah ini dengan
merancang model prediktif (Schouten 2013). Analisis prediktif mengidentifikasi pola
yang berarti dari data untuk meramalkan peristiwa masa depan yang tidak diketahui
menggunakan wawasan Big Data. Jika model prediksi itu dikembangkan dari alat
pembelajaran berorientasi pola dan diterapkan dalam audit, kemudian daftar risiko
yang diprioritaskan dan peluang dapat diberikan kepada auditor, sehingga
berpotensi meningkatkan efisiensi dan efektivitas (Schouten 2013; Issa 2013).
Penggunaan model prediktif dalam audit dapat diterapkan pada ambigu dan sangat
subjektif penilaian seperti going concern, fraud, dll., untuk memodelkan hubungan di
antara berbagai faktor yang relevan. Dengan mengekstraksi transaksi dan data
historis, serta data eksternal, misalnya, auditor dapat melakukannya menangkap
hubungan di antara berbagai faktor untuk menilai risiko yang tidak dapat dilanjutkan
oleh entitas sebagai akan perhatian. Pendekatan analitik lanjutan menggunakan
pemodelan prediktif, pola deteksi dan anomali, dan pembelajaran mesin terapan
telah berhasil mengatasi kekurangan tradisional sistem berbasis aturan (Schouten
2013).

TANTANGAN DATA BESAR DALAM AUDIT

Satu keuntungan dari Big Data adalah peningkatan keterbacaannya oleh
komputer (Lohr 2012). Ini sama Keuntungan mengarah ke salah satu tantangan
terbesar yang dihadapi auditor saat berurusan dengan Big Data — alam big
data tidak terstruktur. Alat analitik tradisional seperti Microsoft Excel atau
Microsoft Access membutuhkan data terstruktur untuk bekerja secara efektif.
Tujuan utamanya adalah untuk mendapatkan kecerdasan membandingkan
data yang telah diunduh dan kemudian divalidasi dan diubah dengan tolok
ukur dan model yang berasal dari data terstruktur. Pengenalan Big Data
menyebabkan pergeseran fokus analisis data untuk mengenali pola dalam sejumlah
besar data (Setty dan Bakhshi 2013).

Untungnya, ada alat analitik data lain, seperti analisis cluster dan aturan
asosiasi, itu dapat beroperasi secara efektif dan efisien dengan jenis data ini.
Tantangan lain yang diangkat oleh Big Data adalah kelebihan informasi, seperti
yang telah dibahas sebelumnya. Itu jumlah pengecualian dan anomali yang
teridentifikasi diharapkan meningkat secara dramatis. Hasil dari, Big Data akan
memperburuk masalah yang sudah ada dengan data tradisional, dimana auditor
berada dibanjiri dengan pengecualian yang diidentifikasi tersebut. Alles dkk. (2006),
Alles et al. (2008), dan Debreceny, Gray, Tham, Goh, dan Tang (2003) menekankan
bahwa pengecualian diidentifikasi oleh audit kontinu sistem disajikan kepada auditor
tanpa pemrosesan lebih lanjut. Akibatnya, analisis dan pemeriksaan pengecualian
ini berada di pundak auditor, yang menyebabkan keterbatasan manusianya untuk
menurunkan efisiensi audit secara keseluruhan (Debreceny et al. 2003; Alles et
al.2006; Alles et al.2008; Issa 2013). Mengembangkan metodologi prioritas dan
memasukkannya ke dalam dukungan keputusan sistem dapat sangat membantu
meringankan beban pemrosesan informasi (Issa 2013).

Tantangan ketiga dan menentukan adalah kurangnya pelatihan yang memadai

dan keterampilan yang dibutuhkan untuk menganalisis Data besar. Sebagian
besar perusahaan telah mengembangkan keterampilan yang terbukti berguna dalam
menangani tradisional data, tetapi belum melakukan hal yang sama untuk fenomena
baru yaitu Big Data (Russom 2011). Faktanya, pelatihan dan keterampilan yang
memadai memainkan peran penting dalam mengadopsi alat analisis. Sebagai
variasi, format, dan aksesibilitas informasi berkembang, perusahaan harus
menyesuaikan dengan meningkatnya kompleksitas Big Data (Papagiannis 2012).
Kompleksitas yang meningkat berarti peningkatan biaya perusahaan, karena volume
data mendorong biaya teknologi ke atas dan memberi tekanan pada perusahaan
untuk mempekerjakan lebih banyak ilmuwan data dan berinvestasi dalam perangkat
lunak database (Golia 2013; Inbar 2013; Mansfield 2013).

