TFL Vsebine / TFLGlasnik

1. UVOD

Za doseganje pričakovanj pri revidiranih podjetjih, izboljšanje učinkovitosti in gospodarnosti v poslih revizij morajo revizijska podjetja slediti spremembam na področju tehnologije, ki bodo morda oziroma so bistveno spremenile proces revidiranja računovodskih izkazov in poklic revizorja v prihodnosti. Med najpomembnejše tehnologije za revizijska podjetja spadajo (ACCA, 2019, str. 9–11): podatkovna analitika (angl. Data analytics), umetna inteligenca (angl. Artificial Intelligence, AI), tehnologija veriženja podatkovnih blokov (angl. Blockchain technology), internet stvari (angl. Internet of things, IoT) in robotska avtomatizacija procesov (angl. Robotic Process Automation, RPA). Nekatera revizijska podjetja se zato usmerjajo v uporabo (ali vsaj raziskujejo možnost uporabe) teh in raznih drugih tehnologij, da bi zagotovila boljši dostop do podatkov, ki jih predajo v poslu revizije revidirana podjetja, in boljše obdelovanje (analiziranje, preiskovanje in tako dalje) teh podatkov v reviziji. Namen take usmerjenosti je, da se zviša kakovost opravljenih revizij, prav tako pa tudi učinkovitost in gospodarnost njihove izvedbe.¹ Namen je še, da se delničarjem/družbenikom in drugim deležnikom v podjetjih, v katerih se opravljajo revizije, zagotovi višja dodana vrednost. Na primer zaradi uporabe naprednejših tehnologij v reviziji se zmanjša tveganje pri odkrivanju, posledično pa revizijsko tveganje (tj. manjša je verjetnost, da revizor poda nepravilno mnenje, oziroma z višjo verjetnostjo revizor zagotavlja, da so računovodski izkazi revidiranega podjetja verodostojni).

Podatkovna analitika v zvezi z (zunanjim) revidiranjem oziroma revizijska podatkovna analitika (angl. Audit data analytics, ADA) je opredeljena kot znanost in umetnost možnega, kadar gre za odkrivanje (prepoznavanje) in analiziranje vzorcev, odstopanj in nedoslednosti ter pridobivanje drugih uporabnih informacij v obsežnih podatkih o predmetu proučevanja (na primer o revidiranem podjetju v reviziji). Informacije se pridobivajo s podatkovno analitiko, ki obsega kakovostno analiziranje, modeliranje in vizualizacijo podatkov, pomembnih pri reviziji računovodskih izkazov revidiranega podjetja. Gre za opredelitev revizijske podatkovne analitike, ki so jo zapisali Byrnes, Criste, Stewart in Vasarhelyi (2014),² v enem izmed svojih del pa jo je povzel tudi Odbor za mednarodne standarde revidiranja in dajanja zagotovil (angl. International Auditing and Assurance Standards Board, IAASB) pri Mednarodni zvezi računovodskih strokovnjakov (angl. International Federation of Accountants, IFAC) (IAASB, 2017). Podana opredelitev podatkovne analitike v reviziji nakazuje njeno uporabnost. Uporaba podatkovne analitike v reviziji je tako na primer potrebna zaradi vse bolj zapletenih in obsežnih količin informacij, ki jih mora revizor obdelati pri revidiranju računovodskih izkazov revidiranega podjetja. Prav tako lahko s podatkovno analitiko revizor pri svojem delu doseže boljše razumevanje revidiranega podjetja in njegovega okolja, bolje določi revizorjevo oceno tveganja, skratka izboljša kakovost svojega dela. Predvsem pa podatkovna analitika revizorju omogoča analiziranje populacije podatkov pri revidiranem podjetju in njihovo vizualizacijo, pa tudi modeliranje, tj. preusmeriti se tudi v prihodnost, kadar gre za delovanje revidiranega podjetja (npr. z napovedovalno analitiko; več o vrstah analitik v poglavju 2.2). Podatkovna analitika tako omogoča hitrejše in učinkovitejše odkrivanje ter analiziranje odklonskih pojavov oziroma stanj in drugih nedoslednosti.

