Phân tích dữ liệu lớn trong vai trò phát hiện sai sót và gian lận trong hệ thống kế toán

TS. Ngô Nhật Phương Diễm

Trường Đại học Tài chính – Marketing

Tóm tắt

Để đánh giá vai trò của phân tích dữ liệu lớn đối với phát hiện sai sót và gian lận trong hoạt động kế toán, bài viết thông qua phương pháp nghiên cứu tài liệu và thông qua các bài báo được công bố trên các tạp chí uy tín. Kết quả phân tích tài liệu đã cho thấy, phân tích dữ liệu lớn tăng cường phát hiện sai sót và gian lận trong hoạt động kế toán, thông qua các phương thức, như: tích hợp với dữ liệu lớn từ nhiều nguồn, sử dụng các thuật toán tinh vi để phát hiện nghiệp vụ bất thường; hay kết hợp phân tích dữ liệu lớn với chuyên môn kinh nghiệm của con người; kết hợp phân tích dữ liệu lớn với kiểm soát nội bộ; hay kết hợp với giám sát và cảnh bảo theo thời gian thực. Kết quả của bài viết làm nền tảng cơ sở quan trọng đối với nghề Kế toán, thông qua cung cấp hướng dẫn để cải thiện cách thức phòng ngừa gian lận ra quyết định dựa trên dữ liệu và phát triển chuyên môn cho kế toán.

1. Giới thiệu

Quá trình số hóa ngày càng tăng của thế giới, cung cấp loại dữ liệu có khối lượng lớn và tốc độc cao (dữ liệu lớn), mang đến nhiều cơ hội đổi mới trong hoạt động Kế toán – Kiểm toán  (Bhimani & Willcocks, 2014; Vasarhelyi & cộng sự, 2015). Khả năng khai thác và phân tích khối lượng dữ liệu khổng lồ đã cải tiến cách xử lý phát hiện và giảm thiểu sai sót, cũng như cung cấp công cụ để bảo vệ tính toàn vẹn tài chính của đơn vị.

Phân tích dữ liệu lớn, đề cập đến quá trình trích xuất những hiểu biết và mô hình có giá trị từ những tập dữ liệu lớn, phức tạp, mà những phương pháp hay kỹ thuật truyền thống không thể xử lý được. Phân tích dữ liệu lớn thông qua công nghệ tiên tiến như khai thác dữ liệu, trí tuệ nhân tạo có thể phát hiện những hoạt động bất thường, hoạt động gian lận của đơn vị, các sai sót và gian lận trong kế toán có thể gây ra những hậu quả nghiêm trọng như tổn thất tài chính, thiệt hại về danh tiếng như sự kiện Enron, Worldcom, Xerox,… Các phương pháp kế toán truyền thống đối mặt với những thách thức do sự tăng trưởng theo cấp số nhân của dữ liệu, sự phức tạp ngày càng tăng và sự leo thang của hoạt động gian lận. Trong bối cảnh đó, phân tích dữ liệu lớn cung cấp một phương thức mới mang tích cách mạng, mang lại cơ hội nâng cao độ chính xác và cơ chế phát hiện, phòng ngừa gian lận hiệu quả (Allioui & Mourdi, 2023; Lee, 2023). Vì vậy, bài viết này nhằm mục đích khám phá và xem xét BDA có thể đóng góp như thế nào vào việc phát hiện sai sót và ngăn ngừa hoạt động gian lận trong quy trình kế toán, nên câu hỏi được đặt ra phân tích dữ liệu lớn có thể ảnh hưởng đến việc phát hiện và ngăn ngừa như thế nào gian lận trong hoạt động kế toán?