Faktor penting lainnya adalah adopsi alat analitik data yang sesuai. Faktanya,
memutuskan alat mana yang akan digunakan akan memainkan peran penting
dalam kegunaan Big Data. Menggunakan survei dari 325 responden dari
profesional manajemen data, Russom (2011) mengategorikan Big Data analitik
menjadi empat kelompok utama tergantung pada potensi pertumbuhan
(pemanfaatan) dan komitmen organisasi, misalnya, apakah popularitas alat akan
meningkat atau menurun, dan kemungkinan perusahaan akan tetap menggunakan
alat tertentu. Kelompok pertama diharapkan peningkatan popularitas (pertumbuhan
potensial yang kuat) dan mencakup model prediktif, pembelajaran mesin teknik,
kecerdasan buatan, analitik statistik, serta teknik visualisasi. Contoh dari grup ini
termasuk analitik waktu nyata yang menganalisis data untuk memperbarui dasbor
yang digunakan oleh manajemen atau auditor untuk mengidentifikasi masalah
secara real-time. Juga termasuk dalam grup ini adalah alat penambangan teks, yang
mendapatkan popularitas karena penerapannya pada beragam masalah, seperti
penilaian risiko dan fraud (Russom 2011).

Kelompok kedua terdiri dari gudang data dan sistem manajemen basis data khusus
(DBMS). Karena peningkatan ketersediaan berbagai platform, analitik ini cenderung
demikian mengalami tingkat adopsi yang lebih tinggi. Perusahaan dapat memilih dari
berbagai produk, banyak di antaranya dilengkapi dengan analitik bawaan (atau
analitik dalam basis data) yang dapat memfasilitasi pekerjaan auditor memeriksa
data.
Kelompok ketiga relatif baru dan tidak terlalu dikenal oleh auditor
keuntungannya mengeksploitasi komputasi terdistribusi. Kemampuan ini
sangat penting dengan globalisasi, di mana data yang ditangkap tersebar di
seluruh dunia. Alat semacam itu (mis., Hadoop Sistem File Terdistribusi)
memungkinkan auditor untuk menangani data dari berbagai jenis (misalnya,
teks, keuangan) dan dari berbagai sumber (email, ERP).

Terakhir, grup terakhir terdiri dari alat yang ada saat ini digunakan oleh
sebagian besar perusahaan dan diharapkan akan hilang pada waktunya karena
terbatasnya skalabilitas, seperti sistem manajemen basis data tradisional (DBMS)
yang dirancang untuk data terstruktur tradisional (Russom 2011).
Singkatnya, teknologi yang diperlukan untuk memanfaatkan Big Data dalam
audit saat ini tersedia dan tampaknya terjangkau. Perusahaan dan industri lain
mendapat manfaat dari mengidentifikasi mitra dan konsultan dengan keahlian dalam
mengumpulkan solusi Big Data (Hamilton 2013). Perusahaan audit bisa juga
memulai kemitraan dengan perusahaan solusi Big Data, seperti Data Alliance
Collaborative, untuk membuat metode analitis yang memotong biaya sekaligus
meningkatkan hasil (Conn 2013). Kemitraan ini akan menghemat banyak waktu
dan biaya dengan mengadopsi alat yang sudah berfungsi yang sedang
digunakan berhasil di industri lain. Auditor kemudian dapat lebih fokus pada
membuat penilaian dan evaluasi informasi relevan yang diambil dari Big Data,
daripada menghabiskan waktu mengembangkan dan menggunakan metode
dan alat untuk menganalisis data tidak terstruktur atau terstruktur. Untuk
Misalnya, jika konsultan pihak ketiga menggunakan alat penambangan data untuk
mengekstrak petunjuk fraud yang relevan dari Big Data untuk perusahaan audit,
kemudian auditor dapat menghabiskan waktu untuk fokus pada penilaian tingkat
kecurangan risiko untuk setiap isyarat yang diambil. Pendekatan ini kemungkinan
akan meningkatkan penilaian risiko fraud, karena hanya informasi yang relevan dari
Big Data sedang diidentifikasi oleh alat analisis data.

