Ứng dụng một số kỹ thuật phân tích dữ liệu vào các thủ tục đánh giá rủi ro trong kiểm toán báo cáo tài chính

 142 - tháng 8/2019
Sơ đồ 2: Cấu trúc tổng quát của một ANN
Cấu trúc tổng quát của một ANN gồm 3 thành 
phần đó là: Input Layer, Hidden Layer và Output 
Layer. Trong đó, lớp ẩn (Hidden Layer) gồm các 
Nơron nhận dữ liệu input từ các Nơron ở lớp 
(Layer) trước đó và chuyển đổi các input này cho 
các lớp xử lý tiếp theo. Trong một ANN có thể có 
nhiều lớp ẩn. Trong đó, các Processing Elements 
(PE) của ANN gọi là Nơron, mỗi Nơron nhận các 
dữ liệu vào (Inputs) xử lý chúng và cho ra một 
kết quả (Output) duy nhất. Kết quả xử lý của một 
Nơron có thể làm Input cho các Nơron khác. 
3. Ứng dụng phân tích dữ liệu vào thủ tục 
đánh giá rủi ro
3.1. Khái niệm thủ tục đánh giá rủi ro
Thủ tục đánh giá rủi ro là thủ tục kiểm toán 
được thực hiện để thu thập các hiểu biết về đơn vị 
được kiểm toán và môi trường của đơn vị, trong đó 
có kiểm soát nội bộ, nhằm xác định và đánh giá rủi 
ro có sai sót trọng yếu do gian lận hoặc nhầm lẫn ở 
cấp độ báo cáo tài chính hoặc cấp độ cơ sở dẫn liệu. 
3.2. Trình tự thực hiện thủ tục đánh giá rủi ro 
bằng phân tích dữ liệu 
Sau đây là năm bước cơ bản và các thủ tục liên 
quan có thể được sử dụng trong việc lập kế hoạch, 
thực hiện và đánh giá kết quả của một phép phân 
tích dữ liệu được sử dụng khi xác định và đánh giá 
rủi ro của sai sót trọng yếu. 
Bước 1: Lập kế hoạch cho phép phân tích.
• Xác định các khoản mục, tài khoản, thuyết 
minh, và các cơ sở dẫn liệu liên quan, đồng thời 
xác định bản chất, thời gian và mức độ của tổng thể 
mà kiểm toán viên sẽ phân tích;
• Xác định mục đích chung của việc phân tích 
dữ liệu;
• Xác định các mục tiêu cụ thể của việc phân 
tích dữ liệu;
• Xác định tổng thể dữ liệu sẽ được phân tích 
hoặc kiểm tra, bao gồm cho mục đích lập kế hoạch, 
xem xét sơ bộ các vấn đề có thể ảnh hưởng đến sự 
liên quan, tính sẵn có và độ tin cậy của dữ liệu;
• Chọn phép phân tích dữ liệu phù hợp mục 
đích cũng như các kỹ thuật, công cụ, loại bảng biểu 
sẽ được sử dụng.
Bước 2: Truy cập và chuẩn bị dữ liệu cho phép 
phân tích.
Bước 3: Xem xét sự liên quan và độ tin cậy của 
dữ liệu được sử dụng.
Bước 4: Thực hiện phép phân tích.
• Nếu kết quả ban đầu của phép phân tích cho 
thấy việc thiết kế hoặc hiệu quả của nó cần phải 
được sửa đổi thì phải điều chỉnh lại và thực hiện 
lại phân tích.
NGHIÊN CỨU KHOA HỌC KIỂM TOÁN 17Số 142 - tháng 8/2019
• Nếu kiểm toán viên kết luận rằng phép phân 
tích đã được thiết kế và thực hiện phù hợp và phép 
phân tích đã xác định được các khoản mục cần 
được xem xét, thì việc lập kế hoạch và thực hiện 
các thủ tục bổ sung cho các khoản mục đó cần phù 
hợp với mục tiêu của phép phân tích. 
Bước 5: Đánh giá kết quả và kết luận về mục 
đích và mục tiêu cụ thể của việc thực hiện phép 
phân tích đã đạt được hay chưa.
