Effetti sull’Auditing

Abbiamo visto come le tendenze tecnologiche dell’ultimo decennio abbiano contribuito a rendere disponibili nuove quantità di dati, che non sono più generati solamente dall’uomo ma hanno anche una derivazione meccanica, grazie al lavoro delle apparecchiature IT.

I Big data in sé producono un valore limitato se non vengono elaborati ed analizzati; per questo, il processo di analisi dei dati tramite le tecniche di analytics, spinge le principali aziende a comprendere meglio l'impatto dei dati sulle loro attività.

Un ambito che presenta un potenziale significativo è quello dell'Audit80.

79 _{“2019 Executive Perspectives on Top Risks”}

80 _{L’Audit è un processo di verifica della conformità di un prodotto, un servizio, un processo o un’intera}

organizzazione, dimostrata attraverso evidenze oggettive raccolte da colloqui con il personale, analisi di documenti, osservazione nel corso dello svolgimento di attività.

87

Gli ultimi anni sono stati caratterizzati da un clima economico ineguale e difficile, tanto che il ruolo dei revisori contabili ha assunto particolare rilevanza. Le società di revisione devono proseguire con le loro attività di audit per soddisfare l'interesse pubblico, migliorando la qualità dell’analisi e fornendo più informazioni e valore agli utenti dei rendiconti finanziari.

I recenti progressi tecnologici nel campo dei Big data e degli Analytics offrono un'opportunità per ristrutturare il modo in cui viene eseguito un Audit; esso “espanderà i propri orizzonti al di là del semplice test basato su campioni, arrivando ad includere l'analisi di grandi masse di dati”81. Big data ed analytics consentono ai revisori di visualizzare meglio i rendiconti finanziari, le frodi ed i rischi operativi per fornire un audit più rilevante.

Effettuare attività di auditing superando il limite del campionamento e spostando l’analisi sull’intera popolazione, è il vantaggio maggiore82 _{che la revisione contabile può ottenere dalla} Big data analytics. Se ogni analisi può essere condotta a livello di intera popolazione, lascerà ben poco spazio a rischi ed errori.

I Big data, a prescindere dal campione, possono essere sfruttati per migliorare il grado di accuratezza dell’analisi. La relazione tra due o più elementi finanziari può essere determinata in modo più attendibile grazie alla presenza di informazioni dettagliate raccolte in tempo reale. Lo stesso vale anche per analizzare la relazione tra i dati finanziari di un'azienda e rapportarle alle medie del settore.

Un altro vantaggio deriva dal fatto che usufruire dei Big data consente di espandere l’orizzonte della revisione anche ai dati non strutturati; per fare un esempio, se un’impresa si dotasse di strumenti di videosorveglianza per controllare eventuali furti, da collegare ai dati dell’inventario, ecco che sfrutterebbe in maniera consona i dati non strutturati per mettere a punto attività di Audit.

81 _{Roshan Ramlukan}

88

Ovviamente il criterio di economicità continua ad occupare un posto privilegiato negli obiettivi delle imprese, quindi l’individuazione e l’analisi dei Big data deve essere condotta nel rispetto di questo principio, affinchè ci sia utilità per le organizzazioni.

In generale, i cambiamenti nell’attività di Audit hanno inevitabilmente finito per coinvolgere e modificare anche l’attività di revisori, ai quali sono richieste competenze sempre maggiori e più specifiche; bisogna evitare che ci siano diversità di comportamento tra i vari auditor, uniformando il tutto secondo dei criteri standard di revisione che includano tutte le nuove esigenze.

Il processo di integrazione tra i Big data e la funzione Audit presenta numerosi ostacoli, sebbene essi non siano insormontabili.

Il primo è rappresentato dall'acquisizione dei dati: se i revisori non sono capaci di assimilare in modo adeguato i dati aziendali, non saranno neanche in grado sviluppare delle analisi accurate da utilizzare durante l'attività.

