ANALIZA INTELIGENT A DATELOR N AUDITUL FINANCIAR

CONF. DR. GHEORGHE MIRELA ASIST. DRD. BOLDEANU DANA ASIST. DRD. ALECA OFELIA Academia de Studii Economice Bucureti, Facultatea Contabilitate i Informatic de Gestiune Adresa:Aleea Botorani, nr.10, bl.v57, sc.a, ap.11, sect.5, Cod Postal 050812 Telefon: 0723858611/021-4117625 Email: mirelaghe@gmail.com
The Data Mining techniques can support the auditors judgment, providing him an automatic analysis of an important and complex set of data with the purpose of finding models with specific patterns or that otherwise will pass unnoticed. Choosing samples will stand out as an essential functionality that can be approach through this technology because a clustering analysis will allow auditors to identify the samples from several representatives groups classified in a less noticeable way using other tools.

1. Repere privind analiza inteligent a datelor

Creterea complexitii sistemelor de contabilitate informatizat ct i a procesului de audit n sine au marcat o nou tendin n dezvoltarea software-ului de audit, prin integrarea tehnicilor OLAP, Data Mining ce pot asigura o analiz multidimensional a datelor, detectarea fraudelor, descoperirea cunotinelor ascunse n spatele datelor clasice, oferind astfel noi oportuniti auditorilor. Ultimii ani au marcat o reorientare n utilizarea volumelor de date acumulate, de la un proces de cercetare retrospectiv spre unul care abordeaz mai mult aspecte legate de viitor, schimbare ce s-a putut impune ca urmare a maturizrii tehnologiilor legate de Data Mining. Literatura de specialitate abund n definiii pentru conceptul de Data Mining, dar n esen ele exprim acelai lucru: un proces de extragere a noi informaii din coleciile de date existente, informaii ce pot rspunde nu numai la ntrebarea ce se ntmpl, ci i de ce se ntmpl ? Un Data Mining are, n general, dou obiective: unul de descriere ce const n determinarea variabilelor semnificative i a influenelor acestora, ct i unul de predicie. Analiza i exploatarea datelor unei baze de date multidimensionale se realizeaz folosind tehnici de analiz avansat ce includ algoritmi statistici, inteligen artificial, reele neuronale, logic fuzzy, algoritmi genetici i vizualizarea datelor. Data Mining nu este, n fapt o reet universal pentru orice problem de gestiune, ci am putea spune c aportul su se rezum la urmtoarele categorii de operaii:
682

Descrierea datelor Analiza dependenelor Clasificri i predicii Analiza cluster-elor Analiza excepiilor

Aceste operaii pot asigura o analiz complex a tranzaciilor clientului, identificarea tranzaciilor neobinuite, sau chiar frauduloase, definirea unor trenduri, previziuni, fapt pentru care, integrarea acestei tehnologii poate reprezenta un instrument extrem de util ndeosebi auditorilor interni din cadrul oricrei organizaii. Detalierea analizei procesului de audit i a metodelor Data Mining au condus la identificarea unor posibile arii de integrare145: Metode Data Mining 1.Acceptarea clientului Clasificarea predicia Analize evaluare 2. Planificarea Evaluarea riscului Procesul de audit Posibile arii de integrare Plecnd de la declaraiile financiare ale anilor i anteriori, media ramurii de activitate respective (rating-ul industrial), clientul poate fi apreciat de favorabil sau nefavorabil, prin utilizarea metodelor de predicie i clasificare.

