Tilgang på data og strukturering

Det finnes mange forskjellige IT-systemer med data som kan være relevant for revisjonen, og like mange måter å hente dem ut på. I noen tilfeller kan det være utfordrende nok å få ut data fra brukergrensesnittet, enten som følge av kompetansemangel eller begrensninger i systemet. Et alternativ er å hente ut data fra underliggende databaser der tilgangen er stor, men det krever ofte teknisk kunnskap. Når all data er hentet ut, støter vi fort på utfordringen med å strukturere det slik at den egner seg for analyseformål.

Tilgang på data med påfølgende strukturering er ofte tidkrevende, og en tommelfingerregel har lenge vært at vi bruker 80 % av tiden på dette, mens 20 % av tiden brukes på de faktiske analysene. For noen datasett/-kilder kan dette være i endring i nær fremtid. Reguleringer som blant annet SAF-T (Standard Accounting File for Tax), innebærer at data blir stadig mer tilgjengelig på standard format. Fra 2020 skal alle bokføringspliktige kunne gjengi bokførte opplysninger på dette formatet. Regnskapssystemene vil derfor om kort tid få funksjonalitet som gjør at vi kan hente ut regnskapsdata på standard format ved et par tastetrykk.

Sammenstille data fra flere kilder

Ved å bruke data fra flere kilder øker potensialet. Et enkelt eksempel på bruk av dataanalyser kan være å sammenstille data fra to av kundens systemer. For å bekrefte fullstendighet og eksistens av salg kan vi matche alle utgående fakturaer fra regnskapssystemet med alle sendte varer fra varelagersystemet. Men dette er ikke alltid like enkelt å få til. Hva om det ikke finnes noe unikt nummer i datasettet fra lagersystemet som matcher et unikt nummer i datasettet fra regnskapssystemet? Dataanalyser er både en vitenskap og en kunst. Slike utfordringer støter vi stadig på i dataanalyseverdenen og man må bruke sine kreative evner for å finne løsningene. En mulig løsning i dette eksempelet kan være å slå sammen flere felter for å skape en unik ID og bruke denne til å matche datasettene.

Mange avvik og falske positiver

Hva skjer når vi ser på alle transaksjoner? Å teste en hel populasjon innebærer gjerne at vi finner flere avvik enn ved test av et utvalg. I tillegg vil gjerne flere av disse avvikene være såkalte falske positiver, altså avvik som har en naturlig forklaring. Å teste hele populasjoner kan redusere revisjonsrisikoen, men innebærer ofte mer arbeid rundt håndteringen av avvikene i etterkant.

Heldigvis finnes det en metodisk tilnærming til håndtering av avvik fra analyser av store populasjoner. Kort fortalt går det ut på å gruppere avvikene, og forsøke å forklare gruppene i sin helhet. De avvikene som

gjenstår, håndteres slik vi vanligvis håndterer avvik som avdekkes i revisjonen.

Revisjonsstandarder

Dataanalyse er ikke nytt i revisjon, men med teknologiens fremskritt har vi bedre muligheter til å benytte dataanalyser i revisjon enn før. Utfordringen er at revisjonsstandardene på området er skrevet i en annen tid og ikke gir noen veiledning for bruk av dataanalyser.

Dette har den amerikanske revisorforeningen (AICPA) forsøkt å bøte på ved å gi ut en brukerveiledning for bruk av dataanalyser i revisjon. Dette er en strukturert og systematisk tilnærming som i all hovedsak følger en gjenkjennelig metodikk for revisorer. Den er dessverre skrevet med amerikansk detaljgrad, men kan like fullt være en nyttig veiledning når man tar i bruk dataanalyser i revisjon og kan bestilles fra AICPA som e-bok eller på papir.^{* https://www.aicpa.org/interestareas/frc/assuranceadvisoryservices/auditdataanalyticsguide.html}