DISKUSI
Arah Penelitian Masa Depan
Tabel 1 memberikan ringkasan pertanyaan penelitian yang disarankan. Daftar ini
tidak semuanya inklusif, melainkan harus dianggap sebagai titik awal untuk memacu
penelitian masa depan tentang hal ini topik penting dari kelemahan dan
keterbatasan pemrosesan informasi yang dapat menghambat efektivitas
penggunaan dan analisis Big Data dalam lingkungan audit. Komunitas riset
akademis memainkan peran penting dalam membantu memajukan kami
pemahaman tentang efek, baik positif maupun negatif, dari Big Data pada
pertimbangan auditor. Itu pengetahuan yang diperoleh dari penelitian audit penilaian
dan pengambilan keputusan yang ada memberikan masukan penting untuk
memahami heuristik pengolahan informasi yang auditor dapat digunakan untuk
menyederhanakan dan mengurangi informasi integratif yang kompleks. Temuan
penelitian sebelumnya juga harus diperhatikan mengingat banyaknya kemajuan
teknologi dan bagaimana teknologi ini bisa dimanfaatkan untuk meningkatkan
pertimbangan auditor dan pengambilan keputusan.

Big Data jelas memberikan kesempatan untuk menggunakan alat analisis yang kuat
dan, demikianlah adanya penting bagi perusahaan audit untuk menemukan cara
memanfaatkan nilainya untuk meningkatkan proses audit. Oleh karena itu, terlepas
dari batasan perilaku yang terkait dengan pertimbangan dan keputusan auditor
pembuatan, seperti yang diidentifikasi dalam naskah ini, penting untuk menyelidiki
solusi / pendekatan yang mungkin mengurangi dampak negatif pada pertimbangan
auditor. Misalnya saat dihadapkan pada informasi kelebihan beban, pembuat
keputusan kembali ke heuristik yang berpotensi bias untuk memproses informasi
(Benbasat dan Taylor 1982). Dalam hal ini individu dapat menggunakan kepuasan:
fokus hanya pada informasi yang diperlukan untuk mencapai keputusan yang
memuaskan ketika mereka tidak dapat mempertimbangkan semua informasi. Oleh
karena itu, penelitian penting tentang apakah dan bagaimana pengaruh
pengalaman, diidentifikasi dalam literatur sebelumnya sebagai mitigasi banyak
heuristik bias, mengurangi efek negatif dari informasi yang berlebihan. Temuan dari
penelitian di bidang ini akan memungkinkan pelatihan yang berkaitan dengan Big
Data untuk lebih disesuaikan.

Kesimpulan
Auditor menghadapi tantangan yang kompleks dalam mengumpulkan, menganalisis,
dan mensintesis sejumlah besar data dari berbagai sumber untuk membentuk
penilaian. Memang kesulitan dalam mengenali pola sugestif fraud manajemen atau
masalah kelangsungan hidup, daripada audit yang tidak efektif umumnya dianggap
sebagai penyebab banyak kegagalan audit (Lemon, Tatum, dan Turley 2000). Oleh
karena itu, sangat penting bahwa perusahaan audit bersiap untuk mengatasi
masalah yang dapat terjadi timbul dari integrasi Big Data ke dalam proses audit dan
memastikan bahwa pertimbangan dan keputusan audit didasarkan pada informasi
berkualitas yang relevan dan dapat dipercaya. Untuk membantu memfokuskan
penelitian di masa depan, ini manuskrip membahas keadaan Big Data saat ini yang
berkaitan dengan lingkungan audit, membahas kelemahan dan keterbatasan
pemrosesan informasi yang dipilih yang dapat menghalangi penggunaan yang efektif
dan analisis Big Data, dan mengidentifikasi teknologi yang ada yang dapat
dimanfaatkan dalam audit lingkungan Hidup.

Secara keseluruhan, implikasi perilaku terkait dengan informasi yang berlebihan,

informasi yang tidak relevan, pola pengakuan, dan ambiguitas berpotensi menjadi
batasan utama yang harus diatasi auditor untuk sepenuhnya menyadari nilai Big
Data. Namun, alat seperti sistem pakar, bersifat prediktif analitik, dll., tersedia untuk
membantu mengurangi batasan ini dan meningkatkan efisiensi audit dan efektivitas.
Misalnya, auditor sekarang memiliki kemampuan untuk meningkatkan pengujian
pengendalian menghilangkan pengambilan sampel data dan memanfaatkan
teknologi yang dengan cepat mengambil data dan memungkinkan untuk
pemeriksaan setiap contoh dari jenis transaksi tertentu (Vorhies 2013). Potensi Big
Data untuk meningkatkan penilaian audit dan dengan demikian, kualitas audit
menjadi penting. Untuk mencapai implementasi ekstensif Big Data dalam profesi
audit, kapabilitas baru, metrik baru, dan cara berpikir baru akan diperlukan.

