Notícias

As principais barreiras para implementar Data Analytics na Função de Auditoria Interna são muito menores do que você imagina
13/02/2020 por por Redação CrossOver BR - autor: Fabiano Castello, CIA CCSA CRMA CISA CISM CCI



Na minha visão, são apenas duas as principais barreiras para implementar Data Analytics (DA) numa função de Auditoria Interna.

A primeira barreira é cultural ou, ainda, a barreira do medo do novo. E isto de acordo com a já “quase” cientifica e globalmente aceita 4º Lei de Newton: “um corpo em repouso tende a ficar em repouso se a cama estiver quentinha”. O que talvez a maioria das pessoas não perceba é que a inércia pelo medo do novo poderá privá-las de uma das maiores, mais baratas e mais acessíveis ferramentas disponíveis para auditores dos últimos tempos: o DA. Sendo provocativo: qual o remédio para ultrapassar esta barreira? Não há. É a capacidade de iniciativa de cada um. O lado bom é que é preciso muito menos do que todos imaginam. Siga lendo este artigo.

A segunda barreira é real: um conhecimento de estatística mais profundo do que normalmente é requerido. Mas somente isto? Apenas uma barreira real? Sim, porque ainda que o mercado venha chamando de DA o que há 20 anos temos feito em CAAT, existem diferenças importantes. Mas a maior parte da metodologia é, realmente, muito similar.

Tomemos por base uma metodologia de CAAT, simplificada em seis etapas para fins didáticos. No final dos anos 90, era assim que ensinávamos os trainees na Arthur Andersen:

https://media-exp1.licdn.com/dms/image/C5612AQE-oniuMoK29A/article-inline_image-shrink_1000_1488/0?e=1586995200&v=beta&t=sFTmk0ajaemlI34D3USvo4lHnyxLnIr-7RvUb9sRyxA

Já em meados de 2016 o professor Roger Peng, da Universidade Johns Hopkins, publicou seu livro “The Art of Data Science”. Note que é um livro de ciência de dados, e não de auditoria, e que tem menos de um ano. O livro introduz uma metodologia para DA, apresentada abaixo, também de forma simplificada:

https://media-exp1.licdn.com/dms/image/C5612AQGBl175ZBxhQA/article-inline_image-shrink_1500_2232/0?e=1586995200&v=beta&t=p_hZc5GXDauAhmC3-F3DKuaz7IA18nOeSQa9w2AazE8

As etapas Planejamento e Desenho dos Testes de Auditoria (A1) e Definir a Questão (B1) tem a mesma essência: qual o problema que deve ser resolvido, e qual a melhor estratégia para resolvê-lo. Isto porque “definir a questão”, em DA, implica não apenas saber fazer a pergunta como também procurar identificar se há dados disponíveis para respondê-la. Em auditoria, o planejamento dos testes estão associados a um objetivo que, fundamentalmente, resume-se a responder uma pergunta se, por exemplo, um controle interno está funcionando da forma como deveria.

Viabilidade (A2), Aquisição dos dados (A3) e Realização dos testes (A4), em DA são sumarizadas na etapa Coletar e Explorar (B2). Os objetivos são diferentes, mas as atividades são as mesmas: coletar dados, limpar bases, transformar variáveis contínuas em discretas. Realizar testes e explorar é a mesma coisa, com a diferença que hoje em dia podemos fazer isto com ferramentas de DataViz e, naquela época, usávamos apenas softwares de extração de dados.

Análise e Validação dos Resultados (A5), e Interpretação (B5) são autoexplicativas, exceto pelo que os precede: em CAAT analisamos os resultados dos testes realizados enquanto em DA interpretamos os resultados dos algoritmos da modelagem. Finalmente, se em CAAT emitimos um relatório final (A6), em DA comunicamos os resultados (B5).

Como se pode ver, a única diferença realmente significativa entre as duas metodologias é a fase de modelagem (B3), e é nesta fase que o conhecimento de estatística definirá um bom resultado ou não. Aqui é onde veremos os algoritmos de aprendizado (machine-learning), efetivamente, em ação. A qualidade da modelagem depende da qualidade do algorítimos e estes por sua vez, precisam na mesma medida de dados e de sólida estatística

O que realmente é mais importante nesta comparação é concluir que muito do conhecimento exigido para utilizar DA já está no dna da maioria dos auditores.

Há quem irá dizer que eu esqueci de dois itens importantes: a questão do software e o fator gente. Pois bem, não são barreiras!

Quando se fala em software, existem no mercado opções caríssimas, profissionais, na nuvem, escaláveis, etc. Tem de tudo. Mas tem, também, softwares open source, como o [R], que além de gratuito tem uma base instalada global imensa e muitos utilizadores. Isto sem contar uma infinidade de cursos gratuitos. O [R] não é uma boa opção para DA no negócio, porque ele não é escalável como, por exemplo, seu concorrente mais direto, o Python. Mas para análises pontuais, como é típico em trabalhos de auditoria, ele é simplesmente perfeito.

Finalmente, o fator gente. Lembro que quando iniciei na minha carreira como auditor numa big4, nosso grande diferencial é que tínhamos o conhecimento, e era isto que vendíamos. Hoje em dia nada mais é proprietário, muito menos em auditoria interna. Está tudo divulgado, aberto, disponível para quem tenha interesse. Aprender sobre DA, [R] e até mesmo estatística é gratuito e está ao alcance de quem simplesmente tenha um computador e motivação. Além disso, plataformas como o meetup.com fazem com que tribos se criem e se consolidem, aproximando pessoas que tem interesses comuns.

Convencido que DA não é nada especial e que mergulhar nesta tendência depende muito mais de você do que qualquer outra coisa? Então combinado: nos vemos no próximo meetup de machine learning!

nota: artigo publicado no IIA Notícias em Maio

Fonte deste artigo: https://www.linkedin.com/pulse/principais-barreiras-para-implementar-data-analytics-fabiano/

Indique este portal

Faça parte da Comunidade CrossOver Brazil

Receba conteúdo e materiais exclusivos, além das novidades sobre os nossos treinamentos e eventos!