How Big Data Will Change Accounting

BERBAGAI JENIS BIG DATA SEBAGAI TAMBAHAN CATATAN AKUNTANSI YANG ADA

Big Data terdiri dari data terstruktur dan tidak terstruktur (sekitar 90 persen tidak terstruktur) dan
mencakup informasi seperti pesan email, posting media sosial (misalnya, blog, tweet, Facebook),
panggilan telepon, situs web, dan video (Syed et al. 2013). Karena teknologi Big Data, perusahaan dapat
memanfaatkan teknik komputasi apa pun yang dapat menghasilkan informasi dari data untuk membuat
kumpulan data yang berguna untuk pengambilan keputusan. Data dapat mencakup file video, gambar,
audio, dan teks yang tidak terstruktur.

Video dan Gambar

Pendekatan yang berkembang yang memperoleh informasi objektif dari video meningkatkan kelayakan
catatan akuntansi yang disempurnakan dengan video, terutama yang berkaitan dengan pengendalian
internal. Metode ini dapat menambahkan informasi penting ke catatan akuntansi termasuk (1) rekaman
pengawasan untuk mengungkapkan kapan dan berapa kali area akses terbatas dimasuki, (2) video tempat
kerja untuk melacak produktivitas pekerja (misalnya, siapa yang menghabiskan terlalu banyak waktu di
sekitar pendingin air), (3) video inventaris untuk menilai perubahan kuantitas real-time untuk mengukur
throughput dan mengidentifikasi kemacetan, dan (4) video kondisi properti, pabrik, dan peralatan sebagai
komponen tambahan untuk mengatasi potensi masalah penurunan nilai.

Data video wawancara juga bisa menjadi sumber informasi akuntansi. Data video wawancara,
dikombinasikan dengan elemen vokal dan linguistik, menciptakan gambaran yang lebih lengkap tentang
niat eksekutif dan berpotensi memberikan wawasan tentang kesehatan perusahaan. Untuk mengumpulkan
data wawancara secara efisien, prosesnya dapat diotomatisasi (Pickard, Burns, dan Moffitt 2013).

Algoritma komputer yang semakin canggih memproses dan menafsirkan gambar statis. Deteksi objek
yang akurat dan segmentasi semantik gambar (Girshick, Donahue, Darrell, dan Malik 2014) membantu
komputer secara otomatis mengkategorikan dan menafsirkan gambar. Algoritma untuk pengenalan objek
dan pemandangan (Torralba, Fergus, dan Freeman 2008), pelatihan detektor objek yang bersumber dari
kerumunan (Vijayanarasimhan dan Grauman 2014), dan deteksi emosi (Cowie et al. 2001) berkontribusi
pada proses ini. Mirip dengan data video, metode ini dapat mengekstrak data bisnis yang berharga dari
gambar. Memang, pengungkapan bisnis yang memasukkan informasi nonkeuangan tambahan, termasuk
video dan gambar, bahkan dapat meningkatkan persepsi kualitas investasi (Basoglu dan Hess 2014).

Audio Data

Audio Data audio yang terkait dengan kegiatan bisnis juga dapat meningkatkan catatan akuntansi dan
kualitas informasi keuangan. Sumber audio yang berpotensi penting termasuk panggilan konferensi
triwulanan, rapat pemegang saham dan dewan direksi, panggilan pelanggan, panggilan telepon karyawan
internal, mikrofon yang ditempatkan di lokasi perusahaan untuk pengawasan, dan audio dari sumber
video yang disebutkan di bagian sebelumnya. Dengan aliran data audio ini, Big Data dapat memberikan
bukti tambahan untuk mendukung catatan akuntansi.

Tekstaul Data

Tekstual Data tekstual mencakup dokumentasi nonfinansial atau lunak. Beberapa penyimpanan teks yang
signifikan adalah pengarsipan SEC, email, halaman web (termasuk dokumen perusahaan yang ditemukan
di situs web perusahaan), media berita, dan media sosial. Media sosial adalah salah satu kumpulan data
tekstual relevan yang terbesar dan tumbuh paling cepat.

