Dữ liệu lớn trong phân tích kinh doanh: Ý nghĩa đối với nghề kiểm toán

• Định nghĩa về dữ liệu lớn vượt ra ngoài khối lượng thông tin. Ví dụ: Juan Zhang, Xiongsheng Yang và Deniz Appelbaum mô tả dữ liệu lớn với bốn chữ “V”: massive volume (khối lượng lớn), high velocity (tốc độ cao), large variety (đa dạng), and uncertain veracity(tính xác thực không chắc chắn) (“Hướng tới phân tích dữ liệu lớn hiệu quả trong kiểm toán liên tục,” Accounting Horizons, tháng 6 năm 2015). Tiêu chuẩn “lớn” cũng là một khái niệm tương đối. Một tập dữ liệu có thể được coi là lớn nếu hệ thống thông tin ở mức công suất tối đa hoặc không thể hoàn thành nhiệm vụ (Miklos Vasarhelyi, Alexander Kogan và Brad M. Tuttle, “Dữ liệu lớn trong kế toán: Tổng quan”, Accounting Horizons, tháng 6 năm 2015). Dữ liệu lớn cũng có nhiều định dạng khác nhau, chẳng hạn như văn bản, hình ảnh, giọng nói và video. Dữ liệu lớn cũng có thể được tạo ra độc lập với hoạt động của con người. Ví dụ về dữ liệu lớn bao gồm số lần nhấp vào quảng cáo, chi tiết cuộc gọi điện thoại của bộ phận hỗ trợ khách hàng hoặc toàn bộ tiền sử bệnh của một bệnh nhân.
• Cisco Systems phỏng đoán rằng đến năm 2020, số lượng thiết bị thông minh được kết nối với Internet sẽ là 37 tỷthiết bị (Murali Nemani, “Cisco and Verizon Showcase the Connected Athlete Experience,” Cisco Blogs, ngày 8 tháng 1 năm 2013, ). Andrew Leonard đã dự đoán rằng, “các công ty tìm ra cách tạo ra trí thông minh từ dữ liệu đó sẽ biết về chúng ta nhiều hơn chúng ta biết về bản thân, và sẽ có thể tạo ra các kỹ thuật thúc đẩy chúng ta đến nơi họ muốn chúng ta đến, hơn là nơi chúng ta sẽ tự đi với thiết bị của chính mình ” (“Cách Netflix đang biến người xem thành con rối ”, Slate, ngày 1 tháng 2 năm 2013).
• Dữ liệu lớn cũng đã được áp dụng trong thực tế kế toán. Với công nghệ nhận dạng tần số vô tuyến (RFID), một công ty có thể theo dõi sản phẩm của mình từ dây chuyền lắp ráp thông qua các cửa hàng. Điều này cho phép điều chỉnh hàng tồn kho ngay lập tức, trái ngược với việc sử dụng các giả định trong phương pháp kiểm kê truyền thống (ví dụ: FIFO, LIFO). Một cách sử dụng khác của dữ liệu lớn là đo lường tính vô hình. Nếu dữ liệu về sự hài lòng của khách hàng có thể liên tục được thu thập và phân tích từ các nền tảng và phương tiện truyền thông xã hội trên toàn thế giới, một công ty có thể có bằng chứng đáng tin cậy và kịp thời hơn về giá trị thị trường thực của một giá trị vô hình, vốn vẫn là một nhiệm vụ khó khăn đối với các biện pháp kế toán hiện tại (Vasarhelyi, Kogan và Tuttle 2015).
