CHƯƠNG II: THỰC TRẠNG VÀ KẾT QUẢ KHẢO SÁT VỀ CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN VIỆC ỨNG DỤNG CÔNG NGHỆ PHÂN TÍCH DỮ LIỆU VÀ DỮ LIỆU LỚN TRONG KIỂM TOÁN BCTC DO KIỂM TOÁN ĐỘC LẬP THỰC HIỆN TẠI VIỆT NAM
2.2 Khảo sát về các nhân tố tác động đến việc ứng dụng công nghệ phân tích dữ liệu và dữ liệu lớn trong kiểm toán BCTC do kiểm toán độc lập thực hiện tại Việt Nam
2.2.2 Kết quả khảo sát
2.2.2.1 Những lợi ích và thách thức của việc ứng dụng BDA trong kiểm toán BCTC do kiểm toán độc lập thực hiện
a. Những lợi ích mà BDA mang lại cho hoạt động kiểm toán BCTC
Có một số lợi ích quan trọng của việc sử dụngBDAtrong kiểm toán, đó là: KTV có thể kiểm tra số lượng nghiệp vụ nhiều hơn; chất lượng kiểm toán gia tăng bởi việc cung cấp nhiều hiểu biết sâu sắc hơn về quy trình của khách hàng; gian lận sẽ dễ được phát hiện hơn bởi KTV có thể tận dụng các công cụ và kỹ thuật mà họ sử dụng; và KTV có thể cung cấp dịch vụ và giải quyết các vấn đề cho chính khách hàng của họ vượt trên khả năng hiện tại bằng cách sử dụng dữ liệu bên ngoài để cung cấp thông tin cho cuộc kiểm toán.
Trong kiểm toán, bằng chứng kiểm toán luôn cần phải đạt được hai yêu cầu về tính thích hợp và đầy đủ. Tính đầy đủ là một phạm trù tương đối phức tạp vì rất khó để có thể xác định được như thế nào là đầy đủ. Đối với lợi ích thứ nhất, BDAcó thể cải thiện cuộc kiểm toán bằng cách tăng tính đầy đủ của các bằng chứng kiểm toán, do khối lượng lớn và cơ sở thời gian thực, BDA có thể cho phép kiểm toán dựa trên tổng thể. Hiện nay, KTV áp dụng phương pháp tiếp cận cuộc kiểm toán dựa trên đánh giá rủi ro và chọn mẫu các giao dịch để xác định số dư các tài khoản, các giao dịch có
được trình bày hợp lý hay không. BDAsẽ cho phép KTV tự động kiểm tra các giao dịch và về mặt lý thuyết, 100% mẫu có thể được chọn kiểm tra. Đối với các dữ liệu và các yếu tố đo lường phi tài chính mà thực tiễn kiểm toán hiện tại sử dụng không nhiều trong các cuộc kiểm toán, nhưng tương lai sẽ có các công cụ được phát triển để chạy các mô hình và phân tích dự đoán để giúp KTV phát hiện các rủi ro kinh doanh và khu vực cần tập trung kiểm toán trong quá trình lập kế hoạch, trong việc phát hiện gian lận, và giúp đánh giá khả năng hoạt động liên tục của đơn vị. Đối với các dữ liệu tài chính mà thực tiễn kiểm toán hiện nay KTV thu thập và kiểm tra chọn mẫu các giao dịch và sử dụng xét đoán vào những khu vực mà khó kiểm tra (ví dụ như các ước tính kế toán chịu ảnh hưởng của nhà quản trị đơn vị) thì với phương pháp kiểm toán được dự đoán trong thời gian tới sẽ có các công cụ có thể kiểm tra 100% các giao dịch. Điều này sẽ giúp phát hiện được sự bất thường trong các dữ liệu giao dịch được cung cấp bởi khách hàng. Điều này sẽ định hướng các công việc kiểm tra bổ sung thêm, có thể phát hiện thêm các giao dịch gian lận. Các xét đoán sẽ được sử dụng trong đánh giá ở các bước tiếp theo sau khi các bất thường được phát hiện. Trong tương lai, với việc sử dụng các công cụ phân tích mạnh, KTV sẽ có khả năng kiểm tra 100% các giao dịch của khách hàng. Chúng ta cũng có thể sắp xếp, lọc, và phân tích hàng chục nghìn hoặc hàng triệu giao dịch để phát hiện ra các bất thường, dễ dàng để tập trung vào các khu vực cần quan tâm và đi sâu vào các khu vực có rủi ro cao nhất. Điều này hơn hết sẽ giúp KTV đánh giá rủi ro và phát hiện các xu hướng thông qua quá trình kiểm toán.