Để giải quyết câu hỏi trên, nghiên cứu sử dụng phương pháp thu thập tài liệu để khám phá và phân tích các tài liệu hiện có về chủ đề này thông qua các bài báo trên các tạp chí trên các cơ sở như Scopus, Web of Science, Google Scholar, ScienceDirect. Các từ khóa được sử dụng để tìm kiếm bài báo, như: Phân tích dữ liệu lớn, Phát hiện lỗi, Ngăn ngừa gian lận, Quy trình kế toán, Hoạt động kế toán. Sau khi thu thập tài liệu liên quan, tác giả tiến hành phân tích kỹ lưỡng các bài báo để tìm kiếm những phát hiện mới về tác động tiềm tàng của BDA đến sai sót và gian lận trong quy trình kế toán. Năm tác động tiềm tàng của BDA đến phòng ngừa sai sót và gian lận trong quy trình kế toán được phát hiện là chất lượng và tính toàn vẹn; quyền riêng tư và bảo mật; giám sát và cảnh báo theo thời gian thực; tích hợp với kiểm soát nội bộ; kinh nghiệm – chuyên môn của con người. Chính những phát hiện này cung cấp một khuôn khổ toàn diện để kiểm tra tác động BDA đến phòng ngừa sai sót và gian lận trong quy trình kiểm toán. Nội dung này được trình bày cụ thể tại mục 3 của bài báo này.

2. Khung lý thuyết

2.1. Một số khái niệm

Dữ liệu lớn

Khái niệm về dữ liệu lớn vẫn còn non trẻ và có nguồn gốc không chắc chắn, dù khái niệm này hiện nay được sử dụng khá phổ biến (Gandomi và Haider, 2014). Khái niệm dữ liệu lớn bắt nguồn từ cuộc trò chuyện trên bàn ăn trưa tại Silicon Graphics vào năm 1990 (Diebold, 2012), nhưng xuất hiện đầu tiên trong tài liệu học thuật từ đầu năm 2000, trong thống kê và kinh tế lớn, nơi dữ liệu lớn được sử dụng (Diebold, 2003). Theo Gartner, Inc đã định nghĩa về dữ liệu lớn là tài sản có thông tin lớn, tốc độ cao và đa dạng, đòi hỏi các hình thức xử lý thông tin sáng tạo, hiệu quả về mặt chi phí để nâng cao hiểu biết sâu sắc và ra quyết định. Tương tự, Tech America Foundation định nghĩa dữ liệu lớn là thuật ngữ mô tả khối lượng lớn có  tốc độ cao, phức tạp và có thể thay đổi, đòi hỏi các kỹ thuật và công nghệ tiên tiến để cho phép thu thập lưu trữ, phân phối, quản lý và phân tích thông tin (TechAmerica Foundation’s Federal Bid data commission, 2012). Theo Laney, (2001) dữ liệu lớn có 03 đặc điểm: khối lượng (số lượng lớn), vận tốc (xử lý tốc độ cao) và tính đa dạng (dữ liệu không đồng nhất). Hơn nữa, khi số lượng dữ liệu lớn hơn trở nên có sẵn thì khái niệm về dữ liệu lớn cũng được mở rộng và phát triển thêm như tính xác thực (IBM, 2019); giá trị (Anuradha, 2015), tính biến đổi (Fan & Bifet, 2013), hay cũng như tính toàn diện (Mayer-Schönberger & Cukier, 2013), tính mở rộng (Warren & Marz, 2015) và độ phức tạp (Perry, 2018).

Phân tích dữ liệu lớn

Bản thân dữ liệu lớn không mang lại ý nghĩa (Gandomi & Haider, 2015) nó chỉ mang lại giá trị khi được sử dụng cho việc ra quyết định, nên các công ty cần phải có quy trình xử lý để chuyển dữ liệu lớn từ những dữ liệu đa dạng, thay đổi liên tục thành những dữ liệu có ý nghĩa và giá trị (Gandomi & Haider, 2015). Do đó, theo KPMG, (2016) phân tích dữ liệu có thể được định nghĩa, là các quy trình mà thông tin chi tiết được trích xuất từ hoạt động, tài chính và các dạng dữ liệu điện tử khác trong nội bộ hoặc bên ngoài tổ chức.

