تجزیه و تحلیل داده‌ها به‌عنوان «علم و هنر کشف و تجزیه و تحلیل الگوهای شناسایی ناهنجاری‌ها و استخراج اطلاعات مفید در داده‌های اساسی یا مرتبط با موضوع، از طریق تجزیه و تحلیل، مدل‌سازی و تجسم» تعریف شده است. تحولات تحلیل داده‌ها در سطح جهانی است. برآورد شده هزینه‌های سرمایه‌گذاری شرکت‌ها در این پروژه‌ها، با ۷۰ درصد افزایش طی سال‌های ۲۰۱۵ تا ۲۰۲۰ از ۱۲۲ تا ۲۱۰ میلیارد دلار افزایش یافته است. ۷۰ درصد شرکت‌های آمریکایی در حال حاضر اعتقاد دارند که داده‌های بزرگ برای شرکت‌هایشان اهمیت حیاتی دارند.  مدیریت اطلاعات برای حرفه حسابداری بسیار مهم است. استانداردهای ضعیف اطلاعات بر کیفیت اطلاعات حسابداری تاثیر می‌گذارد. با این حال، خصوصیات داده‌های بزرگ متفاوت است. تفاوت اصلی اولیه داده‌های بزرگ با مدل سه‌بعدی  Doug Laney، که گاهی اوقات به‌عنوان سه V (حجم Volume، سرعت Velocity، تنوع Variety) شناخته می‌شود، مشخص شد. برخی محققان V چهارم و پنجمی را به‌عنوان صحت Veracity و ارزش value نیز اضافه کرده‌اند.   این ویژگی‌ها منجر به ایجاد شکاف‌هایی شامل انطباق داده‌ها، یکپارچگی داده‌ها، شناسایی داده‌ها، جمع‌آوری داده‌ها و محرمانه‌بودن داده‌ها می‌شوند. داده‌های بزرگ از سیستم‌های معاملاتی سنتی و همچنین منابع جدیدی نظیر ایمیل، تماس تلفنی، فعالیت‌های اینترنتی، رسانه‌های اجتماعی، رسانه‌های خبری، ضبط حسگرها و فیلم‌ها و... ایجاد می‌شوند.   شرکت‌هایی که از استراتژی‌های داده‌های بزرگ استفاده می‌کنند، احتمالا به‌طور فزاینده‌ای با چالش کیفیت داده‌های مورد‌استفاده در تجزیه و تحلیل مواجه می‌شوند. کیفیت داده‌های ضعیف می‌تواند تاثیری منفی، حدود ۸ تا ۱۲درصد بر درآمدها و بین ۴۰ تا ۶۰ درصد بر هزینه‌های شرکت‌ها داشته باشد. بنابراین شرکت‌ها به منظور ارزیابی ارتباط داده‌های بزرگ برای ایجاد ارزش از طریق استفاده از آن، به سمت آن هدایت خواهند شد.  فراست تجاری قوی حسابداران آنها را قادر به فیلتر کردن موارد بی‌ربط و توجه به محتوای مربوطه در تجزیه و تحلیل اکتشافی می‌کند. حسابداران همچنین با شناخت روابط بین داده‌ها و اینکه چگونه این عوامل بر عملکرد مالی شرکت اثر می‌گذارند، به شرکت‌ها در دستیابی به اهداف مالی خود کمک می‌کنند. مثلا یک حسابرس ممکن است توییت‌ها را برای ترسیم احساسات مشتری نسبت به انتشار محصول جدید برای ارزیابی اینکه آیا ذخایر کافی برای پرداخت‌های بالقوه برگشت از فروش منظور شده است، به‌دست آورد. 