Nếu các mục tiêu chưa đạt được, kiểm toán viên 
cần lập kế hoạch và thực hiện các thủ tục thay thế 
để đạt được các mục tiêu đó.
▶ Xác định mục tiêu phân tích 
Mục tiêu của phép phân tích có thể là xác định 
và đánh giá rủi ro có sai sót trọng yếu đối với một 
hoặc nhiều cơ sở dẫn liệu có liên quan đến một 
nhóm các giao dịch, số dư tài khoản, thuyết minh 
hoặc có thể để xác định một điều kiện hoặc sự kiện 
cho thấy sự tồn tại của rủi ro co sai sót trọng yếu. 
Tuy nhiên, cũng có thể từ kết quả của việc thực 
hiện phép phân tích, kiểm toán viên có thể kết luận 
rằng rủi ro chưa đạt tới ngưỡng được xem là rủi ro 
có sai sót trọng yếu.
Các mục tiêu cụ thể cũng có thể bị ảnh hưởng bởi 
nhiều khía cạnh của doanh nghiệp, chẳng hạn như:
• Các ngành nghề, quy định liên quan và các yếu 
tố bên ngoài;
• Bản chất của doanh nghiệp, bao gồm cả quá 
trình hoạt động sản xuất kinh doanh;
• Việc áp dụng các chính sách kế toán của doanh 
nghiệp;
• Mục tiêu và chiến lược của đơn vị;
• Việc đo lường và xem xét hiệu suất tài chính 
của doanh nghiệp;
• Kiểm soát nội bộ liên quan đến cuộc kiểm toán.
▶ Thực hiện phép phân tích
Sử dụng phép phân tích trong việc thực hiện 
thủ tục đánh giá rủi ro có thể giúp xác định được 
một hoặc nhiều khoản mục đáng chú ý. Một khoản 
mục đáng chú ý là một khoản mục được xác định 
từ tổng thể được phân tích, có một hoặc nhiều đặc 
điểm như sau:
• Chỉ ra được rủi ro có sai sót trọng yếu mà:
- Trước đây không được xác định (rủi ro mới) hoặc;
- Mức độ sai sót cao hơn đánh giá ban đầu của 
kiểm toán viên.
• Cung cấp thông tin hữu ích trong việc thiết kế 
hoặc chỉnh sửa các thủ tục để giải quyết các rủi ro 
có sai sót trọng yếu.
Sơ đồ 3: Quy trình xác định các khoản mục đáng chú ý
NGHIEÂN CÖÙU TRAO ÑOÅI
NGHIÊN CỨU KHOA HỌC KIỂM TOÁN18 Số 142 - tháng 8/2019
Đây là một quá trình lặp đi lặp lại, nghĩa là quá 
trình chỉ hoàn thiện cho đến khi kiểm toán viên 
quyết định rằng phép phân tích không cần cải tiến 
thêm nữa để đạt được các mục tiêu.
Một phép phân tích được lên kế hoạch và thực 
hiện phù hợp có thể xác định ra một số lượng nhỏ 
các mặt khoản mục đáng chú ý. Tuy nhiên, cũng có 
trường hợp trong đó một số lượng lớn các khoản 
mục này được xác định. Đối với một số cuộc kiểm 
toán, các khoản mục đáng chú ý có thể lên tới hàng 
trăm hoặc thậm chí hàng nghìn. Lúc này, việc sử 
dụng thêm các phép phân tích là cần thiết để giải 
quyết các mục đáng chú ý được xác định. Kiểm toán 
viên cũng có thể quyết định áp dụng kỹ thuật phân 
tích clustering (phân cụm) và k-means khi một 
số lượng lớn các khoản mục đáng chú ý được xác 
định, và những khoản mục này có nhiều đặc điểm 
đa dạng. Việc áp dụng kỹ thuật clustering hoặc 
k-means sẽ giúp phân bổ các khoản mục này thành 
từng cụm có những đặc điểm chung nhất định, giúp 
giảm thiểu số biến và giúp kiểm toán viên dễ dàng 
hơn khi xác định trong số các khoản mục đáng chú 
ý đó, đâu mới là rủi ro mới hoặc cung cấp cho kiểm 
toán viên thông tin hữu ích để điều chỉnh hoặc thiết 
kế các thủ tục kiểm toán tiếp theo.