Analiza dependenelor poate fi considerat ca fiind operaia Data Mining oportun identificrii Analiza factorilor de risc. Setul de date cerute a fi dependenelor analizate poate fi alctuit din declaraiile Clasificarea i financiare ale anilor anteriori, media ramurii economice, indicele inflaiei, diagramele de flux predicia ale sistemului. n acest context, evaluarea riscurilor la nivelul fiecrui domeniu semnificativ poate fi analizat utiliznd clasificarea i metodele de predicie. 3. Evaluarea controlului intern Testarea Testarea controalelor are ca punct de plecare controalelor Analiza cluster- selectarea eantioanelor, urmat apoi de o analiz elor a excepiilor. Rezultatele finale pot fi clasificate Analiza ca fiind satisfctoare sau nesatisfctoare, excepiilor situaie care impune aplicarea testelor de detaliu. 4. Aplicarea testelor de detaliu Proceduri analitice Clasificarea i Analiza tranzaciilor contabile ale anilor anteriori, predicia asociate cu mediul economic n ansamblul su Analiza poate conduce la o previzionare a datelor curente. excepiilor Teste de detaliu Tranzaciile contabile cu caracteristici similare asupra Analiza cluster- sunt grupate prin tehnica clustering, ceea ce va tranzaciilor elor permite selectarea eantioanelor din fiecare Analiza cluster, mpreun cu date neobinuite identificate
145

Elemente prelucrate dup sursa: Sirikulvadhana S. - Data Mining As A Financial Auditing Tool 683

excepiilor

prin metoda analizei excepiilor.

5. Raportul de audit Formularea concluziilor Analiza dependenelor Clasificarea i predicia

Utiliznd analiza dependenelor, pot fi colectate probele legate de mprejurrile ce vor afecta diferitele tipuri de opinii formulate. Apoi, analiznd rezultatele testelor ntreprinse i alte circumstane determinate, pot fi raportate concluziile i definitivat opinia auditorului. Tabelul 1.2 Posibile arii de integrare a tehnicilor Data Mining n cadrul procesului de audit

Studiul realizrii unui model Data Mining subliniaz necesitatea utilizrii seturilor de date bazate pe informaii istorice, fapt pentru care n opinia noastr, anumite etape ale procesului de audit, precum acceptarea clientului i planificarea nu pot fi abordate ntotdeauna prin prisma tehnologiei Data Mining. n schimb, realizarea etapelor de evaluare a controlului intern i aplicarea testelor de detaliu, permit o analiz complex a datelor ce conduce adeseori la detectarea fraudelor.

2. Microsoft SQL Server 2005 instrument pentru implementarea tehnicilor Data Mining Oferind o platform integrat i robust de Business Intelligence ce presupune prelucrarea datelor, realizarea modelelor, validarea i previziunea prin folosirea tuturor etapelor CRISP-DM146, Microsoft SQL Server 2005, este un instrument util n luarea deciziilor de business documentate.
Business Intelligence Development Studio ofer posibilitatea de: pregtire i curare a datelor, vizualizarea modelelor existente, editarea de noi modele, testarea acurateei modelului i comparaii ntre modelele, realizarea de previziuni pe baza modelelor folosind limbajul DMX (Data Mining Extensions) sau cu ajutorul instrumentului Prediction Query Builder. SQL Server 2005 este un instrument uor de utilizat (cu ajutorul interfaei vizuale), integrnd n cadrul unui SGBD componenta Data Mining i OLAP, fapt ce permite utilizatorilor reducerea costurilor materiale, financiare i umane.

3. Studiu de caz n etapa de realizare a testelor de detaliu, auditorul trebuie s analizeze un volum considerabil de date i s extrag eantioane de date, pentru a verifica completitudinea, integritatea i realitatea acestora. Tehnicile data mining pot sprijini raionamentul auditorului, oferindu-i acestuia o analiz automat a unui set larg i complex de date cu scopul de a descopri modele, abloane deosebite sau tendine care, altfel, ar trece neobservate.
Considerm urmtoarea situaie furnizat auditorilor, situaie ce include tranzaciile realizate de SC ALFA SA, pe o perioad de 2 luni (numrul de tranzacii este de cel puin 2000):

146

Cross Industry Standard Process for Data Mining - standard asociat procesului de Data Mining 684