فراگیرشدن داده‌های بزرگ، باعث تغییرات اساسی در آموزش حسابداری به ویژه در محتوای آماری و فناوری اطلاعات برنامه‌های درسی می‌شود.   با استفاده از مدل‌های پیچیده داده‌های بزرگ و سری‌های زمانی، میلیون‌ها معامله را می‌توان برای کشف الگوها و تشخیص ناهنجاری‌ها و بی‌نظمی‌ها مورد جست‌وجو قرار داد. مدل سری زمانی و تجزیه و تحلیل داده‌های بزرگ ارائه شده، کاربردهای سیاست‌گذاری، عملی، آموزشی و تحقیقی را ارائه می‌دهد که مدیران می‌توانند در مدل‌های پیش‌بینی‌شده استراتژی‌های مدیریتی، تصمیم‌گیری‌ها و اقدامات خود استفاده کنند.  فناوری‌های جدید مانند زنجیره بلوکی و اینترنت اشیا، کاربران را با فراوانی داده‌ها روبه‌رو می‌کنند. با این حال، داده‌های بزرگ به‌طور بالقوه شامل مقدار زیادی از اطلاعات بی‌فایده یا غیر قابل اعتماد هستند که چالش سازمان‌ها، تلاش برای استفاده از داده‌های بزرگ برای تبدیل به برنامه‌های عملی و استفاده از فرصت‌های در حال ظهور است.  با توجه به توانایی حسابداران برای شناخت و ارزیابی عملکردهای مختلف و به دست آوردن مهارت‌های تجزیه و تحلیل برای استفاده از داده‌های تولید شده توسط انقلاب صنعتی چهارم، حسابداران می‌توانند به‌وسیله ابزارهای جدید نظارت بر عملیات، کیفیت محصول و کاهش هزینه‌ها، به تصمیم‌گیری مدیریت کمک کنند.  برای شرکت‌های مرتبط به مسائل پایداری به لحاظ دیدگاه مشتری نیز، تجزیه و تحلیل محتوا از رسانه‌های اجتماعی می‌تواند موثر بودن اهداف مسوولیت‌های اجتماعی شرکت را اطلاع‌‌‌رسانی کند.  اگر تصمیم‌گیرندگان مبانی اساسی تحلیل داده را درک نکنند، استفاده از استراتژی کورکورانه می‌تواند فاجعه‌آمیز باشد. مدیران باید در مورد تصمیم‌گیری مفید بودن بسیاری از مدل‌های تولید شده از طریق تحلیل اکتشافی تصمیم‌گیری کنند.  داده‌ها ممکن است به‌دلیل دستکاری مدیریت گمراه‌کننده باشند. یک پاسخ به نیاز به کنترل بهتر داده‌های حسابداری این است که سیستم‌ها را بهبود بخشند تا داده‌ها به‌طور ذاتی قابل اعتماد و قابل اطمینان باشند. زنجیره بلوکی به‌عنوان راهی برای ضبط تراکنش‌های رمزنگاری شده که نمی‌توان آنها را رد کرد، پدیدار شده و مورد استفاده قرار می‌گیرند.

تحلیل عمیق حجم زیادی از داده‌ها، نیاز به پارادایم متفاوتی از گزارشگری و اطمینان‌دهی را ملزم می‌کند. گستردگی و کیفیت اطلاعات مالی ارائه شده، همواره در مصالحه‌ای بین هزینه تهیه‌کننده و سود استفاده‌کننده آنها است. هنگامی که داده‌ها به‌طور مداوم در دسترس هستند، بر فرآیندهای تولید این داده‌ها نیز باید به‌صورت مداوم اطمینان‌ حاصل شود. صلاحیت‌های حسابرسان نیز باید گسترش یابد تا انواع پیشرفته‌تر تحلیل داده‌ها را شامل شود. بزرگ‌ترین ریسک در این زمینه، سرعت کند تطبیق حسابرسان با واقعیت‌های جدید تحلیل داده‌ها است.

برخی از بخش‌های حسابرسی مستلزم قضاوت حرفه‌ای و برخی هم نیاز به اطلاعات اجتماعی، مانند مدیریت ارتباط با مشتری، شناسایی اهداف مدیریت برای تقلب در صورت‌های مالی، دارند. ارزیابی شناسایی تقلب‌ها نیازمند آگاهی عمیق از عملیات مشتری و انگیزه‌ها است. همچنین بیشترین انگیزه استفاده از داده‌های بزرگ توسط حسابرسان، مورد توجه بودن آنها توسط مشتریان، همانگونه که سیستم‌های ERP قبلا مورد پذیرش قرار گرفته‌اند. داده‌های بزرگ ممکن است به تصمیمات ناکارآمد یا نادرست منجر شوند که ناشی از داشتن اطلاعات بیش از حد، عدم تعیین اطلاعات مربوط به تصمیم‌گیری، عدم شناسایی الگو‌های درست، شناسایی الگوهای نادرست و داده‌های مبهم می‌باشند. راه‌حل‌های بالقوه این مشکلات شامل داشتن کمک‌های تصمیم‌گیری، تطبیق کار با سیستم با توجه به سطح تجربه حسابرس و ارائه آموزش مبتنی بر قرائن است.