Podatkovna analitika ni sinonim za analitične postopke (angl. Analytical procedures; več o razmerju med njima v tretjem poglavju). Podatkovna analitika v zvezi z revizijo tako vključuje (AICPA, 2015, str. 105-106) (opomba: seznam ni vseobsegajoč):

• prepoznavanje in analiziranje odklonskih pojavov ter odstopanj v podatkih;
• sledenje in vizualizacijo računovodskih podatkov, o poslovni in finančni uspešnosti ter drugih podatkov v informacijskem sistemu revidiranega podjetja, izdelkih (npr. stroškovnih nosilcih) ali drugih dimenzijah (npr. stroškovnih mestih) – da se revizija osredotoči na področja možnih tveganj pomembno napačnih navedb;
• uporabo statističnih, pa tudi kompleksnejših napovednih modelov, ki pojasnjujejo podatke o različnih dejavnikih in tako omogočajo prepoznavo pomembnih nihanj iz modela (na primer uporaba regresijske analize);
• združevanje podatkov iz različnih virov podatkov – za poglobitev in dodatno prepoznavo vzorcev oziroma spoznanj.

Namen prispevka je predstaviti podatkovno analitiko v povezavi z zunanjim revidiranjem oziroma revizijo računovodskih izkazov.

Podatkovna analitika, sploh pa njene različne možne vrste in (možna) uporaba v reviziji računovodskih izkazov je namreč relativno nepoznana v Sloveniji (pregled literature pokaže, da praktično ni slovenskih virov s tega področja, prav tako ni tematskih izobraževanj).³ V prispevku je uporabljenega več izrazja, ki je prevod avtorjev iz angleščine. Gre za prevode, ki (še) niso uveljavljeni oziroma vsesplošno rabljeni, zaradi česar je pri posameznih izrazih (vsaj ob prvi omembi) podan v oklepaju tudi izraz v angleščini. Na primer angleški izraz tool je preveden kot orodje, lahko pa se rabi tudi izraz pripomoček. Prispevek ima tudi nekaj omejitev. Niso obravnavana pravila revidiranja, ki bi lahko bila (posredno) povezana s podatkovno analitiko (na primer posamezne določbe Mednarodnih standardov revidiranja, v nadaljnjem besedilu: MSR-ji). Tudi ni posebej obravnavano (ne)zavezujoče gradivo Odbora za mednarodne standarde revidiranja in dajanja zagotovil (IAASB) glede tehnologije, posredno torej povezano tudi s podatkovno analitiko.

V drugem poglavju prispevka je na kratko podana opredelitev podatkovne analitike in predstavljene so njene vrste. V tretjem poglavju sledi prikaz uporabe podatkovne analitike pri revidiranju, vključno z nekaterimi (kratkimi) zgledi uporabe. Pri uporabi podatkovne analitike je več prednosti (koristi) in slabosti (problemov, dilem). Prav tako pa je pred revizijskimi podjetji pri razvijanju in razvoju ter uporabi podatkovne analitike še več izzivov.

2. PODATKOVNA ANALITIKA

2.1. Pojem podatkovne analitike

Besedna zveza oz. pojem podatkovna analitika (angl. Data analytics) ima več pomenov. Lahko predstavlja funkcijo v organizaciji (podjetju); orodje, ki vključuje uporabo podatkovne analitike; vedo oziroma disciplino (glejte na primer prej navedeno opredelitev, ki so jo podali Byrnes, Criste, Stewart in Vasarhelyi, 2014). Obstaja torej več različnih opredelitev in razlag pojma podatkovna analitika. Različni avtorji različno opredeljujejo oziroma predstavljajo podatkovno analitiko, se pa opredelitev sčasoma tudi spreminja. Možna je razprava, ali je vizualizacija podatkov (angl. Data visualization) del podatkovne analitike ali ne.⁴ V kontekstu pričujočega prispevka na navedeno vprašanje ne podajamo odgovora (ker to za pregled nad področjem niti ni pomembno).

Velja opozoriti, da je v angleških virih zaslediti dve besedni zvezi – podatkovna analitika in analiza podatkov (angl. Data analysis). Ti sta v praksi pogosto uporabljeni kot sinonima (Olavsrud, 2021), čeprav po vsebini nikakor ne pomenita enako. Poenostavljeno, analiza podatkov (in posledično aktivnost analiziranja podatkov)⁵ je obstajala pred računalniško obdelavo oziroma analiziranjem podatkov, izvajala se je oziroma izvaja se (lahko) tudi ročno.