Phân tích dữ liệu còn là quá trình trực quan hóa và trình bày dữ liệu bằng cách sử dụng các công cụ, cơ sở hạ tầng và phương pháp để hiểu rõ hơn về dữ liệu lớn (Mikalef & cộng sự, 2015) hay theo quan điểm của Cao và cộng sự, (2015) thì phân tích dữ liệu lớn là quá trình kiểm tra, làm sạch, chuyển đổi và lập mô hình dữ liệu lớn để khám phá, truyền đạt thông tin và mẫu hữu ích, đề xuất kết luận và hỗ trợ ra quyết định. Đơn vị sử dụng các kỹ thuật khác nhau như phân tích thống kê và định lượng, cũng như các mô hình giải thích và ngoại suy để điều tra dữ liệu có cấu trúc và phi cấu trúc để cung cấp thông tin hữu ích và ra quyết định. Các kỹ thuật BDA thường sử dụng để phân tích dữ liệu có cấu trúc và phi cấu trúc trong thời gian thực, gồm: phân tích văn bản, phân tích âm thanh, phân tích video, phân tích phương tiện truyền thông xã hội và phân tích dự đoán.

2.2. Khuôn khổ lý thuyết

Hiện nay, có nhiều khuôn khổ lý thuyết làm nền tảng cho nghiên cứu về tác động của BDA đến sai sót kế toán và phát hiện gian lận. Các lý thuyết được đề cập trong nghiên cứu này gồm lý thuyết kế toán thực chứng, lý thuyết đại diện và lý thuyết các bên có liên quan.

Lý thuyết kế toán thực chứng (PAT) được sử dụng để giải thích việc nhà quản lý lựa chọn các hoạt động kế toán. PAT được áp dụng để đánh giá tác động thực tế và hiệu quả của phân tích dữ liệu lớn trong việc giảm lỗi trong kế toán và phát hiện gian lận trong kế toán. Lý thuyết kế toán thực chứng sử dụng các phương pháp tiếp cận dựa trên dữ liệu để đánh giá cách thức BDA thực hiện ảnh hưởng đến sao chép lỗi, phát hiện gian lận và đánh giá độ chính xác của kế toán một cách toàn diện (Watts & Zimmerman, 1986; Zhang & Andrew, 2021). Lý thuyết kế toán thực chứng cung cấp cái nhìn sâu sắc về sự tích hợp BDA với kiểm soát nội bộ, với mục đích tăng cường phòng chống gian lận, tăng cường năng lực phòng ngừa và tăng cường khuôn khổ kiểm soát (Wang & cộng sự, 2021). Nhiều nghiên cứu đã áp dụng nguyên tắc PAT làm nổi bật lợi ích của việc tích hợp BDA và kiểm soát nội bộ trong việc cải thiện xác định rủi ro, tính minh bạch của quá trình kiểm toán và phòng ngừa gian lận (Chen & cộng sự, 2020; Zhang & cộng sự, 2022). Ngoài ra, lý thuyết thực chứng cho rằng, cách giám sát và cảnh bảo theo thời gian thực, góp phần vào gia tăng lợi ích của doanh nghiệp bằng cách bảo vệ sự lành mạnh về tài chính, giảm thiểu tổn thất (Santos & cộng sự, 2022).

Lý thuyết đại diện là lý thuyết được sử dụng để giải thích xung đột lợi ích giữa người quản lý và chủ sở hữu do sự tách biệt quyền sở hữu (Jensen & Meckling, 1976) và giải thích sự hội tụ giữa dữ liệu lớn và kế toán. Theo lý thuyết đại diện, việc tích hợp công nghệ dữ liệu lớn có thể tăng cường hiệu quả giám sát, tăng tính minh bạch và gia tăng chất lượng công bố thông tin nên giảm xung đột lợi ích, giảm chi phí đại diện (Jensen & Meckling, 1976), cải thiện cơ chế phát hiện gian lận và giảm thiểu các hoạt động gian lận (Chen & cộng sự, 2020).  Do đó, việc sử dụng BDA theo lý thuyết đại diện có thể phát hiện sai sót, ngăn ngừa gian lận trong báo cáo tài chính (Ibrahim & cộng sự, 2021). Theo lý thuyết đại diện, giám sát và cảnh báo theo thời gian thực cung cấp cho nhà quản lý khả năng giám sát tốt hơn, cải thiện tính minh bạch, giảm khả năng xảy ra các hoạt động gian lận (Ferreira & cộng sự, 2021). Hơn nữa, theo lý thuyết đại diện, bằng cách tích hợp BDA với thủ tục kiểm soát nội bộ tổ chức có thể tăng cường kiểm soát, giám sát các hoạt động của nhà quản lý nên giảm chi phí đại diện, cải thiện trách nhiệm giải trình (Lee & cộng sự, 2019;  Chen & cộng sự, 2019; Zhang & cộng sự, 2023).