3.3. Minh họa trường hợp công ty thuộc lĩnh 
vực sản xuất
Trong ví dụ này, báo cáo tài chính đang được 
kiểm toán là của một công ty sản xuất chín loại máy 
in thương mại. Doanh thu hàng năm khoảng 25 
triệu đô la. Đây là năm thứ tư kiểm toán viên thực 
hiện hợp đồng với khách hàng.
▶ Lập kế hoạch cho phép phân tích
Mục tiêu của phép phân tích này là giúp kiểm 
toán viên xác định xem có bất kỳ thay đổi bất 
thường nào về doanh số từ những năm trước hoặc 
có xu hướng khác về doanh thu từ việc bán máy in 
thương mại có thể ảnh hưởng đến rủi ro có sai sót 
trọng yếu. 
Kiểm toán viên đã biết về một cuộc đình công 
lớn đã xảy ra tại nhà máy Michigan của công ty 
trong năm. Việc thực hiện phỏng vấn đã khẳng 
định rằng doanh số đã giảm đáng kể là do cuộc 
đình công và chỉ bắt đầu phục hồi trong quý cuối 
cùng của năm. Ngoài ra, liên quan đến các loại sản 
phẩm, kiểm toán viên được thông báo rằng một 
máy in mới (loại H) được đưa vào sản xuất vào đầu 
năm và nhanh chóng trở thành sản phẩm bán chạy 
nhất của công ty. Dựa trên thông tin này, kiểm toán 
viên dự đoán các loại máy in khác sẽ bị giảm doanh 
số. Việc giảm doanh số này làm tăng rủi ro bị lỗi 
thời và định giá cao quá mức của hàng tồn kho. 
Kiểm toán viên cũng đã xem xét rủi ro của các điều 
khoản bảo hành có thể xảy ra đối với việc cung cấp 
bảo hành cho loại máy in mới này.
Phép phân tích này sẽ cung cấp thông tin liên 
quan để đánh giá và xử lý với các rủi ro có sai sót 
trọng yếu liên quan đến các cơ sở dẫn liệu phát sinh, 
đầy đủ và chính xác của doanh thu. Ngoài ra, kiểm 
toán viên cho rằng việc giảm đáng kể số lượng bán 
của vài loại máy có thể là dấu hiệu của các vấn đề 
tiềm ẩn liên quan đến định giá hàng tồn kho (nghĩa 
là có vấn đề trong việc lập dự phòng giảm giá hàng 
tồn kho) hoặc là sự đầy đủ của khoản lập dự phòng 
nếu việc giảm hụt doanh thu có liên quan tới chất 
lượng sản phẩm.
▶ Truy cập và chuẩn bị dữ liệu cho phép phân tích
Dữ liệu được sử dụng cho phép phân tích này 
bao gồm số tiền được ghi nhận trong năm hiện tại 
và ba năm trước đó liên quan đến việc bán các loại 
máy in của công ty. Đối với năm hiện tại, sử dụng 
dữ liệu bán hàng hàng quý. Số lượng máy bán ra 
cho từng loại máy in được lấy từ cơ sở dữ liệu của 
công ty. Các dữ liệu được truy cập bằng phần mềm 
kiểm toán.
▶ Thực hiện phép phân tích
Kiểm toán viên quyết định sẽ sử dụng kỹ thuật 
phân tích k-means, clustering để phân cụm dữ liệu 
doanh thu và thể hiện kết quả phân tích một cách 
trực quan bằng 3 biểu đồ:
• Một hình ảnh biểu thị doanh số hàng quý 
trong bốn năm qua để quan sát xem có bất kỳ biến 
động bất thường hay xu hướng mới trong doanh 
thu bán hàng;
• Một hình ảnh biểu thị xu hướng bán hàng của 
từng loại máy in.