• Dữ liệu lớn được dự đoán sẽ có những đóng góp quan trọng trong lĩnh vực kiểm toán. Nó hữu ích cho các kiểm toán viên bên ngoài bằng cách nâng cao chất lượng của bằng chứng kiểm toán và tạo điều kiện phát hiện gian lận (Kyunghee Yoon, Lucas Hoogduin và Li Zhang, “Dữ liệu lớn làm bằng chứng kiểm toán bổ sung”, Accounting Horizons, tháng 6 năm 2015,). Một trong những cách sử dụng tiềm năng hữu ích nhất của dữ liệu lớn là khả năng cung cấp một cuộc kiểm toán dựa trên mẫu, kết quả của việc này sẽ tạo ra bằng chứng kiểm toán phù hợp hơn (Roshan Ramlukan, “Dữ liệu lớn và Phân tích đang biến đổi kiểm toán như thếnào”, Financial Executives International Daily, ngày 16 tháng 12 năm 2015). Ví dụ, nếu kiểm toán viên có quyền truy cập vào hồ sơ đầy đủ của khách hàng về các khoản phải thu, thì việc kiểm tra kỹ lưỡng (vídụ: sự tồn tại, xác nhận, thu thập) có thể được tiến hành để giảm thiểu sai lệch do lấy mẫu. Hơn nữa, khối lượng lớn như vậy cho phép công ty kiểm toán phân tầng các khoản phải thu theo các biến số khác nhau (ví dụ: số tiền giao dịch, thời gian, địa điểm) và thực hiện so sánh giữa các nhóm phân tầng để tìm ra các mẫu và có được cái nhìn sâu sắc hơn.
• Việc chuyển đổi hoàn toàn từ kiểm toán truyền thống sang kiểm toán trong tương lai sẽ không xảy ra bởi vì kiểm toán viên chọn làm như vậy. Động lực chính của việc ứng dụng dữ liệu lớn của kiểm toán viên là nhu cầu từ phía khách hàng.
• Hơn nữa, dữ liệu lớn có thể cải thiện hiệu quả của phân tích dữ liệu tổng thể, bao gồm phân tích mô tả, chẩn đoán, dự đoán và mô tả. Những phân tích này có thể cung cấp số liệu thống kê mô tả về toàn bộ mẫu, cung cấp bằng chứng kiểm toán trên quy mô lớn hơn và đầy đủ hơn, xây dựng mối liên hệ giữa báo cáo tài chính và hoạt động kinh doanh thực tế, đồng thời xác định các dấu hiệu tiềm ẩn. Kiểm toán nội bộ cũng có thể hưởng lợi từ dữ liệu lớn bằng cách sử dụng nhiều thông tin phi cấu trúc và phi tài chính hơn để kiểm soát rủi ro. Việc tích hợp thực tế dữliệu lớn vào các cuộc kiểm toán trong tương lai sẽ cần được xem xét thêm.

• Việc chuyển đổi từ kiểm toán truyền thống sang kiểm toán trong tương lai sẽ không xảy ra bởi vì kiểm toán viên chọn làm như vậy. Động lực chính của việc ứng dụng dữ liệu lớn của kiểm toán viên là nhu cầu từ phía khách hàng (Michael G. Alles, “Động lực của việc sử dụng và tạo thuận lợi và trở ngại cho sự phát triển của dữ liệu lớn của nghề kiểm toán”, Accounting Horizons, tháng 6 năm 2015). Alles cho thấy sự tương đồng giữa hệ thống Hoạch định Nguồn lực Doanh nghiệp (ERP) và dữ liệu lớn về tác động của chúng đối với thực hành kiểm toán. Nếu ERP có thể tạo ra động lực cho nghề kiểm toán áp dụng các cuộc kiểm toán dựa trên CNTT, thì điều tương tự cũng nên áp dụng cho dữ liệu lớn.