Lý thuyết các bên có liên quan cho rằng, các bên có liên quan khác nhau sẽ có những lợi ích và nhu cầu khác nhau (Freeman, 1984). Lý thuyết các bên có liên quan hỗ trợ nghiên cứu BDA trong kế toán, vì lý thuyết này giúp hiểu được tầm quan trọng của việc cung cấp thông tin cho các bên liên quan, các hoạt động tiết lộ và đạo đức được xem xét trong bối cảnh BDA trong kế toán. Đồng thời, giúp hiểu được động lực của tổ chức trong việc tăng cường khả năng ra quyết định xây dựng quy trình và cải thiện trách nhiệm giải trình của bên liên quan trong thời đại dữ liệu lớn (Winoto và cộng sự, 2022). Đồng thời, tích hợp BDA với các thủ tục kiểm soát nội bộ góp phần gia tăng lợi ích của các bên liên quan bằng cách cải thiện quản lý rủi ro, tuân thủ quy định và bảo vệ danh tiếng (Kang & cộng sự, 2022; Zhang & cộng sự, 2022). Ngoài ra, lý thuyết các bên liên quan cũng nhấn mạnh tầm quan trọng của việc giám sát và cảnh báo theo thời gian thực trong kế toán với quan điểm đảm bảo tuân thủ các quy định, giảm thiểu rủi ro về danh tiếng và duy trì lòng tin của các bên liên quan, bảo vệ lợi ích của khách hàng, nhân viên (Alonso & cộng sự, 2020; Almeida & cộng sự, 2022).

3. Tác động tiềm tàng của phân tích dữ liệu lớn đến sai sót và phát hiện gian lận trong quy trình kế toán

3.1. Chất lượng và tính toàn vẹn của dữ liệu

BDA với công nghệ tiên tiến tích hợp dữ liệu từ nhiều nguồn nên BDA, có vai trò quan trọng trong việc phát hiện và ngăn chặn gian lận. BDA tận dụng tiến bộ công nghệ để tăng cường phòng chống gian lận (Sivarajah & cộng sự, 2017). Việc tích hợp dữ liệu từ các nguồn khác nhau, cung cấp lợi thế trong việc xác định hoạt động bất thường và từ đó có thể xác định các hoạt động gian lận (Smith & cộng sự, 2020). 

Các công cụ BDA cung cấp cái nhìn toàn diện về một hoạt động của tổ chức, cải thiện việc phát hiện những sai lệch và gian lận tiềm ẩn. BDA với phương pháp tiếp cận tích hợp nên nâng cao hiệu quả của hệ thống phát hiện gian lận (Hilal & cộng sự, 2021; Batko & Shlizak, 2022). Chất lượng dữ liệu là yếu tố quan trọng ảnh hưởng đến khả năng phát hiện gian lận và BDA có vai trò quan trọng trong việc bảo đảm dữ liệu sạch và hợp lệ. BDA với thuật toán tiên tiến nên dễ dàng phát hiện sự khác biệt, phát hiện dữ liệu trùng lắp, phát hiện các giá trị ngoại lệ và những vấn đề đó có thể là các hoạt động gian lận. Thông qua cải thiện chất lượng dữ liệu, BDA nâng cao độ chính xác của các mô hình phát hiện gian lận, giảm khả năng báo động sai, cho phép đơn vị phân bổ nguồn lực hiệu quả và quá trình này nâng cao độ tin cậy của quy trình phát hiện gian lận.