Với các dữ liệu thông minh của mỗi năm, kiểm toán sẽ thu thập được những vấn đề cần lưu ý từ các năm trước, đưa ra những khu vực chứa đựng rủi ro cao và xây dựng một nền tảng kiến thức tự làm giàu được để thông báo những thông tin tốt hơn cho các công ty và các nhà đầu tư của họ. Kiểm toán được chuyển đổi sẽ mở rộng ra ngoài kiểm toán dựa trên chọn mẫu, do đó kiểm toán chuyển đổi sẽ bao gồm phân tích toàn bộ dữ liệu liên quan đến kiểm toán (hoạt động giao dịch và dữ liệu tổng thể từ các quy trình kinh doanh chính), sử dụng phân tích thông minh để cung cấp bằng chứng kiểm toán với chất lượng cao hơn và thông tin chi tiết về doanh nghiệp phù hợp hơn. Dữ liệu lớn và phân tích dữ liệu cho phép kiểm toán viên xác định báo cáo tài chính, gian lận và rủi ro hoạt động kinh doanh tốt hơn. Từ đó, điều chỉnh cách tiếp cận của họ để thực hiện một cuộc kiểm toán phù hợp hơn.
Mặc dù tăng số lượng các giao dịch được kiểm tra từ các mẫu nhỏ được sử dụng hiện tại đến khả năng kiểm tra 100% tổng thể, nhưng trọng tâm sự khác biệt là từ các sai phạm trong mẫu đến các bất thường trong dữ liệu của tổng thể. Các bất thường ở đây là sự khác biệt, không phù hợp của dữ liệu với những kỳ vọng, dự đoán của KTV dựa trên sự hiểu biết, kiến thức của họ về khách hàng. Ví dụ của sự bất thường ở đây là có sự hiện của giao dịch bán hàng cho khách hàng mà đã được phát hiện là mất khả năng thanh toán hay phá sản; do đó KTV kỳ vọng sẽ không có doanh thu được ghi nhận từ những khách hàng này. Điều này liên quan đến lợi ích thứ hai của DA, đó là gia tăng chất lượng của cuộc kiểm toán bằng cách cung cấp những hiểu biết nhiều hơn, sâu sắc và tốt hơn về quy trình của khách hàng.
Một lợi ích tiếp theo nữa đó là KTV có khả năng xây dựng cơ sở dữ liệu những hiểu biết về mỗi hợp đồng kiểm toán mà có thể chuyển từ năm này sang năm khác; ví dụ thông tin về các giao dịch bất thường đã được xử lý sẽ thông báo cho các KTV trong năm tiếp theo khi họ triển khai những dự báo của họ.