NGHIÊN CỨU KHOA HỌC KIỂM TOÁN 19Số 142 - tháng 8/2019
Biểu đồ 1: Doanh thu bán hàng theo quý từ 2012 đến 2015
Biểu đồ 2: Số lượng máy bán ra theo từng loại
NGHIEÂN CÖÙU TRAO ÑOÅI
NGHIÊN CỨU KHOA HỌC KIỂM TOÁN20 Số 142 - tháng 8/2019
Biểu đồ 3: Số lượng máy bán ra theo từng loại và năm
Biểu đồ 1 cho thấy doanh thu bán hàng theo quý 
cho năm hiện tại và ba năm trước đó. Công ty bắt 
đầu hoạt động vào quý 2 năm 2012. Theo kì vọng 
của kiểm toán viên từ thông tin thu thập trước khi 
thực hiện phân tích, do kết quả của cuộc đình công 
lao động kéo dài, doanh thu bán hàng cho mỗi quý 
của năm hiện tại thấp hơn so với các năm trước. 
Mãi đến quý 4, doanh số bắt đầu đạt đến mức của 
năm ngoái.
Sơ đồ 2 và 3 trình bày số lượng sản phẩm bán 
ra theo loại máy in. Thông tin thu được từ phép 
phân tích phù hợp với thông tin mà kiểm toán viên 
thu được khi phỏng vấn ban quản lý. Ví dụ như 
không có doanh số của máy in D trong năm hiện 
tại (vì loại này đã ngừng sản xuất vào năm 2013). 
Đúng như dự đoán, trong năm 2015, loại máy in 
mới (H) trở thành sản phẩm bán chạy nhất. Doanh 
số của máy in F đã tăng lên trong năm 2013 và 2014 
bởi vì tại thời điểm đó, nó có những tiến bộ công 
nghệ vượt trội thu hút được nhiều khách hàng. Tuy 
nhiên, sự ra đời của máy in H đã khiến máy in F 
mất đi nhiều sức hút ban đầu.
▶ Đánh giá kết quả 
Việc áp dụng phép phân tích này đã xác nhận 
những thay đổi mà kiểm toán viên dự đoán về xu 
hướng bán hàng so với các năm trước. Kết quả 
phân tích cũng xác nhận các đánh giá rủi ro ban 
đầu của kiểm toán viên liên quan đến cơ sở dẫn 
liệu phát sinh, đầy đủ và chính xác của doanh thu. 
Dấu hiệu giảm đáng kể về số lượng bán của các loại 
máy in cụ thể đã khẳng định rằng có khả năng cao 
là công ty đã định giá hàng cao các máy in cũ và do 
đó, kiểm toán viên đã lên kế hoạch cho các thủ tục 
tiếp theo để xử lí với rủi ro này. Kết quả của phép 
phân tích cũng cho thấy không cần phải sửa đổi thủ 
tục kiểm toán do phát hiện rủi ro liên quan đến dự 
phòng bảo hành sản phẩm. Vì vậy, kiểm toán viên 
kết luận rằng đã đạt được các mục tiêu đặt ra cho 
thủ tục đánh giá rủi ro này.
4. kết luận
Phân tích dữ liệu lớn được mô tả như một tập 
hợp các công cụ phân tích sử dụng thuật toán dựa 
trên các mô hình thống kê để khám phá các mô 
hình hành vi, sự bất thường và xu hướng trong các 
dữ liệu lớn có cấu trúc hoặc phi cấu trúc.
Lợi ích của việc triển khai thành công công 
nghệ phân tích dữ liệu lớn có thể dẫn đến tăng hiệu 
suất, hiệu quả và chất lượng của cuộc kiểm toán. 
Các rủi ro được chia thành các rủi ro liên quan đến 
dữ liệu; rủi ro bảo mật, quyền riêng tư và tính tuân 
NGHIÊN CỨU KHOA HỌC KIỂM TOÁN 21Số 142 - tháng 8/2019
thủ; và rủi ro liên quan đến hành vi và kỹ năng. 
