Перспективы внедрения аналитики больших данных в аудиторскую профессию

В статье проанализированы современные тенденции цифровой трансформации аудита, пробле­мы и перспективы применения аналитики больших данных в аудите и консалтинге. Провайдерами развития направления «робоаудита» выступают крупные аудиторские компании, которые вкладывают достаточно много ресурсов в цифровую трансформацию аудита. Для понимания преимуществ цифровой трансформа­ции аудита требуется постепенное развитие профессионального IТ-мировоззрения у молодых аудиторов, что учитывает новая компетентностная модель квалификационного экзамена для аудиторов, позволяю­щая оценивать знания информационных технологий в разных модулях и на всех этапах экзамена.

Преимущества использования аналитики больших данных

Аудит финансовой отчетности представляет собой проверку финансовой отчетности орга­низации, проводимую независимым професси­ональным аудитором, основанную на сборе аудиторских доказательств, аналитических про­цедурах, разработке комплекса рабочих доку­ментов, что до сих пор представляет собой в зна­чительной степени ручной процесс [1].

Методология больших данных предлагает иной подход по сравнению с нынешней про­цедурой аудита. Большие данные оснащены возможностями обучения и автоматизации процесса для достижения лучшего и более быстрого результата. Преимуществом использования методологии больших данных явля­ется обеспечение всестороннего и многомер­ного взгляда на проблему.

Новейшие системы и методы проведения внутреннего и внешнего анализа компаний смогли за достаточно короткий срок внедрить­ся в работу крупных корпораций и компаний, которые непосредственно занимаются ауди­торской и аналитической деятельностью.

В привычном понимании данные класси­фицировались и обрабатывались «вручную» аналитиками и аудиторами для решения опре­деленных задач. Достижения последних десяти лет показали, что данные могут быть не клас­сифицированы и обрабатываться без вмеша­тельства человека, выходя за пределы границ компаний. В мире, заполненном данными, компании становятся все более опытными в сборе информации, но большинство из них все еще борются за преобразование данных в практическую информацию и понимание реальной ценности бизнеса [2].

Ведущие компании со зрелыми стратегия­ми, ориентированными на постоянную работу с информацией и аналитику данных (D&A), используют разнообразные внутренние и внешние источники для создания баз данных собственной конфигурации, предназначенных для решения конкретных задач. Они исполь­зуют сложные методы для получения точной информации и повышения качества и повторяемости аналитических решений, которые они внедряют.

Данные — это ресурс, для продуктивного использования которого необходима система, способная реально управлять ими, что вклю­чает разработку платформы управления дан­ными, которая будет выполнять сбор и об­работку данных, интегрировать их, а затем активировать для получения информации. Кроме того, работа по управлению данными также требует разработки собственной по­литики управления. В частности, технология больших данных решает основную задачу при­менения аналитических процедур — упроще­ние и сокращение трудоемкости процесса анализа. Использование аналитики больших данных становится необходимым условием обеспечения непрерывности деятельности и конкурентоспособности. Уже в настоящее время такие лидеры рынка, как Сбер, Яндекс, Тинькофф, Озон и др. осознали необходимость введения технологии больших данных в биз­нес-процессы и вкладывают значительные инвестиции в данную область [3].

Сегодня нестабильность экономического климата усугубила потребность в более каче­ственном и эффективном анализе, проводимом внутренними и внешними пользователями. Аналитики уже давно признают влияние ана­лиза данных на повышение качества и акту­альности аудита, широкое использование этого метода затруднено из-за отсутствия эффек­тивных технологических решений, проблем со сбором данных и озабоченности по поводу конфиденциальности. Однако последние тех­нологические достижения в области больших данных и аналитики дают возможность пере­осмыслить способы проведения аудита. Пол­ноценное внедрение методов анализа больших данных в методологию аудита трансформи­рует и ускоряет процесс аудита (рис.).

Результаты анализа больших данных ком­пании увеличивают качество и актуальность всего аудита, однако, в нашей стране приме­нение этой методики затруднено в связи с при­сутствием возможных проблем сохранности конфиденциальной информации. Необходи­мость обеспечения безопасности конфиден­циальных данных, защиты частной информа­ции и управления качеством данных суще­ствует независимо от того, являются ли наборы данных большими или малыми. Однако спец­ифические свойства больших данных создают новые типы рисков, которые требуют ком­плексной стратегии, позволяющей компании использовать аналитику, избегая при этом подводных камней.

