חשיבות יישום של כלי BI בעבודת הביקורת הפנימית

שיתוף ב facebook
שיתוף ב linkedin
שיתוף ב whatsapp
שיתוף ב email

ביקורת מוכוונת נתונים

על חשיבות יישום של כלי BI בעבודת הביקורת הפנימית

מאת: רו"ח יוסי אליאס, Data Analyst ומבקר IT בחטיבת הביקורת הפנימית בבנק דיסקונט.

 

המידע הקיים בבסיסי הנתונים של הארגון משקף את תוצאות הפעילות העסקית אך גם את הבקרות ששלובות בתהליכים העסקיים.

שימוש יעיל ואפקטיבי בכלי תחקור נתונים על ידי הביקורת הפנימית, במסגרת ההיערכות לעבודת הביקורת וכן במהלכה, יאפשר למבקר לבחון את התהליכים העסקיים ואת אפקטיביות הבקרות בו־זמנית, ולהתמקד באזורי הסיכון בתהליכים המבוקרים.

מהפכת המידע אשר השפיעה רבות על עולם העסקים, הכריחה ארגונים וחברות ברחבי העולם להתאים עצמם לעידן הדיגיטלי. המעבר לעולם המוצף במידע ובנתונים וכן ההתפתחות המואצת של עולם הטכנולוגיה, הביאו ארגונים וחברות לאמץ שיטות עבודה חדשות וכלים מתקדמים, כדי להתמודד בהצלחה עם הגידול הניכר בכמויות המידע שנצבר אצלם ועם ריבוי מקורות המידע. כדי להתמודד בהצלחה עם האתגרים והסיכונים החדשים שהביאה עמה מהפכת המידע, על קווי ההגנה באותם ארגונים, ובפרט יחידות הביקורת הפנימית, לאמץ אף הם שימוש בכלים מתקדמים – בעת ההיערכות לעבודת הביקורת ובמהלכה.

כשם שאותה מהפכה מאפשרת לארגונים רבים להפיק תועלת מהנתונים המאוחסנים במאגרי המידע שלהם, כגון שימוש בנתונים במסגרת תהליכי קבלת החלטות, כך על הביקורת הפנימית לנצל את המידע והנתונים שבמאגרי הארגון, לשם השגת מטרותיה. אימוץ של כלים מתקדמים לניתוח נתונים על ידי הביקורת הפנימית בארגון, תאפשר למבקרים להעצים את היכולות שלהם לבקר את התהליכים המתקיימים בארגון, את המערכות, ואת התשתיות.

היכולות הטמונות בכלים לתחקור נתונים, כגון כלי Data Analysis (DA) וכלי Business Intelligence  (BI), מאפשרות למבקר לעבד כמות עצומה של נתונים בזמן קצר, כולל ניתוח של כלל הפריטים הקיימים באוכלוסייה המבוקרת, להצליב נתונים מתהליכים עסקיים שונים וממערכות שונות. כפועל יוצא מכך, גדל הסיכוי לאתר פעולות חריגות בתהליך המבוקר, זאת בהשוואה לשימוש בדגימת פריטים מכלל האוכלוסייה המבוקרת.

אימוץ כלים מתקדמים בביקורת

שימוש בכלי תחקור נתונים מתקדמים במסגרת עבודת הביקורת יאפשר למבקר, בנוסף לאיתור פעילות חריגה ביחידה המבוקרת, לבחון את מידת העמידה של המבוקרים בהוראות חוק, נוהלי עבודה או רגולציה. הנתונים הנשלפים ממערכות המידע משמשים כלי עזר בידי המבקר לביסוס הבדיקות שהוא עורך במסגרת עבודת הביקורת. שימוש בכלים אלה במסגרת היערכות לביצוע עבודת ביקורת מאפשר למבקר לקבל תמונת מצב על התהליך המבוקר, עוד לפני שהחלה עבודת הביקורת.

לשם כך, הביקורת הפנימית צריכה להכשיר את אנשיה ולפתח יכולות תחקור וניתוח באופן עצמאי, ללא תלות ביחידות אחרות בארגון. ככל שהשימוש בכלים אנליטיים בארגון נעשה נפוץ יותר, והוא הופך לארגון מונחה ־נתונים (Data-Driven Enterprise), כך על הביקורת הפנימית להתאים עצמה ולעשות שימוש רב יותר באותם כלים בפעילותה.

שימוש יעיל ואפקטיבי בכלי תחקור נתונים על ידי הביקורת הפנימית יכול לבוא לידי ביטוי בהיערכות לעבודת הביקורת וכן במסגרת הביקורת עצמה. לדוגמה, שימוש בכלי תחקור נתונים בביקורת פנימית בבנק, בעת בדיקת נושא מתן הלוואות ללקוחות הסניפים.

ניתוח נתונים בהיערכות לביקורת

כלי BI, אשר ארגונים רבים משתמשים בהם להצגת ולמדידת פעילויות עסקיות שונות, מאפשרים לביקורת הפנימית להציג את התהליכים הנכללים בתוכנית הביקורת, לפי חתכים שונים, בהם רמת הסיכון הנשקפת מהם, על סמך הפריטים החריגים שאותרו בשלב המקדים. כך מתאפשר למבקר למקד את עבודתו בתתי-התהליכים שהינם בעלי סיכון גבוה ביחס לשאר, ולהעמיק את בדיקותיו במסגרת עבודת הביקורת. קיימת חשיבות רבה לידע, לניסיון ולהיכרות של המבקר עם הארגון והתהליכים העסקיים המתקיימים בו. תחקור הנתונים יאפשר לו לזהות פעילות חריגה בתהליך, אבל על המבקר להפעיל שיקול דעת במתן המענה לאותם חריגים או סיכונים שזוהו.