Tabelul 3.1. Situaia testelor efectuate asupra tranzaciilor in perioada 01-11-05...3112-05, n cadrul societii S.C. ALFA S.A. Pentru a putea identifica anumite artificii ale clientului, cum ar fi: tranzacii mici ce sunt executate n mod repetat ntr-o anumit perioad a lunii tranzacii mari care se execut cu o frecven regulat fie la nceputul/sfritul lunii tranzacii ce nu se ncadreaz n clustere (excepiile) tranzacii neobinuite, de valori similare, ce au loc repetat. s-au realizat diferite analize, prin tehnici data mining cu ajutorul instrumentului Microsoft SQL Server 2005. n acest sens, s-a construit un model de analiz a numrului de tranzacii i a valorilor asociate acestora pe baza seriilor temporare.

Fig 3.1. Model de analiz a numrului de tranzacii si a cuantumului valoric al acestora.

Fig 3.2. Intensitatea numrului de tranzacii

Din grafic se observ o uoar tendin de cretere a tranzaciilor n a doua lun, frecvena acestora ncadrndu-se ntr-un anumit ablon, ce atinge un vrf (valoare maxim) la mijlocul perioadei. Pentru auditor aceast imagine este relevant, deoarece l va determina s verifice cu precdere perioada cea mai solicitat. Alte analize efectuate precum analiza clustering, arbore de decizie au condus la selecia eantionului. Cercetare s-a extins i asupra eantionul extras i verificat, auditorul detectnd erori n datele clientului. Astfel, pentu fiecare operaie testat atributul eronat va lua valorea 0 dac nu s-au depistat erori i valorea 1 n caz contrar. Identificarea tranzaciilor eronate pentru urmtoarele perioade a necesitat realizarea unui model de analiz i previziune a tranzaciilor eronate pe baza arborilor de decizie.

Fig 3.4. Intensitatea legturilor

685

Fig 3.3. Model de analiz i previziune a tranzaciilor.

dintre atribute

Pe baza legturilor dintre atribute (variabila ce se dorete s fie previzionat este eroarea) se va obine diagrama arborelui de decizie i diagrama dependenelor. Previziunea realizat ne relev proabilitatea ca o anumit tranzacie s fie sau nu eronat. Din grafic, se observ c numrul relativ redus al operaiilor eronate corespund preponderent sumelor peste 5484 (ncadrate n categoria sumelor mari).

Fig 3.5. Arbore de decizie pentru luna decembrie

Fig 3.6. Probabilitatie de apariie a erorilor atasate operaiilor din luna ianuarie

Pentru luna ianuarie, se preconizez c operaia identificat prin nr 1 are probabilitatea de 99% s nu fie eronat, n timp ce operaia numrul 3 are anse de numai 67 %. Aceste analize, previziuni realizate i ofer auditorului o imagine complex, real asupra datelor clientului oferindu-i un real ajutor n selecia eantioanelor. n afara interfeei grafice se pot realiza predicii pe baza unui model i prin intermediul limbajului DMX (Data Mining Extensions). De exemplu, pentru a se afia probabilitatea ca operaia Plat factur ncadrat n tipul operaiei Transfer, avnd suma de 7000 RON, validat de operatorul cu codul 00018, sintaxa DMX este urmtoarea: SELECT 1 as Eronata, PredictProbability([Eronata],1) as [Probabilitate] FROM [Operatii Luna 12] NATURAL PREDICT JOIN (Select 7000 as Suma,00018 as [Cod Validare],Transfer as [tip operatie], 16 as zi, Plata fact. As explicatie) as t Rezultatul rulrii acestei cereri n cadrul Microsoft SQL Server 2005 este prezentat n figura alturat.

Bibliografie 1. Sirikulvadhana S. Data Mining As A Financial Auditing Tool, Thesis in Accounting 2. Seth P., MacLennan P..- Microsoft SQL Server 2005 - Data Mining Tutorial 3. Han J., Kamber M. Data Mining Concepts and Techniques (www.cs.sfu.ca) 4. www.microsoft.com

686