Data email sudah ditambang untuk mengurangi kerugian penipuan pekerjaan di Amerika Serikat.
Kerugian ini mencapai sekitar $652 miliar pada tahun 2009 saja, meningkat menjadi sekitar $1 triliun
pada tahun 2012 (ACFE 2013). Dalam mencari langkah-langkah untuk mengurangi penipuan yang
disebabkan oleh karyawan, penambangan teks pesan email mengidentifikasi pekerja yang tidak puas dan
memprediksi serta mengatasi risiko penipuan organisasi (Holton 2009). Fraud Triangle Analytics (metode
penemuan penipuan) menerapkan prinsip-prinsip segitiga penipuan dalam menganalisis pesan email
untuk mendeteksi karyawan dengan peluang, motivasi, dan rasionalisasi untuk melakukan penipuan
(Torpey, Walden, dan Sherrod 2009). Ketika perusahaan mengekstrak dan mengintegrasikan informasi
dari video, audio, dan data tekstual dengan data keuangan tradisional, mereka meningkatkan kemampuan
mereka untuk mengevaluasi dan memprediksi kinerja bisnis untuk tujuan akuntansi manajerial.

PENGARUH BIG DATA TERHADAP AKUNTANSI

Akuntansi Manajemen

Manajerial Akuntansi manajerial mengacu pada penggunaan informasi yang dihasilkan dari catatan
akuntansi untuk membantu manajer menjalankan tugasnya. Salah satu tugas penting bagi akuntan
manajemen adalah menciptakan sistem yang menyelaraskan tujuan organisasi dengan perilaku
manajemen dan karyawan. Mereka dibedakan dari informasi dan sistem pendukung keputusan yang
membantu manajer membuat keputusan.

Big Data dapat berperan dalam MCS dengan menemukan perilaku yang berkorelasi dengan hasil tujuan
tertentu, yang akan mendorong pembuatan ukuran kinerja yang sesuai. Misalnya, BSC mengumpulkan
data di empat bidang: keuangan, pelanggan, proses bisnis internal, serta pembelajaran dan pertumbuhan.
Di setiap area, Big Data dapat mengidentifikasi perilaku baru yang memengaruhi hasil tujuan masing-
masing.

Secara umum, analisis Big Data dapat memfasilitasi penemuan langkah-langkah penting untuk
dimasukkan ke dalam MCS. Perusahaan dapat menggunakan metadata, seperti jumlah waktu yang
dihabiskan di telepon, untuk melacak produktivitas. Dalam penjualan, penggunaan telepon yang lebih
besar mungkin menunjukkan produktivitas yang lebih tinggi, sedangkan kebalikannya bisa terjadi di
bidang manufaktur. Komputer karyawan juga dapat dipantau untuk menghasilkan log aktivitas yang berisi
data tentang penggunaan web, aliran klik, dan waktu yang dihabiskan menggunakan perangkat lunak
produktivitas seperti MS Excelt. Perusahaan juga dapat memantau panggilan telepon, email, dan perilaku
karyawan di kantor. Selanjutnya, perusahaan dapat melacak apa yang dilakukan karyawan dengan sumber
daya perusahaan jauh dari kantor termasuk kendaraan, ponsel, dan P-Card. Big Data dapat mengubah
MCS menjadi sistem pemantauan dan kontrol komprehensif (CMCS).

Kelemahan yang mungkin dari CMCS, atau peningkatan pemantauan karyawan secara umum, melibatkan
reaksi yang disebabkan oleh masalah ekonomi, hukum, dan etika (Martin dan Freeman 2003). Selain itu,
pelacakan yang berlebihan dapat menekan kreativitas dan/atau motivasi karyawan. Tujuan pemantauan
dan evaluasi kinerja adalah untuk meningkatkan produktivitas. Big Data mungkin memegang kunci untuk
menemukan langkah-langkah motivasi baru dan mengidentifikasi yang berbahaya. . Semakin banyak data
yang ditangkap, semakin besar peluang untuk menemukan pengetahuan yang bermanfaat.
Big Data dapat membantu akuntansi manajemen dan MCS pada khususnya. Namun, sebelum ini dapat
dilakukan, repositori data harus diubah menjadi informasi yang dapat ditindaklanjuti. Lapisan tengah
antara data dan informasi yang dikemas ini adalah tempat peran ahli statistik dan analis data (juga dikenal
sebagai ilmuwan data). Agar akuntan manajemen dapat menggunakan Big Data, mereka yang memiliki
keahlian harus terlebih dahulu memahami, menambang, mengubah, dan menganalisis data. Meskipun
mengumpulkan data terbukti mudah dan terkadang terkait dengan aktivitas lain, manajemen tidak dapat
memperoleh manfaat tanpa sumber daya tambahan.