Storicamente l'estrazione dei dati non è mai stata un’attività fondamentale nell'ambito dell'Audit, e le aziende non hanno necessariamente questa competenza; questo fa si che, per rimettersi in carreggiata, l’impresa svolga molteplici tentativi ed un sacco di avanti e indietro tra l'azienda e l'auditor per acquisire i dati. Oggi l'estrazione si concentra principalmente sui dati di contabilità generale. Tuttavia, l'adozione di Big data per supportare l'audit comporterà l'acquisizione di altre informazioni utili, come ad esempio i dati inerenti alle entrate o quelli relativi al ciclo di approvvigionamento per i processi aziendali chiave. Ciò aumenta la complessità dell'estrazione dei dati ed i volumi da elaborare.

Aspetti critici derivano anche dalla salvaguardia delle informazioni che i clienti offrono alle organizzazioni. I Big data hanno molto valore soprattutto perché trattano informazioni rilevanti che, proprio per la loro natura, ci si aspetta che non vengano diffuse a terze parti. È importante

89

che venga trasmesso un senso di fiducia al consumatore circa l’aspetto della privacy, in modo che esso sia più invogliato ad intavolare relazioni con l’organizzazione.

Inoltre è opportuno considerare che il processo di integrazione dei dati nella funzione Audit, presuppone che venga effettuata una combinazione tra dati tradizionali e Big data. Queste due fonti sono ugualmente importanti per le procedure di controllo, nonostante si riferiscano a diversi tipi di informazioni. Mentre i dati contabili tradizionali sono per lo più quantitativi e strutturati, i Big data includono anche dati non strutturati e semi-strutturati che offrono elementi probanti ed informazioni più dettagliate. “L'aggiunta di Big data può migliorare la sufficienza,

l'affidabilità e la rilevanza degli elementi di analisi, migliorando ulteriormente la qualità della revisione.”83 In breve, il compito degli auditor dovrebbero essere innanzitutto quello di identificare e mappare i big data potenzialmente utili, quindi raccogliere e unire i dati.

Ciononostante, l'aggregazione dei dati a questo livello va incontro a svariati problemi, principalmente riconducibili all’incompatibilità degli elementi; i Big data non essendo strutturati sono privi di un identificatore comune.

In un contesto del genere, le competenze dei revisori risultano fondamentali: la qualità dell’integrazione tra dati interni ed esterni, è strettamente collegata al livello di capacità in possesso dell’auditor, che per svolgere il proprio lavoro, deve riuscire a sviluppare conoscenze informatiche oltre che possedere abilità in materia di revisione. Qualora non abbia nel proprio bagaglio tecnico le giuste skills, il revisore è costretto a rivolgersi a soggetti terzi che lo aiutino nell’assolvimento dei propri compiti. Anche i professionisti IT esperti, tuttavia, avranno bisogno di tempo per adattarsi ai nuovi sistemi. Un software basato su grandi quantità di dati può essere piuttosto costoso per l'impresa se si considerano anche i costi associati alla formazione di nuovi dipendenti.

83 _{Yoon (2017)}

90

Cosi come nei contesti di applicazione dei Big data visti in precedenza, anche in questa funzione le imprese riescono ad ottenere maggiore conoscenza rispetto agli strumenti tradizionali .

In generale, con lo sviluppo della Big Data analytics è possibile analizzare in maniera distinta dati relativi ad ambiti che nei periodi precedenti non venivano presi in considerazione, perché impossibili da poter analizzare senza fare ricorso alle macchine.

91

5. CONCLUSIONI

La disponibilità di Big Data, unitamente alla gestione delle informazioni e alla creazione di nuovi strumenti di raccolta, ha prodotto una rivoluzione epocale nella storia dell'analisi dei dati. La convergenza di queste tendenze ha creato l’opportunità per le imprese di poter studiare i dati in modo rapido ed economico; queste capacità non sono né teoriche né banali. Rappresentano un vero balzo in avanti ed una grossa opportunità di realizzare enormi guadagni in termini di efficienza, produttività, fatturato e redditività.