Analiza podatkov tako obsega tudi statistično analizo podatkov, kadar gre za uporabo standardnih statističnih metod oziroma tehnik pri analizi podatkov. Podatkovna analitika pa obstaja v dobi (intenzivne) računalniške obdelave podatkov. Njen pojav sovpada z razvojem tehnologije, računalniških tehnik in njune kombinacije. Zadostne procesorska moč (zmogljivost) računalnikov, kapacitete oziroma hitrost trdih diskov, (hitra) povezljivost računalnikov, (stalna) oblačna povezljivost in tako naprej so omogočile in omogočajo podatkovno analitiko ter ji dajejo možnost za njeno nadaljnje razvijanje in razvoj. Če poenostavimo, brez računalnikov ne bi bilo podatkovne analitike. Podatkovna analitika pa se ukvarja s proučevanjem, čiščenjem, preoblikovanjem (to je predprocesiranjem) in modeliranjem podatkov, na podlagi obdelave katerih je nato mogoče tudi sklepanje oziroma odločanje. Podatkovna analitika tako vključuje tudi metode in tehnike, ki se uporabljajo pri analizi podatkov (Olavsrud, 2021). Pomembno je dodati, da je točno razmejitev med analizo podatkov in podatkovno analitiko vseeno težko opredeliti. Razmejitev je odvisna od gledišča tistega, ki razmejuje.

Pomembno je še ločiti med statistično analizo (angl. Statistical analysis) in podatkovno analitiko. Statistična analiza in podatkovna analitika se (lahko) obe uporabljata za reševanje poslovnih problemov. Razlika med njima pa je, da je del orodij, ki vključujejo podatkovno analitiko, tudi statistična analiza (kot del analize podatkov). Statistična analiza se uporablja predvsem za razumevanje večje populacije podatkov z analizo podatkov v izbranem vzorcu. Omogoča statistično obdelavo podatkov, njeni izidi oziroma izsledki pa se razlagajo in razumejo z uporabljeno statistično metodo oziroma tehniko. Običajno morajo izide (izsledke) razlagati osebe, ki so vešče uporabe statistične metode oziroma tehnike.⁶ Podatkovna analitika vključuje obdelavo podatkov, večkrat avtomatizirano, pregled, predstavitve in poročanje podatkov na način, ki je razumljiv in koristen za netehnične ljudi (to je statistično manj veščim). Podatkovna analitika je zasnovana tako, da za povprečnega uporabnika ni potrebe, da mu razlaga izide oziroma izsledke oseba, ki je vešča statistične metode oziroma tehnike, uporabljene z izvedbo podatkovne analitike. Statistična analiza je del podatkovne analitike in se uporablja pri izvajanju postopkov podatkovne analitike (Getsmarter, 2017).

Podatkovna analitika je najprej in predvsem disciplina, osredotočena na pridobivanje (potrebnih) informacij iz podatkov. Obsega procese, orodja in tehnike analize ter upravljanje podatkov, vključno z zbiranjem, organizacijo in shranjevanjem podatkov. Namen podatkovne analitike je uporaba statističnih in drugih analiz ter tehnik in tehnologij na podatkih za iskanje trendov, odmikov (odklonov) in reševanje problemov. Podatkovna analitika postaja v podjetjih (predvsem večjih podjetjih, ki vanjo vlagajo različne vire) vse pomembnejša kot sredstvo za analizo in oblikovanje poslovnih procesov ter optimizacijo odločanja in poslovnih rezultatov (Olavsrud, 2021). V nekaterih podjetjih pa njihov poslovni model že tudi (primarno) temelji na uporabi podatkovne analitike.

Pomembno je torej zavedanje, da podatkovna analitika predstavlja orodje, ki vključuje analizo podatkov, vključno s statistično analizo, in predstavitev rezultatov, kar uporabniku orodja (npr. revizorju) omogoča lažje in hitrejše odločanje. Podatkovna analitika je usmerjena predvsem v mehanski del obdelave podatkov (avtomatiziran proces obdelave podatkov), medtem ko mora uporabnik orodja (še vedno!) razumeti rezultate in jih znati ustrezno uporabiti (AICPA, 2015, str. 107-108).

2.2. Vrste podatkovne analitike

Orodja, ki vključujejo uporabo podatkovne analitike⁷ in so jih razvila večja podjetja, med drugim tudi velika mednarodna revizijska podjetja, vključujejo uporabo umetne inteligence, poslovno inteligenco (angl. Business intelligence) ter algoritme strojnega in globokega učenja, na podlagi katerih lahko poenostavijo in analizirajo velike količine podatkov (veliko podatkovje; angl. Big data). Tako jim podatkovna analitika pomaga predvsem pri prepoznavanju odstopanj (odmikov) med podatki. Vendar to ni vse, podatkovna analitika omogoča še več.