3.2. Kinh nghiệm và phán đoán của con người

Phân tích dữ liệu lớn được thiết kế để phát hiện và ngăn chặn gian lận kế toán, nhưng chuyên môn và phán đoán của con người vẫn là yếu tố quan trọng (Mclean & Hopkins, 2022).

Shang & cộng sự, (2023) cho rằng, các chuyên gia sở hữu kiến thức chuyên môn và kinh nghiệm nên hiểu được những thiếu sót trong thuật toán của BDA. Bằng kinh nghiệm và chuyên môn của mình, các chuyên gia có thể điều chỉnh các thuật toán và tích hợp phản hồi gian lận trong thế giới thực, tái sử dụng thông số để phát hiện gian lận chính xác và kịp thời hơn (Mclean & Hopkins, 2022).

Faisal & cộng sự, (2023) cho rằng, con người có thể điều hướng phức tạp và những tình huống mơ hồ mà thuật toán trong BDA có thể gặp phải và họ có thể áp dụng chuyên môn, trực giác để xác định các chỉ số gian lận ẩn mà hệ thống tự động không thể phát hiện. Vấn đề đạo đức cũng được quan tâm, khi xây dựng hệ thống phát hiện gian lận thông qua BDA (Zhang & cộng sự, 2022). Khi phát hiện gian lận, các chuyên gia con người đánh giá tính hợp pháp của các phương pháp được sử dụng bởi BDA và sử dụng xét đoán, để cân bằng giữa yêu cầu phát hiện gian lận và quyền được bảo vệ danh tiếng của cá nhân. Do đó, phát hiện gian lận bằng BDA là một quá trình phức tạp, cần có sự kết hợp giữa công cụ BDA và con người. BDA cung cấp khả năng xử lý dữ liệu lớn còn con người có kiến thức cơ bản về lĩnh vực, bối cảnh cụ thể, trực giác và khả năng tư duy phản biện, khả năng xử lý tình huống mơ hồ (Smith & cộng sự, 2020), nên việc tích hợp con người cùng với công nghệ BDA nâng cao hiêu quả và độ tin cậy của hệ thống phát hiện gian lận.

3.3. Bảo mật và bảo mật dữ liệu

Jain & cộng sự, (2016) cho rằng, quyền riêng tư và bảo mật dữ liệu cũng là vấn đề cần cân nhắc khi phát hiện và ngăn chặn các hoạt động gian lận. Phân tích dữ liệu để phát hiện gian lận liên quan đến thông tin cá nhân, thông tin tài chính nhạy cảm nên việc bảo mật dữ liệu trở nên cần thiết (Borky & Bradley, 2018), nên hệ thống phát hiện gian lận của BDA phải bao gồm quyền riêng tư, phương pháp lưu trữ, ẩn danh dữ liệu và tách biệt thông tin cá nhân từ dữ liệu. Ngoài ra, bảo vệ việc truy cập và dữ liệu trái phép là rất quan trọng (Borky & Bradley, 2018), nên hệ thống BDA cần sử dụng kỹ thuật mã hóa để bảo vệ dữ liệu. Hệ thống BDA tự động nhập liệu và đối chiếu, cho phép kế toán viên tập trung vào chiến lược làm việc, cải tiến hiệu quả, giảm chi phí hoạt động và giải phóng tài nguyên (Novita & Anissa, 2022), nên BDA tạo ra các quyết định kế toán tốt hơn, phân tích dự đoán chính xác hơn (Novita & Anissa, 2022). Tuy nhiên, việc tích hợp BDA vào kế toán đặt ra thách thức liên quan đến quyền riêng tư và rủi ro mạng, vì liên quan đến xử lý một lượng lớn thông tin tài chính nhạy cảm (Ikegwu và cộng sự, 2022; Razavi, 2021). Sự cân bằng, đạo dức và cách tiếp cận chiến lược là điều cần thiết khi tích hợp BDA vào kế toán với ưu tiên bảo vệ dữ  liệu, tính toàn vẹn và đạo đức (Allioui & Mourdi, 2023). Do đó, sử dụng BDA để phát hiện gian lận trong kế toán, đòi hỏi phải tập trung vào quyền riêng tư dữ liệu và anh ninh nên tích hợp BDA cần tuân thủ luật bảo mật dữ liệu, triển khai công nghệ ẩn danh dữ liệu, mã hóa dữ liệu nhạy cảm, thiết lập kiểm soát truy cập mạnh mẽ và kiểm tra bảo mật thường xuyên (Allioui & Mourdi, 2023).