Например, аудиторская компания KPMG и Microsoft создали совместную платформу анализа для широкого круга клиентов, осно­ванную на глубоком понимании целей деятель­ности бизнеса, позволяющую оценить текущие возможности в области функционирования компании, построить стратегию, разработать дорожную карту от текущего состояния к бу­дущему видению и в конечном итоге поддер­жать внедрение новых возможностей [5].

Процессы аудита включают в себя сбор, проверку, анализ и представление информации из широкого круга источников с различным уровнем детализации. Существующие про­цессы проведения аудита имеют мало стан­дартизированной информации, что приводит к значительным ручным операциям для полу­чения, проверки и анализа информации.

Рис. Методология аудита на основе комплексного использования аналитики больших данных [4]

• для выявления рисков, связанных с при­нятием или продолжением аудита;
• выявления рисков существенных иска­жений;
• выявления мошенничества;
• выявления сделок с более высоким риском;
• выполнения аналитических процедур в ответ на оцененные риски;
• оценки представления руководства путем анализа финансовых операций[7].

Трансформированные аналитические про­цедуры посредством использования методики больших данных выходят за рамки привыч­ного инструментария аналитика, включая в себя анализ всех релевантных данных (тран­закции компании и основные данные ключе­вых бизнес-процессов).

В современном мире аналитики должны использовать большие данные и проводить более глубокую аналитику. Эти процедуры могут помочь им лучше понять среду своих клиентов и использовать данные для повы­шения качества аудита и выявления мошен­ничества. Каждый аудитор должен иметь воз­можность использовать более сильные ин­струменты аудита, чем привычные электрон­ные таблицы.

Большие данные могут повысить эффектив­ность общей аналитики данных, включая опи­сательную, диагностическую, прогностическую и предписывающую аналитику, представить аудиторские доказательства в более широком и полном масштабе, построить связи между финансовой отчетностью и фактическими деловыми операциями и выявить потенци­альные риски. Внутренний аудит также может извлечь выгоду от применения больших данных, используя более неструктурирован­ную и нефинансовую информацию для кон­троля рисков.

Проблемы внедрения технологий больших данных в аудит и финансовый консалтинг

Потенциал больших данных может сделать их привлекательными для аудиторских ком­паний, однако их фактическая интеграция в аудит еще не произошла. Существует не­сколько причин, препятствующих внедрению больших данных в аудит.

Во-первых, интеграция больших данных начинается с сочетания традиционных данных и больших данных. Эти два источника одина­ково важны для аудиторских процедур, по­скольку они подразумевают различные типы информации. В то время как традиционные бухгалтерские данные в основном количе­ственны и структурированы, большие данные также включают неструктурированные и по­луструктурированные данные, которые пред­лагают больше подтверждающих доказательств и подробной информации. Учитывая сложный характер современных деловых операций, ау­диторам часто приходится получать различные виды доказательств.

Например, при проверке информации об от­грузке традиционные сопроводительные до­кументы являются основным доказательством ее наличия. Дополнительные большие данные, например, получаемые от GPS, могут обеспе­чить более надежную проверку информации. Аудиторы должны сначала определить потен­циально релевантные и полезные большие данные, а затем собирать и объединять данные.

Тем не менее, агрегирование данных на этом уровне сталкивается с серьезными проблемами, в основном из-за несовместимости данных; боль­шие данные не структурированы и не имеют общего идентификатора. Например, аудитор, пытаясь проверить доходы энергетической ком­пании, хочет объединить сведения о телефон­ных звонках каждой сервисной установки с ко­личеством продаж. Выполнение этой задачи требует как глубокого понимания двух на­боров данных, так и достаточной компетент­ности в программировании данных, что ука­зывает на два других необходимых компонен­та интеграции больших данных: человеческие ресурсы и технологии.

Во-вторых, существует проблема обеспе­чения конфиденциальности, связанная с вклю­чением больших данных и безопасностью хранения информации. Поскольку большие данные могут включать конфиденциальную информацию, соблюдение конфиденциаль­ности важно как для клиентов, так и для ре­гулирующих органов. Это также может вызвать озабоченность по поводу независимости, когда внешние аудиторы слишком много знают о своих клиентах.

В-третьих, причиной недостаточной ин­теграции больших данных является зависи­мость от компетентности людей, управляющих ими. Даже при использовании автоматизиро­ванных систем, сомнительно, что ручной труд будет значительно уменьшен, поскольку ин­теграция больших данных потребует больше­го набора навыков. Например, аудитор, кото­рый раньше изучал традиционные аудиторские доказательства в отношении запасов, теперь должен будет собрать другие соответствующие доказательства, подкрепленные большими данными, и проанализировать их. Поэтому специалистам по аудиту, возможно, придется стать экспертами как в области аудита, так и в области информационных технологий.