Tehnike podatkovne analitike lahko razdelimo v dve skupini: v osnovne in kompleksne. Osnovne tehnike podatkovne analitike so na primer izpeljane s programom Microsoft excel pri razvrščanju in analiziranju podatkov, kot je ugotovitev desetih največjih kupcev, ki nam prinašajo največji prihodek, ter pri združitvi različnih virov podatkov v Microsoft excel, kot je analiziranje podatkov o osnovnih sredstvih, ki so evidentirana v sistemu upravljanja osnovnih sredstev, in primerjava z osnovnimi sredstvi, kot je to evidentirano v glavni knjigi. Kompleksne tehnike podatkovne analitike pa zahtevajo uporabo naprednejših tehnologij in tehnik, kot so poslovna inteligenca, strojno učenje in umetna inteligenca, ki lahko ustvarijo algoritme in v podatkih prepoznajo vzorce. Tega z Microsoft excelom ni mogoče izvesti. Tako kompleksne tehnike podatkovne analitike omogočajo na primer izvedbo in izračun zapadlosti terjatev do kupcev, trismerno preizkušanje ujemanja (angl. three-way matching), prepoznavo dvojnikov in prepoznavo izstopajočih transakcij v podatkih (De Bonhome, 2021, str. 2).

Slika 1 predstavlja eno izmed možnih delitev podatkovne analitike na različne vrste.8 Poznamo pet različnih vrst podatkovne analitike, prikazanih v soodvisnosti med zahtevnostjo za uporabo posamezne vrste in dodano vrednostjo pri uporabi posamezne vrste. Najenostavnejša vrsta podatkovne analitike je deskriptivna (opisna) podatkovna analitika, sledijo pa diagnostična, napovedovalna in predpisna podatkovna analitika (Beker, 2019; Gibson, 2021; Tschakaret, 2016; Seth, 2021). Nekateri avtorji, kot je Sethova (2021), nadalje dodajajo tudi že peto vrsto podatkovne analitike, in sicer kognitivno podatkovno analitiko. Vsaka »višja« vrsta (stopnja) podatkovne analitike (kot je prikazano v Sliki 1) vključuje tudi predhodno »nižjo« vrsto (stopnjo) podatkovne analitike (kar pa v Sliki 1 ni posebej prikazano).

Slika 1: Vrste podatkovne analitike

Vir: Seth (2021).

Velja opozoriti na enega izmed ključnih pogojev za uporabo podatkovne analitike, katere koli izmed različnih vrst.

Poenostavljeno, brez podatkov ni podatkovne analitike. Za izvajanje procesov podatkovne analitike so potrebni razpoložljivi ustrezni podatki. Razpoložljivi pomeni, da morajo biti na voljo, to je obstajati. Ustrezni pa pomeni, da morajo biti v (predpripravljeni) primerni (berljivi) obliki. Pomembno je tudi, da se potreben obseg (količina) podatkov povečuje z zahtevnostjo uporabe podatkovne analitike.

2.2.1. DESKRIPTIVNA (OPISNA) ANALITIKA

Deskriptivna (opisna) analitika (angl. Descriptive analytics) je najosnovnejša vrsta podatkovne analitike. Kot je razvidno iz Slike 1, gre za najmanj zahtevno podatkovno analitiko za uporabo (to je podatkovno analitiko najnižje stopnje), poleg tega pa ne omogoča take dodane vrednosti (pri njeni uporabi) kot najvišja stopnja podatkovne analitike. Deskriptivna analitika je temeljna, izhodiščna podatkovna analitika. Je najpreprostejša in najpogostejša podatkovna analitika v uporabi (npr. trenutno jo uporablja več kot 90 % podjetij (Seth, 2021)). Deskriptivna analitika daje odgovor na vprašanje, kaj se je zgodilo (v podjetju), s povzetkom preteklih podatkov, običajno v obliki vizualizacije nadzornih plošč (angl. Dashboard) (Gibson, 2021).

