INTRODUCING TO DATA ANALYTICS IN ACCOUNTING

Menggunakan data dengan tepat telah menjadi sangat penting bagi akuntan. Akuntan di semua
bidang praktik yang berbeda menggunakan data dengan cara yang menarik. Sebagai beberapa contoh:
 Auditor, baik auditor internal maupun auditor eksternal, dapat menguji populasi penuh transaksi
daripada sampel kecil dengan menggunakan analitik data dan otomatisasi.
 Akuntan korporat menggunakan data untuk membuat keputusan yang lebih baik seperti bagaimana
menghitung biaya produk dan layanan secara akurat.
 Profesional pajak menghadapi regulator yang menggunakan analitik untuk mengidentifikasi
pengembalian pajak yang cenderung terlalu agresif.
 Penasihat investasi menggunakan data untuk mengidentifikasi peluang investasi yang lebih
menguntungkan untuk direkomendasikan kepada klien mereka.
Untuk memulai proses mengubah data menjadi informasi, seseorang harus memiliki pertanyaan atau
hasil yang diinginkan. Mengajukan pertanyaan yang tepat adalah langkah pertama dari pola pikir analitik.
Untuk menentukan pertanyaan "benar" atau "baik" dalam konteks analisis data, mulailah dengan
menetapkan tujuan yang SMART:
 Spesifik: perlu langsung dan terfokus untuk menghasilkan jawaban yang bermakna.
 Measurable: harus sesuai dengan analisis data dan dengan demikian input untuk menjawab
pertanyaan harus dapat diukur dengan data.
 Achievable: harus dapat dijawab dan jawaban tersebut harus menyebabkan pengambil keputusan
untuk mengambil suatu tindakan.
 Relevan: harus berhubungan dengan tujuan organisasi atau situasi yang sedang dipertimbangkan.
 Tepat waktu: harus memiliki batas waktu yang ditentukan untuk menjawab.
Mengekstrak data adalah langkah pertama dalam proses ETL. Bagian ini menyajikan proses
ekstraksi sebagai tiga langkah: (1) memahami kebutuhan data dan data yang tersedia, (2) melakukan
ekstraksi data, dan (3) memverifikasi kualitas ekstraksi data dan mendokumentasikan apa yang telah Anda
lakukan. Standarisasi, penataan, dan pembersihan data agar sesuai dengan format yang diperlukan untuk
analisis data disebut proses transformasi data. Keempat langkah tersebut adalah: 1. Memahami data dan
hasil yang diinginkan. 2. Standarisasi, struktur, dan bersihkan data. 3. Validasi kualitas data dan verifikasi
data memenuhi persyaratan data. 4. Dokumentasikan proses transformasi.
Setelah data terstruktur dan dibersihkan, data siap untuk diimpor ke alat apa pun yang digunakan
untuk analisis. Ada beberapa pertimbangan penting saat memuat data. Pertama, data yang diubah harus
disimpan dalam format dan struktur yang dapat diterima oleh perangkat lunak penerima. Kedua, program
mungkin memperlakukan beberapa format data secara berbeda dari yang diharapkan. Penting untuk
memahami bagaimana program baru akan menginterpretasikan format data. Standar Data Audit
merekomendasikan untuk menghapus atau menstandardisasi sebagian besar pemformatan, seperti
menghapus koma yang digunakan sebagai pemisah ribuan, selalu menggunakan tanda minus untuk
menunjukkan angka negatif (bukan menggunakan tanda kurung), dan menggunakan format tanggal standar.
Analitik data terbagi dalam empat kategori: analitik deskriptif, analitik diagnostik, analitik prediktif,
dan analitik preskriptif. Analitik deskriptif adalah informasi yang dihasilkan dari pemeriksaan data untuk
memahami masa lalu. Analitik diagnostik dibangun di atas analitik deskriptif dan mencoba menjawab
pertanyaan “mengapa ini terjadi?” Jenis analitik ini mencoba menentukan hubungan sebab akibat—
misalnya, apakah peningkatan anggaran TI dalam organisasi meningkatkan efisiensi dan efektivitas
karyawan? Analisis prediktif adalah informasi yang dihasilkan dari analisis yang berfokus pada prediksi
masa depan analisis ini menjawab pertanyaan “apa yang mungkin terjadi di masa depan?” Contoh analitik
prediktif adalah memperkirakan peristiwa masa depan seperti harga saham atau nilai tukar mata uang.