3.4. Giám sát và cảnh bảo theo thời gian thực

Giám sát và cảnh bảo theo thời gian thực đã thay đổi quy trình kế toán, cho phép phát hiện và phản ứng ngay lập tức với các hoạt động đáng ngờ (Bhat, 2023). Giám sát thời gian thực cho phép xác định các hoạt động bất thường, giảm khả năng xảy ra rủi ro tài chính và gian lận (Ikegwu & cộng sự, 2022; Tang & Karim, 2019).  Các nghiên cứu đã thừa nhận, khi đối mặt với khối lượng dữ liệu khổng lồ cần xử lý thì giám sát và báo động theo thời gian thực bị lỗi như báo động giả hay phát hiện chậm trễ (Alles & Gray, 2016; Bose và cộng sự, 2022; Hilal & cộng sự, 2022; Novita & Anissa, 2022). Tuy nhiên, giám sát theo gian thực vẫn có thể hiệu quả và độ chính xác có thể nâng cao trong việc giảm thiểu rủi ro và bảo vệ tính toàn vẹn tài chính so với phương pháp truyền thống (Ibrahim & cộng sự, 2021). Sự ra đời của các thuật toán và phân tích dự đoán, đã cho phép máy tính phân tích lượng dữ liệu khổng lồ trong thời gian thực, cho phép phát hiện các mẫu và giá trị ngoại lệ chính xác. Đồng thời, việc tích hợp các công cụ phát hiện bất thường được hỗ trợ bởi AI, từ đó giảm đáng kể kết quả báo động giả, nâng cao độ tin cậy tổng thể của hệ thống giám sát theo thời gian thực (Novita & Anissa, 2022; Saleh & cộng sự, 2022; Tang & Karim, 2019).

Như vậy, bằng cách tận dụng chất lượng dữ liệu, tích hợp công nghệ BDA với giám sát, cảnh báo theo thời gian thực, các công ty có thể nâng cao khả năng phát hiện và ngăn ngừa gian lận, BDA cung cấp khả năng xác định hoạt động bất thường, cải thiện độ chính xác biểu mẫu phát hiện gian lận, giảm thiểu tổn thất, bảo vệ tài sản và duy trì lòng tin với các bên liên quan (Sivarajah & cộng sự, 2017; Hilal & cộng sự, 2021; Batko & Shlizak, 2022; Ikego & cộng sự, 2022; Tang & Karim, 2019). Giám sát và cảnh bảo theo thời gian thực đã phát triển thành một công cụ thiết yếu trong quy trình kế toán, để xác định các hoạt động gian lận và các giao dịch lỗi bằng cách tích hợp phân tích dữ liệu lớn và công nghệ tiên tiến vào một bối cảnh luôn thay đổi (Tang & Karim, 2019).