Deskriptivna analitika kaže, kaj se je zgodilo na podlagi preteklih podatkov. Usmerjena je torej le v analiziranje oziroma obdelavo preteklih podatkov. To je najpreprostejša vrsta, ki omogoča strnitev velikega obsega (količine) podatkov v manjše, agregirane podatke, ti pa predstavljajo lahko uporabne informacije – tako na primer nosilcev odločitev ne zanimajo posamezne postavke v skupnih prihodkih oziroma odhodkih, ampak le vsota skupnih prihodkov oziroma odhodkov, ki jih je ustvarilo podjetje, in poslovni izid. Cilj je torej prikaz povzetih rezultatov (npr. z nadzorno ploščo) in razumeti, kaj se trenutno dogaja (Seth, 2021). Z drugega zornega kota pa je mogoče ugotoviti, da računovodje in revizorji že od nekdaj izvajajo procese deskriptivne analitike, saj povzemajo velike količine podatkov in jih združujejo v agregirane podatke (npr. skupne vrednosti, saldi in tako naprej), ki so uporabni za nosilce odločevanja.

Najpogostejša uporaba deskriptivne analitike v reviziji je sledenje ključnim kazalnikom uspešnosti. Ti na podlagi izbranih meril uspešnosti opisujejo trenutno uspešnost revidiranega podjetja.

Zato revizor že sedaj pri svojem delu (revidiranju) uporablja deskriptivno analitiko, tako da izračunava vsote, povprečja, odstotne spremembe in tako naprej pri posameznih zadevah, ki so predmet revidiranja (npr. glede prodajnih rezultatov, kreditnega tveganja kupcev, izračuna stroškov in pokritja teh, razpoložljivosti zalog (Tschakert, 2016)).

2.2.2. DIAGNOSTIČNA ANALITIKA

Kot je razvidno iz Slike 1, je druga vrsta podatkovne analitike diagnostična analitika (angl. Diagnostic analytics). Po zahtevnosti za uporabo je zahtevnejša od deskriptivne analitike, hkrati pa omogoča tudi (možno) višjo dodano vrednost kot deskriptivna analitika. Vprašanje pri deskriptivni analitiki je, kaj se je zgodilo, pri diagnostični analitiki pa, zakaj se je to zgodilo. Gre za naslednji korak, ki pomeni poglobljenejše analiziranje. Tako kot opisna analitika se tudi diagnostična osredotoča na pretekle podatke. Ker gre za poglobljenejše analiziranje in iskanje vzrokov (razlogov) za neko stanje, dogodek in podobno, je znana tudi kot analiza vzrokov, saj se z njo prepoznavajo oziroma analizirajo vzroki za neko stanje, dogodek. Diagnostična analitika na primer omogoča, da se prepoznajo vzorci ravnanja (vedenja, poslovanja) in da se ugotovijo razlogi in dejavniki zanje. Diagnostična analitika tako pomaga razumeti nenaden porast ali zmanjšanje prodaje. Ta vrsta pomaga tudi pri odkrivanju anomalij (odklonov) in pri določanju zveze med vzrokom in učinkom (odklonom), ki je prisoten v (analiziranih) podatkih (Seth, 2021).

Diagnostična analitika tako upošteva vpoglede iz deskriptivne analitike in podrobno analizira vzroke teh izidov. Revizor uporabi to vrsto analitike zato, da prepozna več povezav med podatki in vzorce ravnanja, vedenja oziroma poslovanja. Ključni vidik diagnostične analitike je ustvarjanje podrobnih informacij – če se pojavijo novi problemi v podjetju, je možno, da so zaradi diagnostične analitike že zbrani nekateri podatki, ki se nanašajo na nastale probleme (Gibson, 2021). Najpogosteje se diagnostična analitika v poslu revizije uporablja v analizah odstopanja (odklonov) s pomočjo interaktivnega nazornega prikaza (vizualizacije) na nadzorni plošči o gibanju/spremembah (na podlagi) preteklih podatkov (Tschakert, 2016).

2.2.3. NAPOVEDOVALNA ANALITIKA

Tretja vrsta podatkovne analitike je napovedovalna analitika (lahko tudi napovedna analitika, angl. Predictive analytics). Ta analitika daje odgovor na vprašanje, kaj se bo (verjetno) zgodilo. Po zahtevnosti za uporabo je zahtevnejša od diagnostične, hkrati pa omogoča tudi (možno) višjo dodano vrednost (pri njeni uporabi) kot diagnostična analitika. Ta vrsta analitike uporablja podatke, ki se nanašajo na preteklost, za napovedovanje možnih prihodnjih (verjetnih) rezultatov. Gre torej za nadaljnji korak glede na deskriptivno in diagnostično analitiko. Napovedovalna analitika uporablja pretekle podatke (v podjetju), tako da (na podlagi vsaj teh) skuša napovedati (oceniti) izide prihodnjih stanj, dogodke in drugo. Zato se opira na statistično modeliranje (npr. statistično regresijo oziroma naprednejše tehnike in metode), ki pa zahtevajo dodatne vire za podjetje (npr. dodatno tehnologijo, orodja, usposobljene zaposlene, vešče oziroma izkušene za izvajanje napovedovanja, itn.). Pomembno je tudi razumeti, da je napovedovanje zgolj ocenjevanje prihodnosti; natančnost napovedi (to je ocen) je odvisna predvsem od kakovosti uporabljenih podatkov, njihovega obsega in nadrobnosti podatkov (Gibson, 2021).