• Hãy tưởng tượng một môi trường đầy khách hàng sử dụng dữ liệu lớn trong hoạt động kinh doanh của họ. Một kiểm toán viên nếu không có đủ kiến thức và kỹ năng sẽ khó hiểu hoạt động kinh doanh của khách hàng và cung cấp sự đảm bảo. Việc áp dụng dữ liệu lớn trong các chức năng hàng ngày của khách hàng có thể ảnh hưởng đến việc kiểm toán theo hai cách. Một là thông qua việc sử dụng thông tin kế toán có trong các định dạng khác nhau (vídụ: âm thanh, hình ảnh, video). Ví dụ: các cuộc gọi bán hàng được thực hiện cho khách hàng có thể được kết hợp với số doanh thu để cung cấp hồ sơ đầy đủ về các hoạt động bán hàng. Trong trường hợp này, kiểm toán viên kiểm tra báo cáo kết quả hoạt động kinh doanh cần phải hiểu và phân tích dữ liệu tổng hợp. Tương tự, các video giám sát có thể được hợp nhất với dữ liệu kiểm kê, điều này đòi hỏi kiểm toán viên phải sử dụng chúng một cách hiệu quả làm bằng chứng kiểm toán bổ sung. Ngoài ra, dữ liệu lớn có thể tạo ra thông tin kế toán trên cơ sở thời gian thực, tăng cả khối lượng và tốc độ thu thập dữ liệu. Do đó, kiểm toán viên sẽ cần phải quen thuộc hơn với cảdữ liệu có cấu trúc và dữ liệu phi cấu trúc.
• Một cách khác để dữ liệu lớn có thể thay đổi hoạt động kiểm toán là sự phức tạp ngày càng tăng trong môi trường kinh doanh tổng thể của khách hàng. Kiểm toán viên phải luôn hiểu biết đầy đủ về hoạt động kinh doanh của khách hàng để xác định các rủi ro, chẳng hạn như các giao dịch đáng ngờ và gian lận tiềm ẩn. Ví dụ: Netflix đã sử dụng dữ liệu lớn để phân tích màu sắc và tiêu đề trong các bìa chương trình truyền hình của mình. Dữ liệu này đã cho phép Netflix hiểu kỹ thói quen xem của khách hàng và phát triển các chương trình nhắm mục tiêu đến nhân khẩu học cụ thể (Phil Simon, “Bài học dữ liệu lớn từ Netflix”, Wired, tháng 3 năm 201). Do đó, các hoạt động mâu thuẫn với sở thích của khách hàng đã được thiết lập có thể được kiểm toán viên công nhận làcác lĩnh vực rủi ro.
• Nói tóm lại, có vẻ như việc ứng dụng dữ liệu lớn vào thực tiễn kinh doanh là không có giới hạn. Khi các công ty bắt đầu hoạt động kinh doanh và ghi chép các con số kế toán theo hướng dẫn dắt bởi dữ liệu lớn, thì người làm nghềkiểm toán phải cập nhật kiến thức về dữ liệu lớn.

• Mặc dù tiềm năng của dữ liệu lớn có thể khiến nó hấp dẫn đối với các công ty kiểm toán, nhưng việc tích hợp thực tế của nó vào hoạt động kiểm toán vẫn chưa chín muồi. Một số yếu tố phải được giải quyết. Đầu tiên, tích hợp dữliệu 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, 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. Yoon và cộng sự. cho rằng 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 của sự xuất hiện. 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 dữliệu không tương thích; dữ liệu lớn không có cấu trúc và thiếu định dạng chung. Hãy xem xét một tình huống trong đó một kiểm toán viên, trong nỗ lực xác minh 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 bán 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 tích hợp dữ liệu lớn: nguồn nhân lực và công nghệ.
• Một vấn đề nghiêm trọng khác với việc đưa vào dữ liệu lớn là bảo mật liên quan đến lưu trữ dữ liệu. Vì dữ liệu lớn tổng hợp có thể bao gồm thông tin nhạy cảm nên việc giải quyết tính bảo mật là quan trọng đối với cả khách hàng và cơ quan quản lý. Nó cũng có thể làm dấy lên lo ngại về tính độc lập khi kiểm toán viên bên ngoài biết quá nhiều về khách hàng của họ.
• Việc tổng hợp dữ liệu ở cấp độ này phải đối mặt với những thách thức nghiêm trọng, phần lớn là do sự không tương thích của dữ liệu; dữ liệu lớn không có cấu trúc và thiếu định dạng chung.
• Yếu tố thứ hai của tích hợp dữ liệu lớn là quá trình đào tạo nhân tài. Kết quả cuối cùng của tích hợp dữ liệu lớn chủ yếu phụ thuộc vào năng lực của những người quản lý nó.