Cách tiếp cận đúng đắn để đánh giá và quản lý rủi 
ro là vô cùng cần thiết để giảm thiểu và ngăn chặn 
những mối đe dọa đó. Do đó, mục tiêu đặt ra là xây 
dựng một bộ quy tắc ứng xử, quy định và hướng 
dẫn thực hành tốt nhất liên quan đến việc sử dụng 
công nghệ phân tích dữ liệu lớn. Ngoài ra, để áp 
dụng thành công công nghệ tiên tiến này, cơ quan 
quản lý, công ty kiểm toán và cả kiểm toán viên còn 
cần phải tích cực cải thiện về mặt giáo dục, kiến 
thức, kĩ năng để sẵn sàng đón nhận làn sóng mới 
này trong lĩnh vực kiểm toán và dịch vụ đảm bảo 
trong tương lai gần.
TÀI LIỆU THAM KHẢO
1. Alles, M. G. (2015). Drivers of the use and 
facilitators and obstacles of the evolution of 
Big Data by the audit profession. Accounting 
Horizons, 29(2), 439-449;
2. American Institute of Certified Public 
Accountants. (2017). Guide to audit data 
analytics. American Institute of Certified 
Public Accountants;
3. Brown-Liburd, H., & Vasarhelyi, M. A. 
(2015). Big Data and audit evidence. 
Journal of Emerging Technologies in 
Accounting, 12(1), 1-16; 
4. Brown-Liburd, H., Issa, H., & Lombardi, 
D. (2015). Behavioral implications of 
Big Data’s impact on audit judgment 
and decision making and future research 
directions. Accounting Horizons, 29(2), 
451-468;
5. Byrnes, P., Criste, T., Stewart, T., & 
Vasarhelyi, M. (2014). Reimagining 
auditing in a wired world. AICPA White 
Paper, 11;
6. Cao, M., Chychyla, R., & Stewart, T. 
(2015). Big Data analytics in financial 
statement audits. Accounting Horizons, 
29(2), 423-429;
7. Dai, J., & Vasarhelyi, M. A. (2016). 
Imagineering Audit 4.0. Journal of Emerging 
Technologies in Accounting, 13(1), 1-15;
8. Davis, K. (2012). Ethics of Big Data: 
Balancing risk and innovation. “O’Reilly 
Media, Inc.”;
9. Dean, J. (2014). Big data, data mining, 
and machine learning: value creation for 
business leaders and practitioners. John 
Wiley & Sons;
10. Dzuranin, A. C., & Mălăescu, I. (2015). 
The current state and future direction of 
IT audit: Challenges and opportunities. 
Journal of Information Systems, 30(1), 
7-20;
11. Global Technology Audit Guide (2017). 
Understanding and Auditing Big Data;
12. Hodge, M. H., & Reid, L. S. (1971). The 
influence of similarity between relevant 
and irrelevant information upon a 
complex identification task. Perception & 
Psychophysics, 10(4), 193-196;
13. IAASB, D. (2016). Exploring the Growing 
Use of Technology in the Audit, with a focus 
on data analytics. Exploring the Growing 
Use of Technology in the Audit, with a focus 
on data analytics;
14. Issa, H., & Kogan, A. (2013). A Predictive 
Ordered Logistic Regression Model for 
Quality Review of Control Risk Assessments. 
Working paper, Rutgers Accounting, 
Research Center;
15. KPMG (2017). Audit 2025, the future is 
now; Forbes insights (March). Available at:, 
https://assets.kpmg/content/dam/kpmg/us/
pdf/2017/03/us-audit-2025-final report.
pdf;
16. Mohanty, S., Jagadeesh, M., & Srivatsa, H. 
(2013). Big data imperatives: Enterprise 
‘Big Data’ warehouse, ‘BI’ implementations 
and analytics. Apress;
17. Tang, X., & Kostic, N. (2017). The future 
of audit: Examining the opportunities and 
challenges stemming from the use of Big 
Data Analytics and Blockchain technology 
in audit practice;
18. Vasarhelyi, M. A., Kogan, A., & Tuttle, 
B. M. (2015). Big Data in accounting: An 
overview. Accounting Horizons, 29(2), 
381-396.
Ngày nhận bài: 25/05/2019
Ngày duyệt đăng: 30/05/2019