Lợi ích thứ tư của BDAlà cải thiện khả năng phát hiện gian lận của cuộc kiểm toán. Đã có rất nhiều các cuộc họp của các tổ chức, cơ quan quản lý nghề nghiệp về kế toán kiểm toán thảo luận về việc phát hiện gian lận của KTV và đều có một sự đồng thuận rằngBDAhứa hẹn sẽ phát hiện gian lận vì các công cụ phần mềm cho phép KTV phân tích các bộ dữ liệu lớn một cách hiệu quả có thể được áp dụng với chi phí rất thấp cho các công ty kiểm toán (AICPA, 2014). Những công cụ này, được gọi là kỹ thuật kiểm toán có sự trợ giúp của máy tính (CAAT), tuy không phải là mới đối với các công ty kiểm toán, nhưng việc sử dụng chúng bị hạn chế, một phần do thiếu sự chấp nhận sử dụng của các nhân viên kiểm toán. Sự gia tăng dữ liệu khách hàng cùng với áp lực cạnh tranh trongBDAvới các công ty kiểm toán khác có thể thay đổi thái độ của KTV đối với việc sử dụngBDAđể phát hiện gian lận.
Lợi ích thứ năm củaBDAtrong kiểm toán là khả năng sử dụng dữ liệu phi tài chính và dữ liệu bên ngoài để cung cấp thông tin tốt hơn cho giai đoạn lập kế hoạch kiểm toán (đặc biệt là khâu đánh giá rủi ro) và kiểm toán hiệu quả hơn những khu vực yêu cầu sự xét đoán, ví dụ như đánh giá hay hoạt động liên tục. Dữ liệu phi tài chính bao gồm dữ liệu mà công ty tập hợp trong nội bộ như dữ liệu nguồn nhân lực, dữ liệu khách hàng, dữ liệu thị trường,…bên ngoài các loại bằng chứng báo cáo tài chính mà KTV thường phân tích. Ngoài ra, ở mức độ mà các KTV có thể phát triển các mô hình
có thể dự đoán các sự kiện trong tương lai, thường được gọi là phân tích dự đoán, từ đó KTV có thể hỗ trợ khách hàng tốt hơn trong việc đưa ra các quyết định chiến lược về doanh nghiệp của họ. Dữ liệu bên ngoài được xác định rộng hơn và có thể bao gồm dữ liệu về các yếu tố và xu hướng kinh tế vĩ mô rộng, dữ liệu ngành, dữ liệu về đối thủ cạnh tranh và dữ liệu được thu thập thông qua các phương tiện truyền thông xã hội.
Các nền tảng truyền thông xã hội có thể được sử dụng để phân phối các thông tin tài chính cũng như phi tài chính, và tất cả thông tin này có thể được nắm bắt và lưu trữ trong cơ sở dữ liệu để sử dụng sau này. Truyền thông xã hội cũng cho phép các công ty nắm bắt dữ liệu về khách hàng, nhân viên hoặc nhà đầu tư. Dữ liệu này sau đó có thể được sử dụng để xây dựng các mô hình có thể dự đoán các sự kiện trong tương lai, chẳng hạn như lỗi hoặc sai phạm trong các báo cáo. Nhược điểm của CAAT truyền thống là không thể nhập thông tin phi tài chính như mạng xã hội, email công ty, các bài báo,…mà được xem là thiết yếu để thu được lợi ích đầy đủ từ phương phápBDAtrong các cuộc kiểm toán.
Kiểm toán viên có thể đưa ra tư vấn và giải quyết các vấn đề cho chính đơn vị được kiểm toán vượt trên khả năng hiện tại bằng cách sử dụng dữ liệu phi tài chính và dữ liệu bên ngoài (dữ liệu nguồn nhân lực, dữ liệu khách hàng, dữ liệu thị trường…) để cung cấp thông tin cho cuộc kiểm toán. Bằng cách ứng dụng dữ liệu lớn, các dữ liệu phi tài chính có thể được sử dụng để xây dựng các mô hình có thể dự đoán các sự kiện trong tương lai, chẳng hạn như các lỗi hoặc sai phạm trong các báo cáo… Từ việc đưa ra các mô hình dự đoán, các kiểm toán viên có thể đưa ra các kiến nghị, tư vấn cho đơn vị được kiểm toán giúp đơn vị hoàn thiện cơ chế, chính sách hay khắc phục các vướng mắc, bất cập hiện tại.