• Ngay cả với các hệ thống tự động, vẫn còn nghi vấn liệu lao động chân tay 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 kho, giờ đây sẽ phải thu thập các bằng chứng liên quan khác được hỗ trợ bởi dữ liệu lớn và phân tích nó. Do đó, các chuyên gia kiểm toán có thể cần trở thành chuyên gia trong cảlĩnh vực kiểm toán và công nghệ thông tin (CNTT).
• Trong khi đó, việc tuyển dụng và đào tạo các kiểm toán viên tương lai đã thành thạo với dữ liệu lớn là một nhiệm vụ khó khăn. Các trường đại học nên thiết kế các khóa học kế toán tập trung vào các kỹ năng dữ liệu và khuyến khích sự tương tác giữa lĩnh vực kế toán và máy tính. Cả công ty kiểm toán và khách hàng của họ nên lập kếhoạch các buổi đào tạo hoặc hội thảo liên tục nhằm nâng cao kiến thức và kỹ năng của kiểm toán viên trong việc quản lý dữ liệu. Họ cũng nên cho phép kiểm toán viên luân chuyển qua một số vị trí và được đào tạo giữa các bộphận. Ở đây, vai trò của các cơ quan quản lý cũng rất quan trọng, bởi vì các tiêu chuẩn mới về các kỳ thi nghiệp vụ có thể thay đổi nội dung của giáo dục kế toán”.
• Có nhiều tiềm năng để dữ liệu lớn được sử dụng trong các thủ tục phân tích. Do khối lượng lớn và cơ sở thời gian thực, dữ liệu lớn có thể cho phép kiểm toán dựa trên mẫu. Đây có lẽ là đóng góp quan trọng nhất của nó; nếu mọi phân tích (ví dụ, xu hướng, tỷ lệ, so sánh) có thể được tiến hành ở cấp độ mẫu, thì nó sẽ để lại rất ít rủi ro và sai lầm. Ví dụ: mỗi giao dịch bán hàng có thể được so sánh với các giao dịch trước đó, từ cùng một khách hàng và từcác thực thể khác trong cùng thời kỳ, để xác định các điểm bất thường trong dữ liệu doanh thu. Phân tích xu hướng và tỷ lệ cũng sẽ trở nên khả thi đối với các giao dịch riêng lẻ.
• Một công dụng khác của dữ liệu lớn là nâng cao mức độ chính xác của dự đoán. Mối quan hệ giữa hai hoặc nhiều khoản mục tài chính có thể được xác định một cách đáng tin cậy hơn từ thông tin chi tiết, theo thời gian thực. Điều tương tự cũng áp dụng đối với việc dự đoán mối quan hệ giữa tài chính của một công ty và mức trung bình của ngành. Dữ liệu lớn cũng sẽ giúp việc phát hiện gian lận hiệu quả hơn bằng cách tạo ra các kết nối giữa thông tin tài chính và phi tài chính. Điều này đặc biệt liên quan đến việc giám sát quản lý và hội đồng quản trị. Ví dụ, tất cả các email, cuộc gọi điện thoại và cuộc họp của ủy ban kiểm toán đều có thể được thu thập và phân tích để xác định các mô hình hoặc mối liên hệ tiềm năng với dữ liệu tài chính. Nhìn chung, các mô hình phân tích hiệu quả có thể thực sự nắm bắt được bản chất của dữ liệu lớn sẽ cần được thiết kế.
• Cuối cùng, dữ liệu lớn cũng có thể được tích hợp vào kiểm toán ngoài báo cáo tài chính. Một ví dụ quan trọng làkiểm toán các mối quan hệ kinh doanh bên ngoài (EBR). Trong khi các mối quan hệ của công ty với các đơn vị bên ngoài (ví dụ: nhà cung cấp, nhà phân phối, đối tác chiến lược) có thể tạo ra cả lợi ích hữu hình và vô hình, thì EBR cũng mang theo rủi ro. Ví dụ: thiệt hại về danh tiếng đối với nhà cung cấp có thể gây hại cho chính doanh nghiệp và bất kỳ tranh chấp nào về các khoản phí được trả có thể làm chậm trễ việc tạo doanh thu. Dữ liệu lớn cho phép kiểm toán viên thu thập thông tin về EBR của khách hàng, đặc biệt là trong các lĩnh vực rủi ro không được dữ liệu kế toán nắm bắt. Ví dụ bao gồm đánh giá trực tuyến hoặc báo cáo tin tức.