Akuntansi Keuangan

Cabang akuntansi ini dibedakan dari akuntansi manajerial karena menyediakan informasi keuangan yang
dihasilkan sejalan dengan seperangkat standar (misalnya, US GAAP di Amerika Serikat) kepada
pemangku kepentingan di luar organisasi. Big Data dapat secara signifikan mempengaruhi masa depan
pelaporan keuangan dan evolusi prinsip akuntansi yang berlaku umum.

Bentuk Big Data yang dibahas dalam makalah ini (yaitu, video, gambar, audio, dan teks) melengkapi
informasi keuangan tradisional dan dapat memberikan peningkatan transparansi dan kegunaan untuk
pengambilan keputusan. Peningkatan transparansi ini tidak hanya membantu dalam memenuhi kebutuhan
pemangku kepentingan, tetapi juga memberikan manfaat bagi auditor yang menangani pernyataan terkait
tentang aset tetap. Menggunakan teknologi Big Data, data ini juga dapat dianalisis secara agregat melalui
penambangan data untuk mendeteksi outlier atau penyimpangan lainnya, sehingga membantu auditor,
manajemen, dan pemangku kepentingan lainnya.

Pelaporan Aset di Luar

Neraca Neraca menghilangkan beberapa item tidak berwujud yang signifikan karena nilainya sulit
ditentukan secara objektif (Kieso, Weygandt, dan Warfield 2013). Aset off-balance sheet tersebut
meliputi basis pelanggan, sumber daya manusia, komitmen, kualitas produk, basis vendor, reputasi
perusahaan, dan sebagainya. Karena aset ini membedakan organisasi dan memberikan keunggulan
kompetitif, informasi tentang item ini jelas bernilai bagi pemangku kepentingan organisasi.

Banyak negara mengalami pertumbuhan investasi yang lebih cepat dalam aset tidak berwujud relatif
terhadap aset fisik, mendorong peningkatan rasio item off-balance sheet ke on-balance sheet
(Organization for Economic Cooperation and Development [OECD] 2013). Ini menciptakan situasi di
mana laporan keuangan tradisional menurun relevansinya, sehingga menjadi semakin kurang berguna
untuk pengambilan keputusan.

Pada tingkat perusahaan, upaya pertama-tama dapat dilakukan untuk memahami sifat umum dan
karakteristik dari kepentingan tak berwujud tertentu. Di sinilah Big Data dapat membantu. Informasi yang
dihasilkan akan memiliki potensi nilai langsung dan selanjutnya dapat disebarluaskan kepada pemangku
kepentingan. Dalam jangka pendek, informasi ini mungkin sebagian besar bersifat kualitatif dan oleh
karena itu melengkapi catatan atas laporan keuangan. Dengan cara ini, pemangku kepentingan akan
memiliki akses ke sinyal tak berwujud di luar neraca yang semakin penting.

Akuntansi Nilai Wajar

Pelaporan keuangan mengadopsi orientasi nilai wajar (Lee dan Park 2013). Selama lebih dari satu dekade,
Dewan Standar Akuntansi Keuangan (FASB) dan Dewan Standar Akuntansi Internasional (IASB) telah
bekerja untuk menyatukan US GAAP dan Standar Pelaporan Keuangan Internasional (IFRS). Upaya ini
kontroversial, terutama mengingat posisi yang saling bertentangan dalam penerapan akuntansi nilai wajar
dalam kondisi tertentu. Big Data dapat membantu mengatasi perbedaan antara US GAAP dan akuntansi
nilai wajar IFRS dan membantu menciptakan seperangkat standar akuntansi global. Salah satu metode
potensial untuk memfasilitasi proses ini memerlukan penggunaan agen perangkat lunak Internet yang
berumur panjang.1 Fungsi agen ini adalah mengumpulkan informasi untuk membantu penilaian aset yang
sulit dinilai dengan menggunakan metode pencarian Internet otomatis ekstensif yang berjalan selama
periode waktu yang diperpanjang.