Между тем подбор и обучение будущих ау­диторов, уже владеющих большими данными, является сложной задачей. Университеты должны разрабатывать курсы бухгалтерского учета с акцентом на навыки работы с данны­ми и поощрять взаимодействие между бух­галтерией и программированием.

В-четвертых, опытным ИТ-специалистам требуется время для того, чтобы приспосо­биться к новым системам больших данных, не говоря уже о штатном аудиторе. Программ­ное обеспечение для больших данных, требу­ющее серьезных навыков работы с данными, может быть довольно дорогим, если аудитор­ская фирма имеет высокий уровень текучести кадров из-за затрат, связанных с обучением новых сотрудников.

В-пятых, программное обеспечение, кото­рое может эффективно обрабатывать как объем, так и анализ, будет неизбежно доро­гостоящим, что будет сдерживать многие ау­диторские фирмы во внедрении инструментов больших данных [6].

Шестой причиной, препятствующей широ­кому распространению технологий больших данных в аудите, является проблема отстава­ния нормативно-правового регулирования использования больших данных. Когда прак­тика в той или иной области меняется, это обычно приводит к изменениям в норматив­ных документах. Соответственно, если ауди­торские процедуры адаптируются к большим данным, стандарты аудита должны двигаться аналогичным образом. Таким образом, воз­никает необходимость в совершенствовании существующих стандартов аудита в целях ре­шения этих проблем.

Если сбор и объединение больших данных станут осуществимыми и относительно лег­кими, стандарты аудита и правила должны быть согласованы с применением методов анализа данных. Аналитики в данной области в основном используют ранее разработанные стандарты аудита, предполагающие примене­ние больших данных.

Применение аналитики больших данных в профессиональной деятельности сегодня ограничивается действующими стандартами и иными правовыми нормами.

В частности, согласно МСА 520 аналитиче­ские процедуры исследуют взаимосвязи между финансовой и нефинансовой информацией с целью выявления отклонений от ожидаемых тенденций. В действующих стандартах аудита пока не содержится информации об использо­вании аналитики на основе больших данных для получения «существенных доказательств». Анализ достоверности данных клиента опре­деляет точность, полноту и целесообразность их использования в качестве аудиторского до­казательства. Аудитор использует информацию непосредственно из баз банных. Далее прово­дится сверка полноты и точности данных. На данном этапе анализа осуществляется со­поставление полученных результатов с уже готовыми отчетами с тем, чтобы убедиться в достоверности используемой информации. Однако сегодня в стандартах аудита не содер­жится указаний о типах и объемах необходимой информации, а также конфиденциальности выгружаемой информации.

В соответствии с определением содержания аудиторских доказательств в международных стандартах используется иерархичность до­казательств. Доказательства, полученные от третьего лица, находятся на вершине ие­рархии, доказательства, полученные от руко­водства (как заинтересованной стороны) — на нижней ступени. Таким образом, в стан­дартах не указанно — к какому типу инфор­мации можно отнести анализируемые данные. Отсутствие детального описания типов до­казательств, аналитики не указывают на них в качестве полученных исследований, тем самым отрицая преимущества иерархии в ана­литике больших данных.

Существует много возможностей для ис­пользования методов больших данных в аудите, особенно когда строгие аналитические про­цедуры сочетаются с традиционными метода­ми аудита и экспертными суждениями. Ауди­торы могли бы извлечь выгоду из использова­ния улучшений в последних моделях финансо­вого кризиса и финансового мошенничества с большими данными. Анализ настроений и обработка естественного языка являются другими перспективными инструментами аудита, которые требуют дополнительных ис­следований. Существуют также новые направ­ления исследований в области аудита, которые хорошо подходят для методов больших данных, таких как информационные настройки в режиме реального времени, а также платфор­мы совместной работы.