Analitik preskriptif adalah informasi yang memberikan rekomendasi tentang apa yang seharusnya terjadi;
mereka menjawab pertanyaan “apa yang harus dilakukan?” Contoh analitik preskriptif adalah pembuatan
algoritme yang memprediksi apakah individu atau perusahaan akan membayar kembali pinjaman mereka
dan kemudian membuat rekomendasi tentang apakah pinjaman harus diperpanjang atau tidak.
Langkah terakhir dari pola pikir analitik adalah menafsirkan analisis data dan membagikan hasilnya
dengan pemangku kepentingan yang sesuai. Bagian ini secara terpisah menjelaskan interpretasi hasil dan
berbagi hasil dengan orang lain. Salah satu contoh bias yang mempengaruhi interpretasi hasil disebut bias
konfirmasi—kecenderungan individu untuk menginterpretasikan bukti untuk mendukung keyakinan atau
posisi yang diinginkan. Misalkan manajer memiliki keinginan yang sudah ada sebelumnya untuk
memberikan penilaian positif kepada karyawan karena mereka adalah teman. Data storytelling adalah proses
menerjemahkan analisis data yang seringkali kompleks menjadi istilah yang lebih mudah dipahami untuk
memungkinkan pengambilan keputusan yang lebih baik. Visualisasi data adalah penggunaan representasi
grafis dari data untuk menyampaikan makna. Dasbor data adalah tampilan poin data penting, metrik, dan
indikator kinerja utama dalam visualisasi data yang mudah dipahami. Prinsip-prinsip desain visualisasi yang
baik meliputi: 1) Memilih jenis visualisasi yang tepat. 2) Menyederhanakan penyajian data. 3) Menekankan
apa yang penting. 4) Mewakili data secara etis.
TRANSFORMING DATA
Untuk membuat informasi yang memiliki atribut, data yang mendasarinya juga harus memiliki
atribut tertentu. Sementara ilmuwan data berdebat tentang berbagai atribut data berkualitas tinggi, ada
kesepakatan umum bahwa minimal, data harus akurat, lengkap, konsisten, tepat waktu, dan valid untuk
menciptakan informasi yang berguna. Atribut ini sangat penting untuk kesuksesan bisnis. Struktur data
menggambarkan cara data disimpan, termasuk hubungan antara bidang yang berbeda. Penataan data adalah
proses mengubah organisasi dan hubungan antar bidang data untuk menyiapkan data untuk analisis. Data
agregat adalah penyajian data dalam bentuk ringkasan. Data agregat memiliki detail yang lebih sedikit
daripada data terpilah. Bagian penting dalam query database adalah menggabungkan informasi dari tabel
yang berbeda ke dalam satu tabel sehingga data yang digabungkan dapat dianalisis. Pivot data adalah
memutar data dari baris ke kolom. Beberapa program perangkat lunak dirancang untuk menggunakan data
yang di-pivot daripada data yang tidak di-pivot. Memahami desain program tempat data akan dimuat akan
membantu Anda menentukan apakah data perlu diputar atau tidak.
Standardisasi data adalah proses membakukan struktur dan makna setiap elemen data sehingga dapat
dianalisis dan digunakan dalam pengambilan keputusan. Standarisasi data sangat penting ketika
menggabungkan data dari beberapa sumber. Mencapai data standar mungkin melibatkan perubahan data ke
format umum, tipe data, atau skema pengkodean. Memisahkan data dari satu bidang menjadi beberapa
bidang disebut penguraian data. Penguraian data memisahkan informasi ini, yang terdapat dalam satu
bidang, menjadi tiga bidang berbeda sehingga item yang berbeda dapat dianalisis secara terpisah.