• Khi dữ liệu kế toán phát triển từ sổ cái dựa trên giấy sang các giao dịch được ghi lại tự động, công nghệ đi kèm (vídụ: Quickbooks, Oracle) cũng nhanh chóng xuất hiện để tạo điều kiện thuận lợi cho quá trình chuyển đổi. Tương tự, việc chuyển đổi sang kiểm toán dữ liệu lớn không thể đạt được nếu không có phần cứng và phần mềm phùhợp, bao gồm thiết bị lưu trữ, phần mềm thiết kế và lập trình dữ liệu cũng như các công cụ phân tích.
• Việc triển khai các công cụ dữ liệu lớn sẽ gặp phải ba trở ngại. Một là mức độ thân thiện với người dùng (Alles 2015). Tuy nhiên, điều này có vẻ không cần thiết, nhưng ngay cả các chuyên gia CNTT có kinh nghiệm cũng cần thời gian để điều chỉnh với các hệ thống mới, chưa kể đến các nhân viên kiểm toán thường xuyên. Phần mềm dữliệu lớn đòi hỏi kỹ năng dữ liệu mạnh có thể khá tốn kém nếu công ty kiểm toán có tỷ lệ doanh thu cao, do chi phíliên quan đến đào tạo nhân viên mới.
• Một rào cản tiềm ẩn khác là tình trạng quá tải thông tin. Các nghiên cứu trước đây đã chỉ ra rằng quá nhiều thông tin cản trở khả năng dự đoán của kiểm toán viên bằng cách hạn chế việc xử lý thông tin (Roger Simnett, “Ảnh hưởng của việc lựa chọn thông tin, xử lý thông tin và độ phức tạp của nhiệm vụ đối với độ chính xác dự đoán của kiểm toán viên” , Accounting, Organizations, and Society, tháng 10 năm 1996; Helen Brown-Liburd, Hussein Issa và Damielle Lombardi, “Các tác động hành vi của tác động của Dữ liệu lớn đến Đánh giá và Ra quyết định Kiểm toán và Hướng nghiên cứu trong tương lai” Accounting Horizons, tháng 6 năm 2015). Trong khi một ứng dụng dữ liệu lớn hiệu quả có thể giảm thiểu tác động tiêu cực bằng cách cung cấp thông tin chính xác và phù hợp hơn, thì một giải pháp thay thế không tối ưu sẽ chỉ làm trầm trọng thêm tình trạng quá tải.
• Nếu việc thu thập và hợp nhất dữ liệu lớn trở nên khả thi và tương đối dễ dàng, các chuẩn mực kiểm toán cần nhấn mạnh tầm quan trọng của việc kiểm tra mẫu.
• Cuối cùng, phần mềm tương thích có thể xử lý hiệu quả cả khối lượng và phân tích sẽ không tránh khỏi tốn kém. Mức giá đơn thuần của các ổ đĩa gắn ngoài được sử dụng để lưu trữ dữ liệu liên tục sẽ ngăn cản nhiều công ty kiểm toán trong việc tích hợp các công cụ dữ liệu lớn (Kumar Setty và Rohit Bakhshi, “Dữ liệu lớn là gì và nó liên quan gì đến Kiểm toán CNTT?” Tạp chí ISACA, 2013). Việc sử dụng các ứng dụng dữ liệu lớn đắt tiền trong công việc kiểm toán có vẻ ít hiệu quả hơn so với việc áp dụng chúng vào các dịch vụ tư vấn, điều này có thể gây hại cho chất lượng kiểm toán (Tammy Whithouse, “Kiểm toán trong kỷ nguyên dữ liệu lớn” , Compliance Week, tháng 4 năm 2014).