Le aziende saranno quindi nella condizione di affrontare un’innovazione orizzontale. Questo processo avrà bisogno di tempo, di pesanti investimenti in tecnologie e know-how fortemente specializzato, ma il risultato finale permetterà loro di raggiungere un vantaggio competitivo, nell’ottica del lungo periodo, senza precedenti.

I vantaggi legati all’analisi dei Big data sono da attribuire in gran parte alle analisi predittive, indirizzate a conoscere le aspettative dei consumatori e a prevedere la possibile domanda futura di beni e servizi; inoltre, le analisi predittive permettono di applicare la conoscenza delle informazioni, per una migliore organizzazione della stessa.

Nell’elaborato è stato messo in evidenza come, sebbene adesso si stia incominciando a capire l’importanza dell’introduzione di elementi innovativi in azienda, l’utilizzo dei Big data rimane ancora abbastanza circoscritto rispetto al suo completo potenziale, specialmente per quel che riguarda il contesto nazionale.

I trend di crescita ci lasciano comunque ben sperare per il futuro, ed i primi a beneficiarne saremo proprio noi consumatori.

Il “prezzo da pagare” per ricevere offerte su misura e trattamenti personalizzati sarà quello di fornire alle imprese informazioni, anche strettamente personali, sui nostri stili di vita ma i vantaggi che potremmo trarre sono di gran lunga più grandi.

92

D’altra parte le aziende, sfruttando i dati, amplieranno la loro sfera conoscitiva ad ambiti fino a questo momento nascosti, ed inevitabilmente il processo organizzativo ne risentirà in modo positivo; essere nelle condizioni di immagazzinare, gestire, analizzare ed usare i Big data permette alle imprese di accrescere la propria base informativa, studiando da punti di vista differenti un determinato evento.

Non è un caso infatti che i Big data riescano a portare benefici ad imprese operanti in settori industriali per caratteristiche molto diversi tra loro, come dimostrato nella tesi, e che abbiano un impatto importante praticamente in ogni singola funzione aziendale.

Per questi motivi è necessario che i manager capiscano l’importanza di raccogliere dati e di ricavare utilità da essi.

Poter disporre di un dataset qualitativamente elevato e ampiamente affidabile permette di creare una base informativa per assumere le giuste decisioni.

In definitiva quando parliamo di Big data e sistemi di analytics facciamo riferimento a qualcosa di rivoluzionario e, come ogni rivoluzione, anche essa è destinata a lasciare un segno indelebile sul modo di operare delle aziende.

A testimonianza di questo, la creazione di nuove figure professionali come il data scientist, indicano come le esigenze nel panorama competitivo stiano cambiando e le aziende che sono presenti sul mercato sono costrette ad adattarsi ai mutamenti per poter continuare a generare profitti. Le organizzazioni che usano bene i big data valgono mezzo miliardo in più dei concorrenti84, quindi la via da intraprendere è ben delineata e visibile a tutte le aziende.

84 _{Wired (2018)}

93

BIBLIOGRAFIA

1. Accenture (2014), “Big success with Big Data”.

2. Alessandro Rezzani (2013), “Big Data: Architettura, tecnologie 
e metodi per l’utilizzo


di grandi basi di dati”.

3. Alessandro Rezzani (2017), “Big Data Analytics. Il manuale del data scientist”.

4. Andrew McAfee and Erik Brynjolfsson (2012), “Big Data: The Management

Revolution”. Harvard Business Review .

5. Ariker M.M.T. (2013), “Five Roles You Need on Your Big Data Team”. Harvard Business Review .

6. Barlow Mike, “Real-Time Big Data Analytics: Emerging Architecture”.

7. Bernice P. (2013), “The emergence of big data technology and analytics”. Journal of Technology.

8. Camedda Alessandra (2018), “Big data e assicurazioni”.

9. Christian Racca, Leonardo Camiciotti (2015), “Creare valore con i big data: Gli strumenti, i processi, le applicazioni pratiche”.

