Kata kunci: Big Data; penilaian audit; analitik data; memproses informasi
kelemahan.
PENGANTAR
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.
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).
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.
Relevansi Informasi
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).
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).
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).
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.
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.
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.