مرتبط بودن داده‌های بزرگ در درجه اول از به موقع و در دسترس بودن آن ناشی می‌شود. شواهد حسابرسی سنتی اغلب بعد از وقوع جمع‌آوری می‌شوند، درحالی‌که حسابرسی با استفاده از داده‌های بزرگ می‌تواند روند فعلی را با ارائه اطلاعات به‌موقع تحلیل کند. برآورده کردن الزامات شواهد حسابرسی شامل کافی، قابل اعتماد و مرتبط بودن، به‌وسیله تحلیل داده‌های بزرگ، چالش‌های متعددی مانند انتقال اطلاعات، حفاظت از حریم خصوصی و ادغام با شواهد حسابرسی سنتی را شامل می‌شود. داده‌های بزرگ می‌توانند شواهد حسابرسی سنتی را در هر سطح از شواهد حسابرسی (صورت‌های مالی، مانده حساب‌ها و اهداف حسابرسی) افزایش دهند.

تحلیل داده‌ها به‌عنوان یک ابزار افزایش کارآیی حسابداری و حسابرسی تلقی می‌شود. مثلا به جای تکنیک‌های نمونه‌گیری سنتی، فرآیندهای خودکار می‌توانند کل جمعیت را برای الگوها و ناهنجاری‌های غیرمعمول بررسی کنند. همچنین به جای ارسال تاییدیه به‌صورت دستی توسط حسابرسان، فناوری زنجیره بلوکی می‌تواند تاییدات خودکار را فعال کند. زمانی که دسترسی به تکنیک‌های داده‌های بزرگ فراگیر شوند، استفاده‌کنندگان صورت‌های مالی انتظار دارند که از حسابرسی سنتی نمونه‌گیری به سمت حسابداری مستمر بر مبنای استثنا‌ها، جایی که تحلیل داده، توجه مستقیم حسابرس را به نمونه‌هایی که داده‌ها با انتظارات حسابرس و دانش وی از کسب‌و‌کار مشتری منطبق نیست، جلب می‌کنند. علاوه‌بر این، در جامعه حسابرسی بین‌الملل، این احساس به‌وجود آمده که اگر شرکت‌های حسابداری از فرصت‌ها بهره‌برداری نکنند، شرکت‌های فناوری‌های جدید مانند گوگل یا فین‌تک‌ها ممکن است این فرصت را برای ورود به بازار حسابرسی در اختیار گیرند.

 نتیجه‌گیری

انتقال از تجزیه و تحلیل داده‌ها از داده‌های ساختاری به غیر‌ساختاری به وسیله رشد فیس بوک، توییتر و یوتیوب انجام شد. با این حال، این انتقال فقط با ظهور رایانه‌های ابری صورت پذیرفت که ذخیره و تجزیه و تحلیل داده‌های بزرگ را مقرون به صرفه ساخت. آنچه که ما آن را تجزیه و تحلیل داده‌های بزرگ نامیده‌ایم، سرانجام مجبور به یک مرحله از رشد است، همانند کاهش هزینه‌های RFID که منجر به استفاده گسترده از اینترنت اشیا شد. تجزیه و تحلیل داده‌های بزرگ، زمانی امکان‌پذیر است که فناوری زنجیره بلوکی بالغ شود و قراردادهای هوشمند در فرآیندهای کسب‌و‌کار بیشتر لحاظ شوند. تجزیه و تحلیل داده‌ها، تحول آتی بازارهای جهانی است. برخلاف پیش‌بینی‌ها، حسابداران و حسابرسان هنوز می‌توانند در دنیای تجزیه و تحلیل داده‌های بزرگ ایجاد ارزش کنند. آنها که با تجزیه و تحلیل داده‌های ساختاریافته آشنا و دارای دانش و بینش اصول تجارت هستند، کار با داده‌های بدون‌ساختار نیز برایشان مقدور خواهد بود و می‌توانند دانشمندان داده را در تجزیه و تحلیل اکتشافی داده‌های بزرگ، حمایت کنند. بنابراین، به جای جایگزینی حسابداران و حسابرسان با سیستم‌های خودکار، ما استدلال می‌کنیم که تجزیه و تحلیل داده‌های بزرگ مکمل مهارت‌های آنها است و حتی در برخی موارد، سبب افزایش تقاضا برای حسابداران و حسابرسان دارای تخصص تحلیل‌ داده‌های بزرگ می‌شود.

 

این مطلب برایم مفید است
9 نفر این پست را پسندیده اند