Mặc dù các công ty kiểm toán đang đạt được những tiến bộ đáng kể và bắt đầu nhận thấy lợi ích của dữ liệu lớn và phân tích trong quá trình kiểm toán, chúng ta cần hiểu rằng việc chuyển đổi kiểm toán là một quá trình. Một cách dễ hiểu để mô tả việc chuyển đổi kiểm toán đó là ví dụ về sự chuyển đổi từ dịch vụ đăng ký truyền hình sang nền tảng phim trực tuyến Netflix. Khi công ty thành lập vào năm 1997, Netflix đã áp dụng mô hình DVD-by-mail, gửi phim cho khách hàng của mình, khách hàng sẽ trả lại sau một buổi tối hoặc một tuần giải trí. Mặc dù Netflix luôn biết rằng tương lai là phát trực tuyến phim, nhưng công nghệ này vẫn chưa sẵn sàng vào thời điểm đó cũng như băng thông rộng dành cho người tiêu dùng tốc độ cao cũng chưa phổ biến vào thời
điểm đó. Ngày nay, kiểm toán viên tham gia vào việc kiểm toán tương tự như dịch vụ DVD-by-mail, chuyển dữ liệu từ khách hàng sang công ty kiểm toán để kiểm toán viên sử dụng. Những gì kiểm toán viên thực sự cần là có các công cụ kiểm toán thông minh nằm trong trung tâm dữ liệu của các công ty và truyền trực tuyến kết quả phân tích độc quyền này cho các nhóm kiểm toán. Nhưng công nghệ để thực hiện tầm nhìn này vẫn còn sơ khai và trước mắt, các công ty kiểm toánn chỉ đang cung cấp phân tích kiểm toán bằng cách xử lý các tập dữ liệu khách hàng lớn và tích hợp phân tích vào phương pháp kiểm toán của họ.
Quá trình chuyển đổi kiểm toán này sẽ không diễn ra trong một sớm một chiều.
Đó là một bước nhảy vọt lớn để đi từ phương pháp kiểm toán truyền thống sang phương pháp tích hợp hoàn toàn dữ liệu lớn và phân tích một cách liền mạch.
b. Những thách thức và rào cản khi ứng dụng BDA trong kiểm toán BCTC
Mặc dù có nhiều lợi ích từ sử dụngBDAtrong kiểm toán, nhưng cũng có một số thách thức không nhỏ. Những thách thức này chủ yếu thuộc vào ba vấn đề lớn như sau: sự tích hợp dữ liệu; đào tạo và tính chuyên môn hóa của KTV; vấn đề về thu thập dữ liệu; tính khả dụng, tính phù hợp và tính trung thực của dữ liệu; kỳ vọng của các cơ quan quản lý và người sử dụng BCTC.
Đầu tiên, tích hợp dữ liệu lớn bắt đầu bằng sự kết hợp giữa dữ liệu truyền thống và dữ liệu lớn. Hai nguồn này đều quan trọng như nhau đối với các thủ tục kiểm toán, vì chúng hàm ý các loại thông tin khác nhau. Trong khi dữ liệu kế toán truyền thống chủ yếu là dữ liệu định lượng và có cấu trúc, thì dữ liệu lớn cũng bao gồm dữ liệu bán cấu trúc và phi cấu trúc cung cấp thêm bằng chứng hỗ trợ và thông tin chi tiết. Do tính chất phức tạp của các giao dịch kinh doanh hiện đại, kiểm toán viên thường cần thu thập nhiều loại bằng chứng khác nhau. Việc bổ sung dữ liệu lớn có thể nâng cao tính đầy đủ, độ tin cậy và tính liên quan của bằng chứng kiểm toán, từ đó cải thiện hơn nữa chất lượng kiểm toán. Ví dụ: trong việc xác minh thông tin lô hàng, các chứng từ vận chuyển truyền thống là bằng chứng chính về sự hiện hữu. Dữ liệu lớn bổ sung, chẳng hạn như dữ liệu GPS, có thể cung cấp xác minh chắc chắn hơn. Tóm lại, kiểm toán viên trước tiên nên xác định dữ liệu lớn có thể có liên quan và hữu ích, sau đó thu thập và hợp nhất dữ liệu.
