Melakukan Rencana Pengujian: Mendefinisikan Pendekatan Analitik Data

Clustering adalah metode tanpa pengawasan yang digunakan untuk menemukan

pengelompokan alami dalam data. Dalam hal ini, kami memiliki tiga kelompok vendor alami.
Profiling adalah metode tanpa pengawasan yang digunakan untuk menemukan pola perilaku.
Dalam hal ini, semakin tinggi Z-score (semakin jauh dari mean), semakin besar kemungkinan
vendor akan mengalami keterlambatan pengiriman (lingkaran hijau). Kami menggunakan
pembuatan profil untuk menjelajahi atribut vendor yang mungkin ingin kami hindari di masa
mendatang.
Classification adalah metode terawasi yang dapat digunakan untuk memprediksi kelas dari
suatu pengamatan baru. Dalam hal ini, lingkaran biru mewakili vendor "tepat waktu". Kotak
hijau mewakili vendor yang "tertunda". Bintang emas mewakili vendor baru tanpa sejarah.
Regression adalah metode terawasi yang digunakan untuk memprediksi nilai tertentu. Dalam hal
ini, jumlah hari pengiriman tergantung pada jumlah item dalam pesanan. Oleh karena itu, kita
dapat menggunakan regresi untuk memprediksi "hari pengiriman" bintang emas berdasarkan
volume pesanan.
Kami menyoroti pendekatan analitik data dan menyediakan untuk referensi:
1. Klasifikasi adalah pendekatan data yang digunakan untuk menetapkan setiap unit (atau
individu) dalam suatu populasi ke dalam beberapa kategori. Contoh klasifikasi dari semua
pinjaman yang ditawarkan bank ini, mana yang paling mungkin gagal bayar? Atau aplikasi
pinjaman mana yang diharapkan disetujui? Dalam hal ini, klasifikasi akan
mengklasifikasikan permintaan pinjaman sebagai disetujui atau ditolak. Contoh kedua
adalah perusahaan kartu kredit yang menandai transaksi sebagai disetujui atau berpotensi
penipuan dan menolak pembayaran.
2. Regresi adalah pendekatan data yang digunakan untuk memperkirakan atau memprediksi,
untuk setiap unit, nilai numerik dari beberapa variabel menggunakan beberapa jenis model
statistik. Contoh analisis regresi mungkin, mengingat saldo total piutang yang dimiliki oleh
perusahaan, berapa tingkat penyisihan piutang tak tertagih yang tepat untuk piutang tak
tertagih?
3. Pencocokan kesamaan adalah pendekatan data yang digunakan untuk mengidentifikasi
individu yang serupa berdasarkan data yang diketahui tentang mereka.
4. Pengelompokan adalah pendekatan data yang digunakan untuk membagi individu (seperti
pelanggan) ke dalam kelompok dengan cara yang berguna atau bermakna. Dengan kata lain,
mengidentifikasi grup dari elemen data yang serupa dan penggerak yang mendasari grup
tersebut. Misalnya, pengelompokan dapat digunakan untuk mengelompokkan pelanggan ke
dalam sejumlah kecil kelompok untuk analisis tambahan dan aktivitas pemasaran. Dengan
cara yang sama, transaksi juga dapat dimasukkan ke dalam kelompok untuk
menganalisisnya.
5. Co-occurrence grouping adalah sebuah pendekatan data yang digunakan untuk menemukan
hubungan antar individu berdasarkan transaksi yang melibatkan mereka.
6. Profiling adalah pendekatan data yang digunakan untuk mengkarakterisasi perilaku "tipikal"
individu, kelompok, atau populasi dengan menghasilkan ringkasan statistik tentang data
(termasuk rata-rata, standar deviasi, dll. Pembuatan profil dapat digunakan dalam akuntansi
untuk mengidentifikasi penipuan atau hanya transaksi-transaksi yang mungkin memerlukan
beberapa penyelidikan tambahan (misalnya, biaya perjalanan yang tiga standar deviasi di
atas norma).
7. Prediksi link adalah pendekatan data yang digunakan untuk memprediksi hubungan antara
dua item data. Ini mungkin digunakan di media sosial. Misalnya, jika dua individu memiliki
teman bersama di media sosial dan keduanya kuliah di universitas yang sama, kemungkinan
mereka saling mengenal dan situs tersebut dapat membuat rekomendasi agar mereka
terhubung. Prediksi tautan dalam pengaturan akuntansi berfungsi untuk menggunakan media
sosial untuk mencari hubungan antara pihak terkait yang tidak diungkapkan untuk
mengidentifikasi transaksi pihak terkait.
8. Reduksi data adalah pendekatan data yang digunakan untuk mengurangi jumlah informasi
yang perlu dipertimbangkan untuk fokus pada item yang paling penting (yaitu, biaya
tertinggi, risiko tertinggi, dampak terbesar, dll.). Ini dilakukan dengan mengambil satu set
data yang besar (mungkin populasi) dan menguranginya dengan set yang lebih kecil yang
memiliki sebagian besar informasi penting dari set yang lebih besar.

