Los datos sobre su organización pueden ser una herramienta poderosa, y los auditores internos están aprovechando cada vez más una variedad de tecnologías como IDEA® para incorporar análisis de datos en sus auditorías. Sin embargo, el uso de análisis de datos puede ir mal si los conocimientos que aportan al proceso de toma de decisiones no se interpretan correctamente.
Es este temor de malinterpretar los datos con consecuencias potencialmente ruinosas lo que hace que muchos directores ejecutivos de auditoría, no estén seguros de usar el análisis de datos como parte de su proceso de auditoría estándar. De acuerdo con el Informe de Auditoría Interna de América del Norte 2018 del IIA, solo el 62% de los CAE informaron que han implementado parcial o totalmente el análisis de datos en el proceso de auditoría. (Una mejora del 42% en 2017.)
Al garantizar que se cuenta con la capacitación y los procesos adecuados para limitar los riesgos potenciales de una mala interpretación de los datos a través del análisis de datos, las organizaciones pueden garantizar que maximizan el rendimiento de sus inversiones y brindan a sus clientes, tanto internos como externos, un 100% de cobertura y garantía de auditoría. Aquí hay seis formas clave en que los auditores pueden implementar el análisis de datos en la auditoría interna:
1. Limpiar los datos
Los datos utilizados para el análisis deben ser correctos, coherentes, completos y deben estar libres de duplicación, con partes inexactas o irrelevantes eliminadas. Los “datos limpios” resultantes son más fáciles de combinar con diferentes conjuntos de datos para obtener información más profunda y un análisis más completo.
2.Tratar con los valores atípico
El hecho de que el 99.5% de las transacciones en su última auditoría dio un rendimiento positivo no significa que todo vaya bien. Ese 0,5% de las transacciones podría equivaler a más de la mitad de las pérdidas totales de una empresa en un período determinado. Los valores atípicos no deben ser ignorados, deben ser entendidos. Pueden estar diciéndote algo importante. Aprovecha la oportunidad para descubrir la razón por la que las cosas no salieron como pensabas.
3. Leer con precisión los patrones y eliminar el “ruido”
Los datos que no son estables o tienen un alto nivel de variabilidad no le permitirán comparar, predecir y pronosticar correctamente. Eliminar el ruido o los datos dañados también permitirá que sus datos sean utilizados correctamente por las máquinas. Con algunos patrones demasiado complejos para que la mayoría de los humanos los detecten, las soluciones de análisis de datos se están desarrollando o mejorando rápidamente con inteligencia incorporada para mejorar la capacidad de detectar patrones significativos.
4. Visualice claramente los datos
Los informes de auditoría detallados y reveladores no son útiles para nadie si los datos no se pueden leer y aplicar. Dado que es poco probable que los responsables de la toma de decisiones lean las páginas de texto y los números que se confunden en uno, es vital que los auditores comuniquen los resultados de manera sucinta y clara. Visualización; los gráficos y cuadros cuidadosamente construidos para transmitir la información clave deben aprovecharse al principio del proceso de análisis para identificar áreas de interés rápidamente y ahorrar tiempo en el proceso general.
5. Comprender correlación versus causalidad
La correlación describe la relación entre dos variables, mientras que la causación habla de la idea de que un evento es el resultado de la ocurrencia del otro evento. Es fácil, y demasiado común, asumir la causalidad cuando existe simplemente una correlación en los datos y las personas que ven los datos se verán influenciadas por la experiencia pasada y sus propios sesgos personales.
6. Reconoce cuándo no debes usar los datos
Más datos no siempre son mejores, ya que no todos los datos ayudarán a lograr los objetivos de la auditoría de TI y a identificar qué datos son necesarios y limitarse a solo esos datos limita el potencial de resultados sesgados. Además, al igual que la correlación versus la causalidad, los datos a menudo parecen tener más significado del que realmente tienen. Tenga cuidado con el peligro de saltar a conclusiones que, en última instancia, pueden no estar respaldadas por los datos.
Cuando se trata de entender y aprovechar realmente sus datos, se requieren varias habilidades; existe un creciente reconocimiento de que son necesarios numerosos roles relacionados pero distintos, incluidos científicos de datos, analistas de datos, arquitectos de datos y más.
La auditoría interna pronto deberá considerar agregar estos tipos de roles al departamento (algunos departamentos más grandes ya lo han hecho). Hasta entonces, es fundamental que los auditores al menos agreguen habilidades de análisis de datos fundamentales a su conjunto de herramientas para capitalizar las inversiones en análisis de datos de su compañía.
Referencia: Leer artículo fuente aquí.