V poslu revizije se napovedovalna analitika lahko uporabi za napovedovanje stanja terjatev do kupcev, napovedovanje in spremljanje poplačil posameznih kupcev, za razvoj (napovednih) modelov glede verjetnosti nepoplačil. Podjetje na primer zanimajo predvsem postavke, pri katerih so plačila terjatev vezana na daljše obdobje, predvsem na rok plačila 60–90 dni oziroma več kot 90 dni (Tschakert, 2016). Uporaba napovedovalne analitike lahko revizorju pomaga pri oblikovanju pričakovanj glede stanja, dogodkov in rezultatov za revidirano podjetje. Na primer revizor lahko glede na razpoložljive informacije oblikuje pričakovanje glede prihodnjih stanj in dogodkov ter tako oceni primernost uporabe predpostavke delujočega podjetja za revidirano podjetje. Revizor z napovedovalno analitiko lahko ugotovi, kateri scenariji z revidiranim podjetjem imajo večjo verjetnost, da se bodo uresničili, in jih vključi v revizijsko mapo oziroma dosje, da se dokažejo narava in obseg njegovega dela ter na podlagi tega sprejeti sklepi (FRC, 2020, str. 15).

2.2.4. PREDPISNA ANALITIKA

Četrta vrsta podatkovne analitike je predpisna analitika (angl. Prescriptive analytics). kot je razvidno iz Slike 1, je predpisna analitika po merilu zahtevnosti za uporabo zahtevnejša od napovedovalne, hkrati pa omogoča tudi (možno) višjo dodano vrednost (pri njeni uporabi) kot napovedovalna analitika. Trenutno gre za najbolj iskano (želeno) uporabo podatkovne analitike (Gibson, 2021). Predpisna analitika odgovarja na vprašanje, kaj naj storimo. Združuje (nadgrajuje) vpogled iz vseh analitik nižje ravni (stopnje): deskriptivne, diagnostične in napovedovalne.

Poleg izidov, ki jih dajejo nižje ravni analitike, ta daje tudi izid v obliki opredelitve načina ukrepanja pri nekem trenutnem (poslovnem) problemu ali odločitvi. Predpisna analitika uporablja najsodobnejšo tehnologijo. Vendar pa je le malo podjetij opremljenih za njeno izvedbo oziroma uporabo. Uporaba predpisne analitike je velika organizacijska zaveza in podjetje mora biti prepričano in odločeno, da je vanjo pripravljeno vložiti svoj trud, napor in različne vire (Gibson, 2021).

Tako imenovana umetna inteligenca (angl. Artificial intelligence, AI), ki praviloma temelji na tehniki nevronskih mrež, je odličen primer predpisne analitike, saj sistem umetne inteligence uporablja veliko (količino) podatkov za nenehno učenje in (lahko) tudi svoje izide za sprejemanje utemeljenih odločitev. Dobro zasnovan sistem umetne inteligence lahko take odločitve sporoča in celo udejanja (izvaja), pri tem pa se poslovni procesi v podjetju vsak dan optimizirajo brez pomoči človeških virov. Trenutno umetno inteligenco oziroma neko drugo obliko predpisne analitike uporablja več velikih podatkovnih podjetij (kot so Apple, Meta oz. Facebook, Amazon, Alphabet oz. Google, Netflix itd.) za izboljšanje (samodejnega) poslovnega odločanja in (samodejnega) sprejemanja odločitev.

Za druga podjetja in organizacije je preskok na predpisno analitiko, še prej pa napovedovalno analitiko, praktično nedosegljiv. Vendar se tehnologija nenehno izboljšuje in pričakovati je več strokovnega in izobraženega kadra na področju podatkovne analitike. Tako bomo v prihodnosti lahko opazili več podjetij, ki bodo v svojih poslovnih procesih uporabljala najprej napovedovalno, kasneje pa tudi predpisno analitiko (Gibson, 2021).