Penggabungan data adalah menggabungkan data dari dua atau lebih bidang menjadi satu bidang. Nilai data
samar adalah item data yang tidak memiliki arti yang jelas tanpa memahami skema pengkodean yang
mendasarinya. Nilai data salah kolom adalah nilai data yang diformat dengan benar tetapi tidak termasuk
dalam bidang. Nilai Jerman harus dimasukkan dalam bidang data untuk negara. Nilai data harus memiliki
format yang sama seperti semua nilai data lainnya di bidang yang sama dan cocok dengan tipe data yang
ditentukan dalam kamus data. Demikian pula, setiap nilai dalam bidang harus disimpan dengan cara yang
sama, yang disebut sebagai konsistensi data.
Data kotor adalah data yang tidak konsisten, tidak akurat, atau tidak lengkap. Agar berguna, data
kotor harus dibersihkan. Pembersihan data adalah proses pemutakhiran data agar konsisten, akurat, dan
lengkap. De-duplikasi data adalah proses menganalisis data dan menghapus dua atau lebih record yang
berisi informasi yang identik. Proses menghapus record atau kolom informasi dari sumber data disebut
pemfilteran data. Perusahaan sering mengumpulkan informasi tentang banyak vendor, bahkan jika mereka
belum membeli dari semuanya. Dalam transformasi data, seorang analis data mungkin menyaring vendor
yang tidak aktif (tidak ada pembelian dalam satu tahun terakhir) untuk menganalisis vendor yang aktif.
Setelah nilai-nilai yang hilang diverifikasi sebagai benar-benar hilang atau kosong, umumnya ada tiga
pendekatan yang harus diambil. Pendekatan pertama mempertahankan nilai nol dan dilanjutkan dengan
proses transformasi. Ketika data dianalisis, analis akan memutuskan bagaimana mengelola nilai nol.
Pendekatan kedua adalah menghapus catatan dengan nilai nol dan mendokumentasikan penghapusan dalam
log analisis karena dapat mengubah kesimpulan yang dibuat saat menganalisis data. Pendekatan ketiga
adalah melakukan imputasi data, yaitu proses penggantian nilai nol atau nilai yang hilang dengan nilai
tersubstitusi.
Kesalahan kontradiksi data terjadi ketika entitas yang sama dijelaskan dalam dua cara yang saling
bertentangan. Misalnya, file data berisi informasi tentang pabrik dalam dua catatan berbeda; namun, alamat
fisik pabrik berbeda di setiap catatan meskipun setiap catatan dimaksudkan untuk merujuk ke lokasi fisik
yang sama. Pelanggaran ambang batas data adalah kesalahan data yang terjadi ketika nilai data berada di
luar tingkat yang diizinkan. Ambang batas yang dapat diterima untuk suatu bidang dapat ditemukan di
kamus data. Ketergantungan atribut yang dilanggar adalah kesalahan yang terjadi ketika atribut sekunder
tidak cocok dengan atribut utama. Data di atribut sekunder, dalam contoh kode pos ini, perlu dikoreksi agar
sesuai dengan atribut utama, di kota contoh ini. Kesalahan entri data adalah semua jenis kesalahan yang
berasal dari salah memasukkan data. Kesalahan entri data sering terjadi pada entri data manusia, seperti
salah mengeja kata, mentransposisikan angka dalam string numerik, dan gagal memasukkan data. Sebelum,
selama, dan saat menyelesaikan proses transformasi data, seseorang harus menganalisis apakah data tersebut
memiliki properti data berkualitas tinggi. Menganalisis data untuk memastikannya memiliki properti ini
disebut validasi data. Inspeksi visual sangat membantu dalam menemukan masalah standarisasi data karena
mudah untuk memindai seluruh kolom dengan cepat. Pemindaian visual juga berguna dalam
mengidentifikasi apakah penguraian atau penggabungan data diperlukan, menemukan apakah data salah
bidang, dan mengidentifikasi pemformatan data dan masalah konsistensi data.