Обзор актуальных исследований в области аудита будущего

Исследования в области аудита будущего играют важную роль в сближении теории и практики. Академическая литература сетует на медленную интеграцию больших данных в аудит. Несомненным лидером в развитии этого направления являются крупные ауди­торские организации, которые много ресурсов направляют на создание программ «робоаудита» (Robotic Process Automation — RPA), поскольку аудит — это достаточно высоко-стандартизированный процесс, включающий рутинную работу по подготовке большого количества рабочих документов. Используя технологии роботизированной автоматизации процессов, можно значительно усовершен­ствовать алгоритм процесса аудита. Последние годы растет интерес к разработке подобных программ, использование которых позволит не только ускорить процесс аудита, но и сде­лать его более качественным за счет более широкого охвата транзакций аудируемого лица и источников информации, включая внешние ресурсы. Так, на сайте Международ­ной Федерации Бухгалтеров (IFAC) опубли­кован обзор исследований, проведенных в этой области [7]. В частности, одной из первых те­стируемых областей стал этап планирования аудита, на котором собирается информация об аудируемом лице. Данные для оценки рисков собираются как из информации, пре­доставленной самим аудируемом лицом, так и из внешних источников (базы данных, го­сударственные информационные ресурсы, открытые средства массовой информации и т.д.). Для преобразования исходных данных в стандартизированный и машиночитаемый формат использовалась система Python, по­исковые боты, в результате была сгенериро­вана сводная электронная таблица больших данных, соответствующая рабочему докумен­ту этапа планирования. На следующем этапе была разработана модель роботизации про­цесса аудита доходов.

Технология RPA используется для проведе­ния детальных тестов путем сбора аудиторских доказательств из нескольких файлов (включая договоры, спецификации, накладные и другие документы в формате «pdf» и реестры отгрузок из бухгалтерских программ), компилирования этих доказательств в стандартизированный формат, импорта их в программное обеспече­ние для анализа данных, а затем выполнения аудиторских тестов, которые предварительно запрограммированы на проверку соответствия суммы продаж и заказа на продажу.

Кроме того, ряд партнеров ведущих ауди­торских фирм говорят в СМИ о том, что их компании начали использовать большие данные [8]. Действительно, веб-сайты неко­торых аудиторских фирм продвигают анали­тику данных как часть своих инноваций в об­ласти аудита. В частности, компания KPMG описывает свой аудит как «основанный на ин­новациях Data & Analytics (D&A)» [5]. Дирек­тор по инновациям Deloitte упоминает ис­пользование обработки естественного языка и других методов больших данных в аудите [9]. С другой стороны, один из партнеров KPMG заявил, что с точки зрения аудитора рост D&A не представляет собой фундамен­тального сдвига в том, что может делать ана­литика. Это утверждение, возможно, не явля­ется репрезентативным, но оно указывает на то, что практикующие специалисты еще не осознают потенциала больших данных. В целом распространенность методов больших данных в практике аудита остается в значи­тельной степени неизвестной [10].

Чтобы помочь согласовать исследования и практику, важно понять распространенность и характер применяемых методов больших данных в практике аудита. Чтобы восполнить этот пробел в знаниях, необходимо провести качественное исследование на основе интервью. Оно должно охватывать как можно более ши­рокий круг больших, средних и малых ауди­торских компаний, так как возможности разных компаний и функционал персонала сильно от­личаются, а методы анализа больших данных варьируют от Excel до Olape-технологий. Про­ведение подобных исследований может спо­собствовать более быстрому внедрению боль­ших данных на практике.

Проведенное исследование позволило сде­лать вывод о том, что многие аудиторские компании еще не понимают, как в полной мере использовать возможности больших данных для того, чтобы сделать аудит более точным, надежным и менее затратным. Можно выде­лить лишь направления движения в сторону внедрения аналитики больших данных в ау­диторские компании и управления финансами, которые связаны с вовлечением не только высшего руководства, но и сотрудников службы внутреннего аудита в процесс при­нятия решений от формирования конечной цели до настройки алгоритмов или статисти­ческих моделей для анализа данных; создани­ем команды с достаточными ресурсами и тех­ническими навыками, способной анализиро­вать данные в режиме реального времени, помогать управлять большими информаци­онными хранилищами, автоматизировать по­вседневные задачи и использовать искусствен­ный интеллект для принятия более обосно­ванных бизнес-решений.