BATASAN DAN RISIKO DATA BESAR

Sensor berkualitas tinggi, peningkatan eksponensial dalam kapasitas penyimpanan, dan algoritme canggih
telah memunculkan Big Data dan aplikasinya yang semakin luas. Namun, untuk setiap perusahaan,
kegunaan data dibatasi oleh kuantitas, kualitas, dan aksesibilitas. Banyak organisasi tidak dapat
menerapkan teknik Big Data hanya karena entitas tidak dapat mengatasi faktor pembatas, seperti
kurangnya data (kuantitas), ketidakrelevanan atau data dari sumber yang meragukan (kualitas), atau
keahlian yang tidak memadai dalam mengekstraksi informasi (aksesibilitas). Karena itu, salah satu item
tindakan pertama untuk bisnis yang ingin memasukkan Big Data dalam catatan akuntansi mereka adalah
mengidentifikasi data, menilai kesesuaiannya untuk tugas yang ada, dan memutuskan apakah analisis
harus dialihdayakan.

Terlepas dari penanganan Big Data yang bertanggung jawab, perusahaan yang menjadi tergugat dalam
tuntutan hukum juga harus mempertimbangkan kemungkinan hasil litigasi yang merugikan, tidak seperti
apa yang saat ini terjadi ketika ahli penggugat tiba pada nilai ganti rugi yang berbeda. Masalah e-
discovery yang disajikan melalui Big Data dapat menyebabkan peningkatan kewajiban bagi organisasi.
Kompleksitas penggunaan Big Data dalam menghitung ganti rugi dapat menimbulkan kebingungan di
pihak hakim atau juri dalam memahami asumsi yang mendasari untuk menentukan jumlah yang akan
diberikan kepada penggugat. Seperti halnya perubahan dalam model penilaian, ini adalah masalah yang
sah dan perlu ditangani seiring kebangkitan Big Data berlanjut.

KESIMPULAN

Dalam makalah ini kami telah menggambarkan bagaimana video, gambar, audio, dan data tekstual dapat
mengubah akuntansi; khususnya di bidang penganggaran dan MCS, melengkapi dokumentasi asli, dan
menawarkan bukti tambahan untuk membenarkan nilai di mana transaksi dicatat. Selain itu, kami
berpendapat bahwa Big Data dapat melengkapi asersi laporan keuangan oleh manajemen. Pernyataan
seperti '' keberadaan '' dan '' penilaian '' dapat ditambah dengan data akuntansi nontradisional. Data ini
dapat meningkatkan dokumentasi untuk meningkatkan tingkat kepercayaan akuntan dalam asersi ini.

Dengan Big Data, konvergensi antara US GAAP dan IFRS dapat dipercepat, membantu membangun
rezim akuntansi global dengan akuntansi nilai wajar sebagai landasan utama. Melalui penggunaan agen
cerdas yang beroperasi di cloud, semua data yang relevan dengan penilaian terkait aset dan kewajiban
dapat ditangkap, diproses, dan disebarluaskan secara global. Seiring dengan kemajuan teknologi, begitu
pula dengan proses akuntansi untuk transaksi keuangan. Catatan akuntansi telah berevolusi dari waktu ke
waktu dari buku entri asli tulisan tangan, ke mesin akuntansi elektronik, hingga sistem ERP masa kini.
Big Data adalah paradigma teknologi lain yang akan mengubah cara transaksi keuangan didukung. Ini
akan meningkatkan proses pengukuran melalui bentuk bukti baru untuk mendukung akuntansi
manajemen untuk transaksi.