Predpisno analitiko lahko opredelimo kot analitiko, ki omogoča optimizacijo poslovanja in ponuja vpogled v to, kaj mora podjetje narediti za rešitev problema. Raziskuje več možnih izidov in predlaga ukrepe glede na rezultate opisne, diagnostične in napovedovalne analitike. Predpisna analitika uporablja sistem povratnih informacij, ki se nenehno uči, in osvežuje odnos med dejanjem in rezultati. Ne napoveduje ene možne prihodnosti, temveč več prihodnjih izidov (scenarijev). Gre za napreden koncept, ki temelji na optimizaciji in simulaciji. Optimizacija pripomore k razumevanju, kako doseči najboljši rezultat, prepoznati odstopanja podatkov, ki pripomorejo k boljšemu odločanju, medtem ko so pri simulaciji vsa ključna področja poslovne uspešnosti (na primer prihodki, stroški, odhodki, poslovni izid itd.) združena za oblikovanje ustreznih metričnih ciljev (gre na primer za določitev količine, valute, vrednosti, odstotkov itd.) (Seth, 2021).

2.2.5. KOGNITIVNA ANALITIKA

Peta vrsta podatkovne analitike je kognitivna analitika (angl. Cognitive analytics). Kot je razvidno iz Slike 1, je kognitivna analitika po zahtevnosti za uporabo zahtevnejša od predpisne, hkrati pa omogoča tudi (možno) višjo dodano vrednost (pri njeni uporabi) kot predpisna analitika. Zaradi napredka tehnologije in tehnik se je razvila in se razvija nova vrsta računalnikov, tako imenovanih kognitivnih računalnikov (angl. Cognitive computers). Ti vključujejo uporabo računalniških modelov za simulacijo človeškega miselnega procesa v zapletenih situacijah.9 V prihodnosti bodo imeli pomembno vlogo pri uporabi podatkovne analitike, in to tako v računovodstvu kot v reviziji. Podatkovna analitika namreč ni statična, ampak se sproti razvija, tudi glede na to, kako se razvijata tehnologija in tehnika na tem področju (AICPA, 2015, str. 107-108).

Kognitivna analitika je (trenutno) najnaprednejša vrsta podatkovne analitike, ki za neko opravilo uporablja tako imenovano človeško inteligenco10 s kombiniranjem številnih tehnologij in tehnik, kot so umetna inteligenca, semantika (angl. Semantics)11 ter algoritmi strojnega in globokega učenja (angl. Machine and deep learning). Cilj je razumeti in posnemati, kako se človeški možgani odločajo, da lahko kognitivni računalniški proces (angl. Cognitive computing)¹² poskuša narediti enako.

Kognitivna analitika uporablja človeško inteligenco za naloge, kot je razumevanje besed v besedilu, pa tudi celotnega konteksta napisanega ali govorjenega, in prepoznavanje predmetov na sliki (na podlagi velike količine različnih podatkov). Kognitivna analitika združuje številne tehnologije in tehnike za dosego tega, vključno s semantiko, algoritmi umetne inteligence in številnimi učnimi tehnikami, kot sta poglobljeno in strojno učenje. S takimi tehnikami lahko aplikacija s kognitivno analitiko sčasoma postane pametnejša (to je učeča se, uspešnejša) in učinkovitejša, če se uči iz svojih interakcij s podatki, pa tudi z ljudmi (Expert.ai, 2016).

Celoten članek je dostopen za naročnike!

Opombe:

^1. Revizor mora opravljati naloge revidiranja učinkovito, gospodarno in uspešno. Delati učinkovito pomeni, da zadane naloge opravlja na pravi način oziroma da pretvarja vhodne prvine v uporabne izhodne poslovne učinke dovolj spretno, pazljivo ter strokovno in časovno sprejemljivo, pri tem pa povzroči čim manjšo porabo energije. Pri uresničevanju učinkovitega in gospodarnega revidiranja potrebuje spretnost, marljivost in znanje o najboljših rešitvah pri organiziranju in metodiki revidiranja (koletnik, 2007, str. 42-43).