Naskah ini juga menunjukkan arah penelitian yang menjanjikan. Seperti disebutkan
sebelumnya, akademis penelitian telah meneliti keefektifan berbagai alat analitik
data dalam menilai risiko fraud, anomali transaksional, dll., dan hasil penelitian ini
dapat memberikan wawasan penting bagi profesi audit mengenai teknologi canggih
yang auditor dapat memanfaatkan audit. Lebih penelitian akademis diperlukan untuk
sepenuhnya memahami efek menjauh dari lebih banyak proses audit tradisional
untuk sepenuhnya memanfaatkan manfaat Big Data dan bagaimana menggunakan
lebih banyak analitik data lanjutan akan memengaruhi penilaian auditor.

Secara keseluruhan, memasukkan Big Data ke dalam proses audit adalah proposisi
nilai tambah bagi auditor, tetapi ini tidak datang tanpa tantangan. Auditor harus
memperhatikan itu tanpa tambahan investigasi, korelasi yang dihasilkan dari analisis
Big Data tidak menghasilkan cukup dan bukti audit yang tepat. Upaya audit
tambahan akan diperlukan untuk menentukan penyebab mengidentifikasi anomali
atau transaksi yang mencurigakan. Oleh karena itu, Big Data tidak boleh digunakan
sebagai satu-satunya sumber bukti, melainkan untuk menguatkan temuan audit dan
mengidentifikasi risiko. Berkenaan dengan data analitik, ada banyak alat canggih
yang tersedia untuk auditor. Namun, auditor harus memastikan bahwa mereka
memilih alat analisis data dan sumber data yang optimal. Penggunaan alat yang
tidak tepat bisa mengakibatkan, misalnya, kesalahan tipe II yang signifikan yang
akan berdampak negatif terhadap kualitas audit (yaitu, efektivitas), atau kesalahan
Tipe I yang mengarah ke upaya audit yang tidak perlu (yaitu, efisiensi). Lebih jauh,
itu sangat penting bahwa auditor mempertimbangkan kualitas data nonkeuangan
yang mereka masukkan analisis mereka. Karena tidak ada standar data audit formal
yang diterima secara umum, audit perusahaan harus mengembangkan standar
kendali mutu mereka sendiri, atau mengadopsi standar data saat ini sedang
dipromosikan oleh AICPA, terkait penggunaan Big Data.

Temuan Utama
Keterampilan Karakteristik Auditor
1. Individu cenderung hanya mempertimbangkan informasi yang bersifat
eksplisit direpresentasikan dalam model mental mereka dalam pengambilan
keputusan dan lebih rumit model mental memfasilitasi perolehan dan
pemrosesan isyarat informasi (Legrenzi, Girotto, dan Johnson-Laird 1993;
Legrenzi dan Girotto 1996).
2. Penelitian menunjukkan bahwa domain dan pengalaman tugas bertanggung
jawab proses kognitif berbeda yang digunakan oleh auditor (Libby dan Tan
1994; Bedard dan Biggs 1991b; Bonner dan Lewis 1990). Memproses
informasi
3. Untuk menangani terlalu banyak informasi, pembuat keputusan dapat
berhenti mencari setelah solusi yang memuaskan ditemukan; yaitu, yang
memuaskan heuristik (Buchanan dan Kock 2001). Pelatihan dan
pengembangan
4. Lombardi dan Dull (2013) mengembangkan sistem pakar untuk membantu
lebih sedikit auditor berpengalaman menyaring informasi yang tidak relevan
dalam risiko fraud tugas penilaian. Dapatkah sistem serupa digunakan untuk
meningkatkan kemampuan auditor untuk mengenali pola secara lebih efektif
atau mengabaikan informasi yang tidak relevan di kumpulan data yang
besar?
Teknologi
5. Karena laporan keuangan yang diaudit menjadi lebih bersifat prediktif (yaitu,
pengukuran nilai wajar) sebagai lawan dari hanya data historis, pemanfaatan
teknologi yang sudah tersedia (mis., Alat bantu keputusan seperti sistem
pakar) dari industri lain, dan mengadaptasinya ke industri audit dapat
membantu mengevaluasi dan menilai Big Data. Lombardi (2012)
menunjukkan itu melalui penggunaan sistem pakar, yang diadaptasi dari
profesi medis, penilaian risiko fraud yang kurang optimal dapat dimitigasi
dengan Big Data.