• Đầu tiên, nếu việc thu thập và hợp nhất dữ liệu lớn trở nên khả thi và tương đối dễ dàng, các chuẩn mực kiểm toán cần nhấn mạnh tầm quan trọng của việc kiểm tra mẫu thực sự. Chuẩn mực Kiểm toán (AS) 2315 của PCAOB, Lấy mẫu Đánh giá, nêu rõ những điều sau:
• Kích thước của một mẫu cần thiết để cung cấp đủ vật chứng phụ thuộc vào cả mục tiêu và hiệu quả của mẫu. Đối với một mục tiêu nhất định, hiệu quả của mẫu liên quan đến thiết kế của nó; một mẫu sẽ hiệu quả hơn mẫu khác nếu nó có thể đạt được các mục tiêu giống nhau với cỡ mẫu nhỏ hơn.
• Tiêu chuẩn lấy mẫu hiện hành thiếu bằng chứng về tính hiệu quả và tính nhất quán; quá nhiều dựa trên xét đoán chuyên môn của kiểm toán viên và kết quả lấy mẫu không thể được xác minh đầy đủ để hỗ trợ quy trình. Do đó, một số người tin rằng các phương pháp chọn mẫu truyền thống nên dần dần bị loại bỏ và thay thế bằng công việc kiểm toán cấp độ mẫu khi có dữ liệu (xem John P. Krahel và William R. Titera, “Hậu quả của Dữ liệu lớn và Chính thức hóa Chuẩn mực Kế toán và Kiểm toán” Accounting Horizons, tháng 6 năm 2015). Hơn nữa, các tiêu chuẩn cần làm rõ việc lựa chọn giữa đánh giá mẫu và đánh giá lấy mẫu. Nhờ dữ liệu lớn, có thể một cuộc kiểm toán ở cấp độ mẫu sẽ tiết kiệm chi phí hơn so với việc lấy mẫu, xem xét các công việc lập kế hoạch cóliên quan. Nếu các tiêu chuẩn cho phép, kết quả có thể là các cuộc đánh giá hiệu quả hơn với chi phí thấp hơn.
• Thứ hai, các chuẩn mực kiểm toán cần cung cấp các giải thích sâu hơn về trình độ của các chuyên gia kiểm toán, đặc biệt là về các bộ kỹ năng cụ thể dự kiến. Ví dụ, AS 1010, Đào tạo và Thành thạo Kiểm toán viên Độc lập, nêu những điều sau:
• Việc đạt được trình độ thông thạo đó bắt đầu từ quá trình đào tạo chính thức của kiểm toán viên và mở rộng sang kinh nghiệm sau đó của họ. Kiểm toán viên độc lập phải được đào tạo đầy đủ để đáp ứng các yêu cầu của một chuyên gia. Việc đào tạo này phải phù hợp về phạm vi kỹ thuật và phải bao gồm một biện pháp tương xứng về giáo dục phổ thông.
• Các tiêu chuẩn hiện hành sử dụng thuật ngữ “đào tạo đầy đủ”, điều này vừa mơ hồ vừa mang tính chủ quan. Nội dung cụ thể hơn cần được đưa vào để giải quyết vấn đề đào tạo các kỹ năng liên quan đến công nghệ. Các tiêu chuẩn cần được cập nhật để phù hợp hơn với xu hướng kinh doanh.
• Cuối cùng, các tiêu chuẩn nên xem xét tính hiệu quả của các công cụ phân tích khi dữ liệu lớn được phân tích một cách thường xuyên. Việc giám sát một hệ thống dữ liệu ít nhất cũng quan trọng như việc giám sát chính dữ liệu đó. Các quy định tương tự như việc đánh giá hệ thống kiểm soát nội bộ cần được thiết lập để đánh giá các hệ thống dữ liệu lớn trong tương lai.

Nguồn: https://unitrain.edu.vn/du-lieu-lon-trong-phan-tich-kinh-doanh-y-nghia-doi-voi-nghe-kiem-toan/