Artikel om Datadrivet Beslutsfattande

Mot en Revision av Modernt Datadrivet Beslutsfattande

Taggar: Artificiell intelligens, Datadrivet beslutsfattande, Datadriven beslutsfattning

I affärsvärlden tjänar den klassiska finansiella revisionen det viktiga syftet att ge ett externt utlåtande om huruvida de finansiella rapporterna är korrekta och har upprättats i enlighet med relevanta internationella och nationella standarder och bestämmelser. I detta avseende säkerställer finansiell revision både extern överensstämmelse och korrekthet, så att interna operativa beslut kan fattas på grundval av korrekt finansiell information – båda dessa är viktiga pelare för ett hållbart och etiskt affärsbeteende.

På Decision Labs AB ser vi finansiell revision som ett viktigt steg i en klassisk, men ändå mycket relevant, datadriven beslutsprocess. I det här fallet kan vi föreställa oss att de datadrivna indata är finansiell information som fakturor och kontoutdrag. På grundval av dessa uppgifter måste viktiga företagsbeslut fattas, inklusive faktabaserade beslut: ”Hur mycket skatt ska betalas? Vilka är våra nuvarande skulder?” och beslut som kräver framåtblickande prognoser, t.ex. ”Har vi råd att investera i en ny fabriksbyggnad med tanke på våra beräknade intäkter under de kommande sex månaderna?”.

Inom området för finansiell revision har väletablerade internationella ramar för finansiell rapportering utvecklats för att på ett strukturerat sätt stödja de datadrivna beslutsprocesserna. Vissa av dem är numera så standardiserade att vi ofta inte ens funderar två gånger innan vi tillämpar dem i dag. Ett bra exempel på en sådan bästa praxis är uppfinningen av den moderna formen av dubbel bokföring som uppfanns av florentinska handelsfamiljer på 1200-talet och som t.ex. beskrevs av Luca Pacioli i hans bok ”Summa de arithmetica, geometria, proportioni et proportionalita” från 1494.

Den klassiska verktygskedjan för revision och modernt datadrivet beslutsfattande

När vi utvecklar strategier för allmänt datadrivet beslutsfattande för våra kunder anser vi att många av skälen till att utföra en klassisk finansiell revision även gäller för mer allmänna typer av datadrivet beslutsfattande. I sin moderna iteration bygger dessa datadrivna beslutsprocesser ofta på avancerade statistiska eller maskininlärningsbaserade tekniker, indata i massiv skala och avancerad visualisering.

Tyvärr är även grundläggande frågor om informationens tillförlitlighet och riktighet som redan är svåra att besvara i den klassiska finansiella revisionen tyvärr svåra att besvara. Dessa frågor är ännu mer komplicerade att besvara i den moderna miljön eftersom algoritmer för maskininlärning tränas på indata som kan uppvisa en rad olika problem, från bias till ofullständighet, och algoritmerna i sig kanske inte har några underliggande teoretiska garantier.

En bra översikt över några av de aspekter som måste täckas av en revision finns t.ex. i en vitbok från 2020 för offentliga revisorer från Finlands, Tysklands, Nederländernas, Norges och Förenade kungarikets högsta revisionsorgan, som finns tillgängliga online här, och många ramverk undersöks för närvarande för att utföra revision i detta scenario, inklusive CRISP-DM ramverket och nyligen genomförda EU-projekt, t.ex. https://tailor-network.eu/, som berör granskningsbarhet som en del av tillförlitlig artificiell intelligens.

Detta nya område kräver nya färdigheter och samarbete med experter på maskininlärning som tidigare inte var involverade i revisionsprocessen, men trots tekniska skillnader kan många av de viktigaste faserna i en klassisk revision översättas och anpassas till denna miljö:

Fas av revisionen	Klassisk revision	ML-revision
Förfrågan	Informationsinsamlingsprocess, diskussion med kunden för att fråga om underliggande dokument och uppgifter.	Samma sak, men med nya intressenter som datavetare, CIO och databastekniker.
Inspektion	Inspektion av dokument, transaktioner och underliggande registrerad information.	Liknande, men med ett större antal datamängder av större storlek och hastighet. Kräver t.ex. tillgång till databaser, versionskontrollerad programvara och utbildningsdatamängder.
Observation	Observera att kunden genomför interna förfaranden.	Liknande, men även mer komplexa automatiserade aktörer/programvarupipelines.
Bekräftelse	Bekräftelse av transaktioner med hjälp av tredje part, t.ex. banker, kunder osv.	Liknande, men även undersökning av resultat från använda automatiserade verktyg för beslutsfattande/programvara/maskininlärningsmodeller.
Omberäkning	Revisorerna räknar om de viktigaste stegen och gör kontroller, t.ex. av kontosaldon.	Liknande, men mer teknisk - t.ex. enhetstestning av databehandlingssystem/modeller för maskininlärning.
Återuppförande	Revisorn upprepar självständigt förfaranden som normalt utförs av kunden.	Oberoende genomförande av automatiserade beslutsprocesser, benchmarking och jämförelse med alternativa grundlösningar.
Analytiska förfaranden	Utvärdera finansiell information med hjälp av analysverktyg	Utvärdering med hjälp av avancerad statistik och maskininlärningsteknik, angrepp från motståndare, prestanda vid distributionsförändringar osv.

Revisionstjänster för maskininlärning på Decision Labs AB

Tyckte du att det här ämnet var relevant för din organisation? Kom och boka ett samtal med oss för att prata om vilken roll datadrivna beslutsfattande baserade revisionsprocedurer kan spela i din organisation!