Overview / Usage

El IAASB (International Auditing and Assurance Standards Board) a través del grupo de investigación de análisis de datos en el año 2017, empezó a explorar el creciente uso de la tecnología en la auditoría, con un enfoque en el análisis de datos, sean estructurados o no estructurados, y si los mismos se generan dentro o fuera de la organización.

Las auditorías que incluyen análisis de datos y aprendizaje automático incrementan su calidad, ya que el análisis de datos se lo utiliza para la extracción del conocimiento de evidencia, a través de herramientas de la ciencia de datos, como las siguientes: algoritmos, patrones, desviaciones, datos atípicos, inconsistencias, modelado y visualización, y todas ellas colaboran en el propósito de la planificación de la auditoría, o en la realización de la auditoría.

El juicio profesional del auditor mejora cuando puede comprender a la organización, y su entorno de datos, el cual cada vez es mas complejo y voluminoso, por tal motivo el uso de herramientas de aprendizaje automático ofrece oportunidades inmejorables para que el auditor tenga un entendimiento más efectivo, mejorando la calidad de la evaluación y respuesta del riesgo del auditor. Otros beneficios del uso del análisis de datos incluyen:

a) mejorar la capacidad del auditor para recopilar evidencia de auditoría a partir del análisis de poblaciones más grandes, lo que permite mejores selecciones basadas en el riesgo de esas poblaciones para que el auditor realice pruebas adicionales, y

b) una visión más amplia y profunda del auditor de la organización y su entorno, que proporciona a la organización que está siendo auditada información valiosa adicional para informar su propia evaluación de riesgos y sus operaciones comerciales.

Si bien los beneficios son claros, se debe conocer las limitaciones de los auditores al utilizar el análisis de datos y aprendizaje automático:

a) los auditores deben tener una comprensión clara de los datos que están analizando, en particular la relevancia de esos datos para la auditoría. El análisis de datos no relevantes para la auditoría, no confiables o que no se comprendan bien por el auditor, podría tener consecuencias negativas para la calidad de la auditoría. Si bien el análisis de datos relevantes y confiables proporciona información valiosa para el auditor, no proporcionará todo lo que el auditor necesita conocer.

b) debido a la necesidad de que el auditor ejerza juicios profesionales en relación con la auditoría, así como las cuestiones relacionadas con la integridad y validez de los datos, el hecho de poder probar el 100% de una población no lo hace y no implica que el auditor pueda ofrecer algo más que una opinión de seguridad razonable o que el significado de "seguridad razonable" cambie.

c) el juicio profesional del auditor es necesario para evaluar la razonabilidad del valor estimado de la organización. Si bien la tecnología de análisis de datos de hoy puede desbloquear información valiosa para que el auditor la tenga en cuenta, su uso en una auditoría no reemplazará la necesidad del juicio profesional, y

d) debe tenerse precaución con respecto al potencial "exceso de confianza" del auditor y de las partes interesadas en las herramientas de análisis de datos, en las cuales los auditores carecen de una comprensión de sus usos y limitaciones, y creen falsamente que los resultados obtenidos son infalibles (es decir, el resultado debe ser 100% preciso porque un algoritmo así lo determinó).

Las Normas Internacionales de Auditoría (NIA) no prohíben, ni estimulan, el uso de herramientas de análisis de datos. Los avances tecnológicos y la creciente relevancia y el uso por parte de las organizaciones del análisis de datos en la toma de decisiones están haciendo que el IAASB evalúe si las NIA continuarán satisfaciendo las necesidades de aquellos que dependen del informe del auditor, en un mundo digital acelerado.

Las NIA reconocen el uso de la tecnología por parte del auditor en la ejecución de la auditoría, mediante el uso de Técnicas de Auditoría Asistida por Computadora (CAAT, por sus siglas en inglés).

Sin embargo, la referencia a las CAAT en las NIA se creó en una era tecnológica diferente y las CAAT han evolucionado significativamente en lo que ahora se conoce como análisis de datos, (Big data, herramientas analíticas, aprendizaje automático, minería de datos, metodología CRISP-DM, algoritmos estadísticos, algoritmos de segmentación, lenguaje R, lenguaje Python, lenguaje XBRL).