3.5. Tích hợp với kiểm soát nội bộ

Một công cụ khá quan trọng để phòng ngừa gian lận là tích hợp BDA với kiểm soát nội bộ thông qua liên kết BDA và với khuôn khổ kiểm soát nội bộ, tích hợp khả năng phát hiện của BDA vào quy trình đánh giá rủi ro và thủ tục kiểm tra kiểm soát (Kukreja & Gupta, 2016; Musa & cộng sự, 2022). Việc tích hợp BDA với kiểm soát nội bộ, bao gồm cải thiện việc xác định rủi ro và tính minh bạch của dấu vết kiểm toán mang lại những lợi ích tiềm năng, nhưng trong giai đoạn đầu vẫn còn những thách thức làm giảm hiệu quả của việc tích hợp này (Quinn & cộng sự, 2018; Musa & cộng sự, 2022). Theo thời gian, sự phát triển mạnh mẽ của công nghệ dữ liệu đã mở ra một kỷ nguyên mới về kiểm soát nội bộ tích hợp – có khả năng cải thiện được vấn đề tích hợp giữa BDA và cơ chế phân tích kiểm soát của kiểm soát nội bộ. Thông qua triển khai dữ liệu tiên tiến và hệ thống giám sát điều khiển do AI nên đã cải thiện thành công môi trường kiểm soát, cải thiện thủ tục phát hiện và cải thiện khả năng xác định các mối đe dọa mới phát sinh (Musa & cộng sự, 2022). Việc tích hợp BDA với thủ tục kiểm soát nội bộ, cho phép các công ty tận dụng BDA như một công cụ chiến lược để giảm thiểu lỗi, gian lận trong quy trình kế toán, tăng cường khả năng kiểm soát, nâng cao hiệu quả và tính linh hoạt của các thủ tục kiểm soát (Adaga & cộng sự, 2024; Tang & Karim, 2019). Tang & Karim, (2019) nhấn mạnh vai trò của BDA trong việc tăng cường kiểm soát nội bộ và quản lý rủi ro, tăng cường khả năng phát hiện gian lận và sai sót. Trong khi đó, Adaga & cộng sự, (2024) nhấn mạnh lợi ích của việc tận dụng khả năng BDA để tăng cường khuôn khổ kiểm soát và khả năng phòng gian lận bằng cách triển khai các nền tảng tích hợp dữ liệu tiên tiến và hệ thống giám sát kiểm soát. Do đó, các tổ chức thông qua tích hợp BDA với hệ thống kiểm soát nội bộ đã cải thiện các thủ tục phát hiện và cải thiện khả năng xác định đối với các mối đe dọa mới xuất hiện (Lee & cộng sự, 2019; Sun & cộng sự, 2020).

4. Kết luận

Nghiên cứu thực hiện nhằm mục đích kiểm tra và xác định vai trò của phân tích dữ liệu lớn, trong tăng cường phát hiện lỗi và phòng ngừa gian lận trong quy trình kế toán. Nghiên cứu tài liệu đã phát hiện ra rằng, BDA mang lại tác động tích cực về mặt phát hiện và ngăn ngừa gian lận. Thông qua tích hợp dữ liệu từ nhiều nguồn, BDA tăng cường hệ thống phát hiện gian lận bằng cách tìm các điểm bất thường. Vấn đề đạo đức của việc sử dụng BDA để phát hiện gian lận cũng được thảo luận, nhấn mạnh tầm quan trọng tính chuyên môn của con người, cũng như giám sát theo thời gian thực, quyền riêng tư và bảo mật của dữ liệu. Nghiên cứu này cung cấp nền tảng lý luận mới, khi phát hiện sự tích hợp BDA vào các phương pháp truyền thống để gia tăng khả năng phát hiện sai sót và gian lận trong quy trình kế toán. Ngoài ra, phát hiện trong nghiên cứu này cũng mang ý nghĩa lớn trong thực tiễn kế toán, đó là các kế toán viên có thể tận dụng công cụ BDA để phân tích bộ dữ liệu, phát hiện sai sót, phòng ngừa gian lận và đảm bảo báo cáo tài chính tin cậy.

Vì nghiên cứu này sử dụng phương pháp phân tích các bài báo hiện có, nên đó cũng chính là hạn chế của nghiên cứu này. Đồng thời, khả năng khái quát hóa và ứng dụng thực tế cũng chính là vấn đề còn tồn tại của nghiên cứu. Do đó, tác giả hy vọng, trong tương lai thông qua nghiên cứu tình huống cụ thể và phân tích dữ liệu thực tế thì những hạn chế sẽ được giải quyết.