Pertanyaan Pilihan untuk Penelitian Masa Depan

● Model mental apa yang diperlukan untuk membantu auditor membangun
pengetahuan struktur yang memungkinkan mereka memproses dan
mengevaluasi secara lebih efektif data yang lebih kompleks? Bagaimana
struktur pengetahuan ini dikembangkan? Demikian pula, bagaimana auditor
memetakan informasi yang tidak terstruktur menjadi risiko penilaian? Akankah
informasi ini mempengaruhi penilaian risiko?
● Apakah efek ini terbukti dalam lingkungan yang jumlahnya signifikan data?
● Apa efek dari pengalaman, jika ada?
● Berdasarkan pengalaman, ada auditor yang kurang berpengalaman (yaitu,
generasi milenial) lebih siap untuk mengintegrasikan Big Data ke dalamnya
proses penilaian? Dengan kata lain, apakah mereka lebih nyaman dengan
informasi yang berlebihan dan ambiguitas karena mereka telah tumbuh di
zaman ini teknologi yang lebih maju dan mereka adalah pengguna besar
media sosial?
● Strategi apa yang digunakan individu dalam menganalisis dan mengevaluasi
secara besar-besaran jumlah informasi? Protokol verbal berpikir keras dapat
digunakan untuk mengumpulkan bukti tentang penalaran dan proses
penilaian auditor di Konteks Big Data.
● Strategi sukses apa yang dapat dimanfaatkan dari audit sistem strategis
(yaitu, pendekatan top-down) untuk membantu auditor dalam integrasi Big
Data di proses audit? Sebagai contoh, Brazel dan Agoglia (2007) menemukan
hal tersebut pertimbangan ukuran kinerja keuangan dan nonfinansial
menghasilkan peningkatan kemampuan auditor untuk memprediksi aktivitas
kecurangan.
● Apa jenis pelatihan atau intervensi bantuan keputusan yang dapat dilakukan
digunakan untuk mengurangi penilaian yang tidak akurat?
● Bagaimana seharusnya kurikulum akuntansi diperluas untuk memberikan
masa depan auditor dengan keterampilan yang diperlukan untuk menangani
Big Data?
● Keterampilan apa yang sekarang harus dimiliki oleh tim perikatan audit?
Sejak audit dilakukan oleh tim auditor (berpengalaman dan kurang
berpengalaman), keseluruhan keahlian tim audit dan peran dari anggota
 mungkin perlu berubah agar sesuai dengan cetakan baru untuk memasukkan
Big Data. Misalnya, tim audit lintas fungsi dan interdisipliner (misalnya,
Spesialis TI, ahli statistik) mungkin lebih penting.
● Model prediksi apa yang saat ini digunakan oleh industri lain (mis., Asuransi
industri) relevan untuk digunakan oleh perusahaan audit?
● Alat analisis apa yang dapat diterapkan untuk auditor dan kemungkinan besar
akan digunakan oleh auditor?

Sebuah studi serupa dengan studi yang dilakukan oleh Russom (2011), sebagai
serta studi lapangan mewawancarai praktisi, bisa diinisiasi untuk mendapatkan a
pemahaman yang lebih baik tentang kebutuhan praktisi dan potensi hambatan ke
penggunaan teknologi seperti analitik prediktif untuk menguji analitik alat yang
terbukti dapat diterapkan dan lebih populer bagi auditor. Selain itu, penelitian juga
dapat memeriksa adopsi auditor atas alat analitis baru tersebut mengikuti berbagai
model penerimaan teknologi (Davis 1985; Venkatesh dan Davis 2000; Venkatesh,
Morris, G. David, dan F. David 2003). Ini arahan dapat mengarah pada penelitian
tambahan yang akan diusulkan ditingkatkan alat analisis khusus untuk area audit.
Alat yang ditingkatkan seperti itu seharusnya mendukung persyaratan pengumpulan
bukti dari profesi audit.