^2. Izvirno besedilo (v Byrnes et al., 2014, str. 5): »Audit Data Analytics (ADA) is the science and art of discovering and analyzing patterns, identifying anomalies, and extracting other useful information in data underlying or related to the subject matter of an audit through analysis, modeling, and visualization for the purpose of planning or performing the audit.«

^3. V pričujočem prispevku je uporabljena predvsem literatura v angleškem jeziku, saj je podatkovna analitika in njena uporaba pri revidiranju razmeroma nova tematika, zaradi česar v slovenskem jeziku ni na voljo virov oziroma literature.

^4. Podrobnejšo predstavitev vizualizacije podatkov, kadar gre za predstavitev podatkov v revizorjevih poročilih oziroma komunikaciji, glejte v prispevku avtorice Vugrin (2021), naslovljenem Vizualizacija podatkov kot pomoč pri interpretaciji revizijskih poročil.

^5. Velja opozoriti na Pravilo skrbnega računovodenja (PSR) 8, naslovljeno Računovodsko analiziranje (iz zbirke Slovenskih računovodskih standardov 2016), ki se (lahko) uporablja pri analiziranju računovodskih podatkov in oblikovanju računovodskih informacij kot podatkovnih podlage za odločanje v podjetju. Glejte SIR (2018).

^6. Na primer izsledki oziroma izidi statistične analize, velike količine podatkov itn. So za nosilce odločanja neuporabni, če jih ti ne razumejo, zato delujejo strokovnjaki za statistično analizo kot »prevajalci« med številkami in ljudmi, ki morajo na podlagi njihovih razlag oziroma ugotovitev sprejeti (poslovne) odločitve.

^7. Pod zvezo »orodja, ki vključujejo uporabo podatkovne analitike« razumemo program oziroma informacijski sistem, pripomoček in aplikacije, ki uporabnikom omogočajo izvedbo postopkov podatkovne analitike pri analiziranju podatkov. Nekatera orodja, ki omogočajo podatkovno analitiko, so Microsoft excel, Tableau Software, SAS, SQL, Python, RapidMiner itd. Nekateri pripomočki so na voljo tudi v oblaku (Datapine, 2021).

^8. Delitev (klasifikacij) podatkovne analitike je lahko več, praviloma je to odvisno od avtorja oz. avtorjev, ki predstavljajo delitev. Glejte na primer Beker (2019), Gibson (2021), Tschakaret (2016) in Seth (2021).

^9. Kognitivni računalnik se prekriva z umetno inteligenco ter vključuje različne tehnologije in tehnike za pogon kognitivnih funkcij, vključno s strokovnimi sistemi, nevronskimi mrežami, robotiko in navidezno resničnostjo (angl. Virtual reality, Vr) (Botelho, 2021).

^10. Boljše poimenovanje za računalniško človeško inteligenco bi bilo sicer kvazičloveška inteligenca. V nadaljevanju prispevka uporabljamo besedno zvezo človeška inteligenca, pri čemer je mišljena računalniška človeška inteligenca.

^11. V teoriji programskega jezika je semantika (angl. semantics) področje, ki se ukvarja z matematičnim proučevanjem pomena programskih jezikov. Semantika tako opisuje procese, ki jim računalnik (to je algoritem) sledi pri izvajanju programa v programskem jeziku. To lahko prikažemo z opisom razmerja med vhodom in izhodom programa ali z razlago, kako se bo program izvajal na neki platformi, s čimer se ustvari model izračuna (Techopedia, 2018).

^12. Kognitivni računalniški proces (angl. Cognitive computing) uporablja umetno inteligenco (to je nevronska omrežja), strojno učenje in analizo občutkov z namenom sposobnosti reševanja vsakodnevnih težav, tako kot to počnejo ljudje. Koncern IBM kognitivno računalništvo opredeljuje kot napreden sistem, ki se uči v obsegu, razmišlja z namenom in komunicira z ljudmi v naravni obliki (Makadia, 2019). Uporaba računalniških procesov za reševanje različnih vrst težav, s katerimi se običajno soočajo ljudje, zahteva velike količine strukturiranih in nestrukturiranih podatkov, ki se vključujejo v algoritme strojnega učenja. Sčasoma lahko kognitivni sistemi izboljšajo način prepoznavanja vzorcev in način obdelave podatkov, da postanejo sposobni predvideti nove težave in modelirati možne rešitve. Za dosego teh zmogljivosti morajo imeti kognitivni računalniški sistemi pet ključnih značilnosti, ki jih navaja konzorcij za kognitivno računalništvo (angl. Cognitive computing consortium): prilagodljivost, interaktivnost, iterativnost, spremljanje stanj interakcij in kontekstualnost (Botelho, 2021).