Profiling
Pembuatan profil data biasanya melibatkan langkah-langkah berikut:
1. Identifikasi objek atau aktivitas yang ingin Anda buat profilnya. Data apa yang ingin Anda
evaluasi? Transaksi penjualan? Data pelanggan? Batas kredit? Bayangkan seorang manajer
ingin melacak volume penjualan untuk setiap toko dalam rantai ritel. Dia mungkin
mengevaluasi total dolar penjualan, perputaran aset, penggunaan promosi dan diskon,
dan/atau insentif karyawan.
2. Tentukan jenis pembuatan profil yang ingin Anda lakukan. Apa tujuanmu? Apakah Anda
ingin menetapkan tolok ukur untuk aktivitas minimum, seperti penjualan bulanan? Sudahkah
Anda menetapkan anggaran yang ingin Anda ikuti? Apakah Anda mencoba mengurangi
risiko penipuan? Dalam skenario toko ritel, manajer mungkin ingin membandingkan setiap
toko dengan toko lainnya untuk mengidentifikasi mana yang berkinerja buruk atau
berkinerja tinggi.
3. Tetapkan batasan atau ambang batas untuk aktivitas tersebut. Ini adalah tolok ukur yang
dapat ditetapkan secara manual, seperti nilai yang dianggarkan, atau ditetapkan secara
otomatis, seperti rata-rata statistik, kuartil, atau persentil. Manajer rantai ritel dapat
mendefinisikan toko yang berkinerja buruk sebagai toko yang aktivitas penjualannya berada
di bawah persentil ke-20 dari grup dan toko yang berkinerja lebih baik sebagai toko yang
aktivitas penjualannya di atas persentil ke-80. Ambang batas ini secara otomatis dihitung
berdasarkan total aktivitas toko, sehingga tolok ukurnya bersifat dinamis.
4. Menafsirkan hasil dan memantau aktivitas dan/atau membuat daftar pengecualian. Di sinilah
dasbor berperan. Manajemen dapat menggunakan dasbor untuk melihat beberapa kumpulan
data yang diprofilkan dengan cepat dan membuat keputusan yang akan memengaruhi
perilaku. Saat Anda mengevaluasi hasilnya, cobalah untuk memahami apa yang diwakili
oleh penyimpangan dari batas yang ditentukan. Apakah itu risiko? Apakah itu penipuan?
Apakah itu hanya sesuatu yang harus diperhatikan? Untuk mengevaluasi tokonya, manajer
rantai ritel dapat meninjau ringkasan indikator penjualan dan dengan cepat mengidentifikasi
toko yang berkinerja buruk dan buruk. Dia cenderung lebih peduli dengan toko yang
berkinerja buruk karena mereka mewakili tantangan besar bagi rantai. Toko yang berkinerja
tinggi dapat memberikan wawasan tentang upaya pemasaran atau basis pelanggan.
5. Tindak lanjuti pengecualian. Setelah penyimpangan diidentifikasi, manajemen harus
memiliki rencana untuk mengambil tindakan untuk memvalidasi, memperbaiki, atau
mengidentifikasi penyebab perilaku abnormal. Ketika manajer rantai ritel melihat sebuah
 toko yang berkinerja buruk dibandingkan dengan rekan-rekannya, dia dapat menindaklanjuti
dengan manajer toko individu untuk memahami kekhawatirannya atau menawarkan promosi
lokal untuk merangsang penjualan.

Data Reduction
Reduksi data melibatkan langkah-langkah berikut:
1. Identifikasi atribut yang ingin Anda kurangi atau fokuskan. Misalnya, seorang karyawan
dapat melakukan penipuan dengan membuat vendor fiktif dan mengirimkan faktur palsu.
Daripada mengevaluasi setiap karyawan, auditor mungkin hanya tertarik pada catatan
karyawan yang memiliki alamat yang cocok dengan alamat vendor.
2. Saring hasilnya. Ini bisa sesederhana menggunakan filter di Excel, kueri dengan frasa
WHERE. Ini mungkin juga melibatkan perhitungan yang lebih rumit. Misalnya, karyawan
yang membuat vendor fiktif akan sering menggunakan alamat yang mirip, tetapi tidak persis
sama, sebagai alamat mereka sendiri untuk menggagalkan kueri SQL dasar. Di sini auditor
harus menggunakan alat yang memungkinkan pencocokan fuzzy, yang menggunakan
probabilitas untuk mengidentifikasi kemungkinan alamat yang serupa.
3. Interpretasikan hasilnya. Setelah Anda menghilangkan data yang tidak relevan, luangkan
waktu sejenak untuk melihat apakah hasilnya masuk akal. Hitung statistik ringkasan.
Sudahkah Anda menghilangkan entri yang jelas? Melihat daftar karyawan yang cocok,
auditor mungkin mengubah probabilitas dalam pencocokan fuzzy menjadi lebih atau kurang
tepat untuk mempersempit atau memperluas jumlah karyawan yang muncul.
4. Tindak lanjuti hasil. Pada titik ini, Anda akan terus membangun model atau menggunakan
hasilnya sebagai sampel yang ditargetkan untuk ditindaklanjuti. Auditor harus meninjau
kebijakan perusahaan dan menindaklanjuti dengan setiap karyawan yang muncul dalam
daftar yang dikurangi karena mewakili risiko.