Tuy nhiên, việc tổng hợp dữ liệu ở cấp độ này phải đối mặt với những thách thức nghiêm trọng, chủ yếu là do dữ liệu không tương thích; dữ liệu lớn không có cấu trúc và thiếu số nhận dạng chung. Hãy xem xét một tình huống trong đó một kiểm toán viên, trong nỗ lực kiểm toán doanh thu của một công ty năng lượng, muốn kết hợp chi tiết cuộc gọi điện thoại của mỗi lần lắp đặt dịch vụ với số lượng đơn hàng. Thực hiện nhiệm vụ này đòi hỏi cả sự hiểu biết thấu đáo về hai tập dữ liệu và đủ năng lực về lập trình dữ liệu, điều này chỉ ra hai thành phần cần thiết khác trong quá trình tích hợp dữ liệu lớn đó là nguồn nhân lực và công nghệ.
Thách thức tiếp theo liên quan đến tốc độ gia tăng lượng lớn dữ liệu mà trong đó dữ liệu phi tài chính chiếm một con số đáng kể có thể lấn át khả năng xử lý thông tin của KTV. Các kỹ năng như nhận dạng mẫu và hiểu cách đánh giá sự bất thường theo truyền thống không phải là trọng tâm chính của việc đào tạo trong các công ty kiểm toán nữa, kỹ năng này thường có được qua nhiều năm kinh nghiệm nghề nghiệp.
Thông thường, KTV mới tốt nghiệp các trường đại học được đánh giá sẽ thành thạo trong việc hiểu cách áp dụng các quy tắc kế toán và hiểu rủi ro kiểm toán liên quan đến các tài khoản cụ thể. Ví dụ, họ có thể biết được nguyên lý hạch toán một giao dịch bán hàng chưa thu tiền sẽ được hạch toán như thế nào và hiểu về khả năng doanh thu và các khoản phải thu bị khai khống như thế nào. Nhưng họ thường không được đào tạo để xem xét liệu bản thân các giao dịch đó có hợp lý không hoặc để xây dựng mô hình ước tính về doanh thu mà sau đó sẽ cho phép họ nhận ra khi nào có sự bất thường đã xảy ra, hoặc quan trọng hơn là làm thế nào để theo dõi sự bất thường một khi nó được phát hiện. Mối quan tâm của các nhà quản lý là việc KTV sẽ thiếu những kỹ năng cần thiết để áp dụng một cách phù hợp các kỹ thuật DA, và các doanh nghiệp kiểm toán sẽ phải bắt đầu mở rộng dịch vụ tư vấn để thu hút và thuê các nhà khoa học dữ liệu với kỹ năng DA. Những nhà khoa học này có tư duy khác với các KTV, và khả năng chuyển dịch này tập trung từ dịch vụ kiểm toán sang dịch vụ tư vấn khiến nhiều nhà quản lý lo ngại về chất lượng dịch vụ kiểm toán.
Có một số cách thức khác nhau mà các công ty có thể thực hiện để giải quyết các lỗ hổng về chuyên môn của kiểm toán viên, ngoài việc đào tạo họ về các kỹ thuật DA. Ngay cả với các hệ thống tự động, liệu lao động thủ công có giảm đi đáng kể hay không, vì việc tích hợp dữ liệu lớn sẽ đòi hỏi một bộ kỹ năng lớn hơn. Ví dụ, một kiểm toán viên đã từng kiểm tra bằng chứng kiểm toán truyền thống liên quan đến hàng tồn