Data-analytiikan ja Big datan hyödyntäminen jatkuvassa sisäisessä tarkastuksessa

Abstract

Jatkuva sisäinen tarkastus on yksi keskeisimmistä tavoista, joilla organisaatiot voivat vahvistaa riskienhallintaansa ja sisäistä valvontaansa reaaliaikaisesti. Data-analytiikalla ja Big datalla on tunnistettu olevan merkittävä potentiaali tämän tarkastusmallin kehittämisessä, sillä ne mahdollistavat laajojen tietoaineistojen automaattisen analysoinnin, poikkeamien havaitsemisen ja ennakoivan riskien tunnistamisen. Sisäinen tarkastus raportoi havainnoistaan organisaation johdolle ja hallitukselle, minkä kautta tieto välittyy myös laajemmalle sidosryhmäjoukolle.

Aiemmat tutkimustulokset viittaavat siihen, että data-analytiikan käyttöönottoon sisäisessä tarkastuksessa vaikuttavat niin tekniset kuin organisatorisetkin tekijät. Tutkimuksia on tehty runsaasti, mutta huomattavasti pienempi osa niistä tarkastelee systemaattisesti sitä, millä edellytyksillä analytiikka tosiasiallisesti parantaa tarkastuksen vaikuttavuutta. Erityisesti sosiaalisen tuen, resursoinnin, IT-osaamisen ja riskienhallinnan varmennusroolin yhteyttä data-analytiikan hyödyntämiseen on tutkittu verrattain vähän.

Tutkielman tavoitteena on selvittää, miten data-analytiikkaa ja Big dataa voidaan hyödyntää jatkuvassa sisäisessä tarkastuksessa sekä millaiset edellytykset tukevat niiden käyttöönottoa. Tutkielmassa tarkastellaan sisäistä tarkastusta ja jatkuvaa tarkastusta toimintamalleina, data-analytiikkaa ja Big dataa sekä niiden tietojärjestelmällistä perustaa että käyttöönottoon vaikuttavia tekijöitä. Kirjallisuuskatsauksen pohjalta johdetaan neljä hypoteesia empiiristä jatkotutkimusta varten.

Tutkielman tulokset osoittavat, että data-analytiikan ja Big datan hyödyntäminen parantaa jatkuvan sisäisen tarkastuksen ajantasaisuutta, tarkkuutta ja vaikuttavuutta. Hyötyjen realisoituminen edellyttää kuitenkin teknisen kyvykkyyden ohella organisatorisia edellytyksiä, kuten johdon tukea, riittävää resursointia ja IT-osaamista sekä analytiikkaa tukevaa organisaatiokulttuuria. Lisäksi Big data -ympäristö korostaa tietosuojan ja datan laadunhallinnan merkitystä. Tulevaisuudessa aihealueeseen tarvitaan lisää empiiristä tutkimusta, joka huomioi organisaatiokohtaiset erot sekä analytiikan käyttöönottoon vaikuttavien tekijöiden vuorovaikutuksen.

Continuous internal auditing is one of the most important ways in which organizations can strengthen their risk management and internal control in real time. Data analytics and Big Data have been identified as having significant potential for developing this audit model, as they enable the automated analysis of large datasets, the detection of anomalies, and the predictive identification of risks. Internal audit reports its findings to the organization’s management and board, through which information is also conveyed to a broader group of stakeholders.

Previous research findings suggest that the adoption of data analytics in internal auditing is influenced by both technical and organizational factors. Although a considerable amount of research has been conducted, a much smaller proportion of it systematically examines the conditions under which analytics actually improve the effectiveness of auditing. In particular, the relationship between social support, resourcing, IT competence, and the assurance role of risk management and the utilization of data analytics has been studied relatively little.

The aim of the thesis is to examine how data analytics and Big Data can be utilized in continuous internal auditing and what kinds of conditions support their adoption. The thesis explores internal auditing and continuous auditing as operating models, data analytics and Big Data, as well as their information systems basis and the factors influencing their adoption. Based on the literature review, four hypotheses are derived for further empirical research. The findings of the thesis show that the use of data analytics and Big Data improves the timeliness, accuracy, and effectiveness of continuous internal auditing. However, the realization of these benefits requires not only technical capability but also organizational conditions, such as management support, sufficient resources, IT competence, and an organizational culture that supports analytics. In addition, a Big Data environment highlights the importance of data protection and data quality management. In the future, more empirical research is needed on this topic, taking into account organization-specific differences and the interaction of factors affecting the adoption of analytics.