בהמשך לדוגמה, כחלק מהיערכות לעריכת ביקורת פנימית בבנק, בנושא מתן הלוואות ללקוחות בסניפי הבנק, על המבקר לערוך מיפוי של אזורי הסיכון בתהליכים העסקיים שיבוקרו על ידו. לשם כך, יש להגדיר תחילה את התהליכים שייכללו בעבודת הביקורת, לדוגמה: דירוג אשראי של לקוחות וקמפיינים לשיווק אשראי בסניפים. באמצעות שימוש בכלי ניתוח נתונים, כגון SQL, ניתן לשלוף מהמערכות התפעוליות של הבנק הרלוונטיות לתהליך האשראי, את נתוני ההלוואות שניתנו בשנתיים החולפות בכל סניפי הבנק. באמצעות כלי BI ניתן להציג באופן ויזואלי את התפלגות ההלוואות לפי חתכים שונים, כגון: היקף כספי, כמות הלוואות, סוגי הלוואות וכן כשל אשראי לפי סניפים, חודשים בשנה וסוגי לקוחות. כך, מתקבלת תמונת מצב ראשונית של אזורי הסיכון בתהליך, וניתן להבחין בסניפים וכן בסוגי הלקוחות וההלוואות שראוי להתמקד בהם במסגרת עבודת הביקורת.

ניתוח נתונים בעבודת הביקורת

במהלך עבודת הביקורת, המבקר יכול להשתמש בכלים לתחקור נתונים לשם בדיקת בקרות השלובות בתהליכים העסקיים. לשם כך, לאחר בחירת אזורי הסיכון בתהליכים המבוקרים בשלב ההיערכות לביקורת, על המבקר למפות את הבקרות השלובות בתהליכים הללו, באמצעות סקירת נוהלי עבודה, הנחיות והוראות רגולטוריות הרלוונטיים לנושא הביקורת. באמצעות שימוש בניתוח נתונים בבדיקת ההלוואות, סוגי הלקוחות והסניפים שנבחרו על ידי המבקר, ניתן לאתר את הפעילויות החורגות מנוהלי העבודה, ההנחיות והוראות הרגולציה שהוגדרו, כגון: מתן הלוואות בסכומים ובשיעורי ריביות שאינם תואמים את דירוג האשראי של הלקוחות; אישור/מתן הלוואות ללקוחות בניגוד למדרג ההרשאות הקיים בבנק; איתור סוגי לקוחות/סוגי הלוואות עם כשל אשראי חריג. נוסף לכך, קיומם של פריטים חריגים באוכלוסיית ההלוואות עשוי להעיד על מידת האפקטיביות של הבקרות השלובות בתהליך המבוקר. ניתן להיעזר בכלי תחקור לשם שחזור עצמאי של הבקרות הקיימות בתהליך ובדיקתן על נתונים זהים אך ממקור שונה, כדי לאתר כשלים אפשריים בבקרות.

השפעת מהפכת המידע על הביקורת הפנימית

מהפכת המידע צפויה להשפיע גם על עתיד הביקורת הפנימית, על ידי אימוץ יכולות תחקור המבוססות על Big Data. אם עד כה שימוש בניתוח נתונים במסגרת הביקורת נתן מענה לשאלות שהוגדרו מראש על ידי המבקר, הרי שבשיטת ניתוח נתונים המבוססת על Big Data, הנתונים עצמם מגדירים את שאלת הביקורת. כלומר, שימוש אפקטיבי ויעיל בכלים מתקדמים לניתוח נתונים במסגרת עבודת הביקורת הפנימית, יאפשר למבקר להעלות תובנות עסקיות, לזהות מגמות בפעילות יחידות הארגון ולאתר קשרים בין נתונים, אשר ממבט ראשון לא קיימת קורלציה ביניהם. שימוש בכלי ניתוח מתקדמים, כגון שפת R, שפת Python ושילוב עם מתודולוגיות חדשניות כ ־Machine Learning ו־Data Science, עשויים לאפשר למבקר הפנימי לקבל מענה לשאלה "למה", זאת בנוסף ל"כמה" ו"מתי".

לסיכום, העידן הנוכחי שבו פועלים ארגונים וחברות צפוי לחולל שינוי גם בתפיסה העתידית של מטרות השימוש בכלי תחקור נתונים בביקורת הפנימית. אם עד כה המטרה העיקרית של ניתוח נתונים היה להסביר מגמות המתרחשות בארגון (Descriptive Analysis), באמצעות מדידה של ביצועים או בחינה של אופן עמידה ביעדים ובמטרות, אזי המגמה היא מעבר למודל של חיזוי ואופטימיזציה (Predictive Analysis). מודל זה בא לידי ביטוי באיתור קשרים בין נתונים שונים, המצביעים על מגמות עתידיות.

שיתוף ב facebook
שיתוף ב linkedin
שיתוף ב whatsapp
שיתוף ב email