10. Cisco (2016), “Internet of Things At a Glance”

11. Cokins Gary (2013), “Driving acceptance and adoption of business analytics”.

12. Emel Aktas (2017), “An Exploration of Big Data Practices in Retail Sector”.

13. Erik Brynjolfsson (2016), “The Rapid Adoption of Data-Driven Decision-Making”. 14. Erin Hitchcock (2018), “Big Data Use Cases for Retail.”

15. Francesco Suman (2018), “Sorvegliati speciali della Rete: big data e democrazia”.

16. Harford, T. (2014), “Big data: are we making a big mistake?”. Financial Times Magazine.

94 17. Ivana Dvorski Lacković, Vladimir Kovšca, Zrinka Lacković Vincek (2016),

“Framework for big data usage in risk managementprocess in banking institutions”.

18. James Simonetta (2015), “I Big data”. 19. Jay Kassing (2016), “What Is Big Data”.

20. Jay Lee, Edzel Lapira, Behrad Bagheri, Hung-an KaoRecent (2013), “Advances and trends in predictive manufacturing systems in big data environment”.

21. Jeanette Wing (2018), "What is Data Science?".

22. Jongsawas Chongwatpol (2015), "Prognostic Analysis of Defects in Manufacturing". 23. Kayyali B., K. D. (2013), “The big-data revolution in US health care: Accelerating

value and innovation.”

24. Katalin Bódi (2018), “Ten big data use cases in manufacturing”. 25. Lin Zhang (2016), “Challenges and Opportunity with Big Data.”

26. Lucrezia Berto (2018), “Big data e Antitrust: l’importanza dei dati nelle acquisizioni, il caso WhatsApp”.

27. McKinsey Global Institute (2011), “Big Data: the next frontier for innovation, competition, and productivity”. McKinsey & company.

28. Mike Barlow (2016), “Migrating Big Data Analytics into the Cloud”, O’Reilly Media.

29. Philip Kotler (2017), “Marketing 4.0, moving from traditional to digital”.

30. Sinan Ozdemir (2017), “Data Science: guida ai principi e alle tecniche base della scienza dei dati”.

31. Teerlink M., S. P. (2014), “The new hero of big data and analytics. The Chief Data

Officer”. IBM Global Business Services.

32. Thang (2017), “Big Data: Implications for the Audit Profession”. 33. Thomas Davenport (2015), “Big data al lavoro”.

34. Tian Jin (2015), “The Innovation Research of Public Management Model Based on Big Data”.

95

SITOGRAFIA

1. “Mobility, Social, Big Data and Cloud to radically transform the online retail industry” (http://www.iamwire.com/2014/02/mobility-social-big-data-cloud-radically-transform- online-retail-industry/25039

2. “La trasformazione digitale della Pubblica Amministrazione”, Team per la trasformazione digitale.

(https://teamdigitale.governo.it/assets/pdf/Relazione_TeamTrasformazioneDigitale_ITA

_30set.pdf)

3. “Internet of Things and Big Data Analytics forSmart and Connected Communities”

(https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7406686)

4. “Business analytics (BA)”

(https://searchbusinessanalytics.techtarget.com/definition/business-analytics-BA)

5. “Crescono gli investimenti su Big Data & Analytics: come e perché?” (http://www.ingenium-magazine.it/crescono-gli-investimenti-sui-big-data-analytics- come-e-perche/)

6. “People analytics” (https://labourlaw.unibo.it/article/view/6860/6629)

7. “Che cos’è il vantaggio competitivo? Come si fa a crearlo? Dove si trova?”

(https://www.econopoly.ilsole24ore.com/2018/10/25/vantaggio-competitivo/)

8. “Business Intelligence vs. Business Analytics: What’s The Difference?”,

(https://www.betterbuys.com/bi/businessintelligence-vs-business-analytics/)

9. “How the Internet of Things Changes Big Data Analytics”, (http://data-

informed.com/how-the-internet-of-things-changes-bigdata-analytics/)

10. “Data Scientist: The Sexiest Job of the 21st Century” (https://hbr.org/2012/10/data- scientist-the-sexiest-job-of-the-21st-century)

96