Оценка IT-компетенций на квалификационном экзамене для аудиторов

Безусловно, аудит будущего будет выглядеть совсем иначе, чем аудит сегодняшнего дня. Аудиторы смогут использовать более крупные наборы данных и аналитику для лучшего по­нимания бизнеса, выявления ключевых об­ластей риска и обеспечения более высокого качества аудита, обеспечивая при этом боль­шую ценность для бизнеса. Однако уже сегод­ня необходимо формирование профессио­нального ГГ-мировоззрения у молодых ауди­торов для понимания преимуществ цифровой трансформации аудита, возможностей ис­пользования аналитики больших данных в аудите и сопутствующих услугах, при оценке аудиторских рисков [11]. Именно по этой при­чине компетентностная модель нового квали­фикационного экзамена для аудиторов, всту­пившего в действие в 2020 году, предполагает постепенное увеличение тестирования знаний и навыков в области информационных техно­логий, причем в разных модулях и на всех этапах экзамена, что рассматривается в мате­риалах статей, посвященных подготовке к эк­замену [12, 13]. Для подготовки будущих ауди­торов к оцениванию ГГ-компетенций на ква­лификационном экзамене Единой аттестаци­онной комиссией разработаны методические материалы, содержащие источники и примеры использования информационных технологий в аудите, включая подходы к их решению, свя­занные с получением аудиторских доказа­тельств; коммуникациями в ходе аудита; про­веркой данных бухгалтерской (финансовой) отчетности; аудиторскими рисками, возника­ющими при использовании информационных технологий, в том числе касающимися соблю­дения законодательства в сфере ПОД/ФТ [14].

Литература

1. Международный стандарт аудита 520 «Аналитические процедуры» (введен в действие на тер­ритории Российской Федерации Приказом Минфина России от 09.01.2019 № 2н) [Электронный ресурс] // Консультант-плюс. — 1999-2020. — URL : http://www.consultant.ru/document/cons_doc_LAW_317269/ (дата обращения: 07.01.2021).
2. Урусов А.Т. Особенности интеграции аналитики больших данных в аудиторские процедуры [Электронный ресурс] // StudNet. — 2020. — № 5. — URL : https://cyberleninka.ru/article/n/ osobennosti-integratsii-analitiki-bolshih-dannyh-v-auditorskie-protsedury (дата обращения: 07.01.2021).
3. Казакова Н.А., Романова Н.В. Влияние цифровой экономики на развитие и конкурентоспособ­ность Российского финансового сектора // Финансовый менеджмент. 2019. - № 1. — С. 86-94.
4. Сайт аудиторско-консалтинговой компании EY [Электронный ресурс]. — URL : https://www. ey.com/en_gl/assurance/how-big-data-and-analytics-are-transforming-the-audit (дата обращения: 07.01.2021).
5. KPMG's global network of D&A professionals helps turn data into value [Электронный ресурс]. — URL : https://home.kpmg/us/en/home/insights/2015/01/data-and-analytics.html (дата обращения: 07.01.2021).
6. Казакова Н.А. Современные тренды оценки эффективности бизнес-модели компаний цифровой экономики // В книге: Цифровая экономика: тенденции и перспективы развития : Сборник тезисов до­кладов национальной научно-практической конференции: в двух томах. — 2020. — С. 253-255. — URL : https://elibrary.ru/item.asp?id=44296345 (дата обращения: 21.01.2021).
7. Big Data in Business Analytics: Implications for the Audit Profession. // [Электронный ресурс] / Режим доступа: https://www.cpajournal.com/2017/06/26/big-data-business-analytics-implications-audit-profession/ (дата обращения: 07.01.2021).
8. DATA AND TECHNOLOGY: TRANSFORMING THE FINANCIAL INFORMATION LANDSCAPE [Электронный ресурс]. — URL : https://www.cfainstitute.org/-/media/documents/article/position-paper/ data-technology-transforming-financial-information-landscape.ashx (дата обращения: 07.01.2021).
9. THE ROLE OF BIG DATA IN AUDITING AND ANALYTICS [Электронный ресурс]. — URL : https://www.analyticsinsight.net/the-role-of-big-data-in-auditing-and-analytics/ (дата обращения: 07.01.2021).
10. 10. Инновации и корпорации [Электронный ресурс]. — URL : https://www2.deloitte.com/content/ dam/Deloitte/ru/Documents/research-center/TechDays_report_rus.pdf (дата обращения: 07.01.2021).
11. Казакова Н.А. Влияние цифровой экономики на образование и профессиональное развитие спе­циалистов финансового рынка // Национальные интересы: приоритеты и безопасность. — 2019. — Т. 15. - № 8 (377). — С. 1394-1405.
12. Казакова Н.А., Бровкина Н.Д. Информационные технологии в аудиторской деятельности // Аудитор. — 2020. — № 4. — С. 24-29.
13. Казакова Н.А., Бровкина Н.Д. Оценка компетенций и профессиональных навыков аудитора в цифровой среде: наиболее значимые аспекты использования информационных технологий в аудите // Аудитор. — 2020. — № 8. — С. 20-24.
14. Использование информационных технологий в процессе сбора аудиторских доказательств. Ме­тодические материалы для подготовки претендентов [Электронный ресурс]. — URL : https://eak-rus. ru/files/2020/audit-1et-mm.pdf. (дата обращения: 21.01.2021).