DATA ANALYSIS AND PRESENTATION
Ada empat kategori analisis data: deskriptif, diagnostik, prediktif, dan preskriptif. Analisis deskriptif
menggunakan teknik analisis data eksplorasi. Analisis data eksplorasi adalah pendekatan yang
mengeksplorasi data tanpa menguji model atau hipotesis formal. Jenis analisis ini sering digunakan untuk
hal-hal berikut: 1) Untuk menemukan kesalahan dalam data. 2) Untuk memahami struktur data. 3) Untuk
memeriksa asumsi yang diperlukan oleh teknik pemodelan statistik yang lebih formal. 4) Untuk menentukan
ukuran, arah, dan kekuatan hubungan antar variabel. Analisis diagnostik juga bisa jauh lebih formal dan
menggunakan teknik analisis data konfirmasi. Analisis data konfirmasi menguji hipotesis dan memberikan
ukuran statistik kemungkinan bahwa bukti (data) menyangkal atau mendukung hipotesis. Proses dasar
pengujian hipotesis melibatkan langkah-langkah berikut: 1. Nyatakan hipotesis nol dan alternatif. 2. Pilih
tingkat signifikansi untuk menyangkal hipotesis nol. 3. Kumpulkan sampel data dan hitung nilai
probabilitasnya. 4. Bandingkan probabilitas yang dihitung terhadap tingkat signifikansi dan tentukan apakah
bukti menyangkal hipotesis nol. Kegagalan untuk menyangkal hipotesis dipandang sebagai dukungan dari
hipotesis alternatif. Analitik prediktif menggunakan data historis untuk menemukan pola yang mungkin
muncul di masa depan semakin banyak data, semakin besar peluang untuk menemukan pola. Untuk
membantu memahami analitik prediktif dengan lebih baik, pertimbangkan langkah-langkah berikut: 1. Pilih
hasil target. 2. Cari dan siapkan data yang sesuai. 3. Membuat dan memvalidasi model.
Analitik preskriptif menggunakan teknik seperti kecerdasan buatan, pembelajaran mesin, dan
statistik lainnya untuk menghasilkan prediksi. Kunci keberhasilannya adalah pengembangan model prediktif
awal dan kemudian menerapkan algoritme pembelajaran yang sesuai sehingga model tersebut terus
meningkatkan rekomendasinya dari waktu ke waktu. Analisis data yang tepat dapat menghasilkan hasil yang
luar biasa bagi organisasi; namun, ada kekhawatiran terkait semua analisis yang harus dipertimbangkan
dengan cermat karena dapat memberikan hasil yang buruk atau bahkan salah. Para peneliti telah
mengidentifikasi beberapa manfaat memvisualisasikan data dibandingkan dengan membaca, termasuk: 1)
Data yang divisualisasikan diproses lebih cepat daripada informasi tertulis atau tabel. 2) Visualisasi lebih
mudah digunakan. Pengguna membutuhkan lebih sedikit panduan untuk menemukan informasi dengan data
yang divisualisasikan. 3) Visualisasi mendukung gaya belajar yang dominan dari populasi karena sebagian
besar pelajar adalah pelajar visual. Membandingkan data lintas kategori atau grup merupakan alasan paling
umum untuk membuat visualisasi dalam bisnis. Visualisasi perbandingan membutuhkan nilai data numerik
dan kategorikal. Menggunakan peluru memungkinkan grafik untuk menyajikan lebih banyak informasi,
biasanya kepentingan sekunder, tanpa menambahkan bilah tambahan.

Penipuan data adalah "penggambaran grafis informasi, dirancang dengan atau tanpa maksud untuk
menipu, yang dapat menciptakan keyakinan tentang pesan dan/atau komponennya, yang berbeda dari pesan
yang sebenarnya." Untuk menghindari penipuan data, pertimbangkan prinsip-prinsip berikut: 1. Tunjukkan
representasi angka yang proporsional dengan angka yang dilaporkan (memulai sumbu y dari nol membantu
memastikan hal ini). 2. Dalam hal yang dirancang untuk menggambarkan tren, tunjukkan waktu yang
berkembang dari kiri ke kanan pada sumbu x. 3. Menyajikan data lengkap sesuai konteksnya.