让数据“说话”，用数据驱动内部审计工作

马春丽 中国农业银行审计局直属分局

随着信息技术的发展，特别是机器学习和人工智能技术的兴起，大数据技术在商业银行内部审计领域的应用越来越广泛。为适应大数据背景下审计工作的需要，促进审计业务与大数据技术的深度融合，国内各大型商业银行积极推进审计数字化转型，内部审计已经由传统审计模式逐步转变为大数据审计模式，并取得了丰硕的审计成果。

一、研发智能化审计系统

依托业务数据高度集中的优势，各大型商业银行运用大数据技术架构建立了全行统一的审计基础数据库，相继研发了智能化的审计系统。它将各类业务数据进行沉淀、清洗、存储，并将业务流转换为数据流，将审计人员的业务审计思路转换为数据审计思路，并运用相关大数据处理技术从业务数据中提取有价值的审计信息，形成审计判断，得出审计结论。通过审计系统客户端，审计人员既可运用Python编程、RPA(机器人流程自动化)、SQL(结构化查询语言)等工具编制审计模型，对全量业务数据开展总体数据分析和特征分析，也可直接查询分析原始账表、基础账表、模型账表和外部导入数据，对审计业务开展审计抽样、审计查证、数据汇总等工作。

二、建立合理的项目组织架构

在传统的审计项目中，审计组主要由审计组长、业务主审和审计人员组成。大数据审计背景下，审计组配置中增加数据主审角色，充分发挥数据主审和其他各项目角色的作用，是做好审计项目的基础和关键。审计组长对于大数据分析工作要充分发挥作用，统筹组内资源，做好布置安排，从研究审计方案到项目汇总阶段，将大数据分析贯穿项目始终，指导组内业务主审、数据主审和审计人员，充分运用大数据分析手段，选取样本，确定审计重点、疑点线索并现场查证。数据主审要切实履行职责，通过新技术、新工具和编制审计模型，辅助审计组长开展大数据分析，辅导其他审计人员编制、完善审计模型。审计人员要树立用数意识，建立数据思维，积极提出审计思路、参与数据分析，用数据手段解决实际问题，提升业技融合能力和数据分析能力。

三、夯实大数据分析技术基础

大数据分析模型利用计算机强大的算力，按照设定的模型规则实现特定的逻辑分析任务，其建立和训练高度依存于相应的数学体系。数据分析人员除了要掌握数据库技术、机器学习理论和计算机编程技术，还要具备扎实的概率与数理统计等数学基础知识。数据分析人员可通过学习并参加各类数据分析师和编程等考试的方式，发挥以考促学的作用，打好大数据分析基础。此外，还要结合业务风险环节和主要风险点，熟悉相关业务系统功能和数据结构，提升把业务逻辑快速转化为技术逻辑的能力，并能根据审计思路、系统数据结构的变化和模型预期结果，不断修正模型思路，更好实现审计目标。

审计人员具备数字化审计思维，达到业技融合的基本素养，才能有效应用大数据分析技术。业务人员和技术人员需各自发挥所长，充分沟通，深度配合。业务人员要熟悉所审单位的业务制度、流程、风险环节和主要风险点，并能深入思考，提出业务逻辑清晰、切实可行的审计思路。技术人员要能够根据业务需求，快速熟悉业务系统架构、系统功能和数据结构，把业务逻辑快速转化为技术逻辑。

四、充分运用大数据分析成果

大数据分析技术改变了传统审计模式，将Python编程、RPA、机器学习等新技术、新方法，广泛运用到审计数据采集、数据处理、数据分析等方面，提升了审计工作的效率和质量。在审计项目各阶段，都要充分运用大数据分析结果，才能确保其应用效果的最大化。在审前分析阶段，可运用随机抽样方法，对被审业务开展总体分析和特征分析，并进行审计抽样，确保审计样本的代表性和客观性，减少抽样误差。在现场审计阶段，可运用RPA(机器人流程自动化)技术，按预设的规则和流程，查找、收集审计样本的基本信息和风险信息，发挥其批量获取数据的优势。

五、及时总结提高大数据分析精准度

大数据分析技术应用以审计结果为导向，目的是将业务审计经验、审计思路和审计方法转化为数据逻辑，并根据客观数据分析形成审计成果，通过审计成果反映大数据分析的精准度。审计人员在运用大数据分析模型结果表过程中，如果发现数据分析结果与被审对象实际风险特征不符，可在原模型审计思路基础上，结合新出现的风险特征提出完善建议，由大数据分析人员及时完善已有模型。审计人员也可以根据新的风险特征重新梳理审计思路，由大数据分析人员编制新的审计模型，进一步提高模型结果精准度和模型适用性。

大数据分析技术是一种工具，是数字化审计的引擎，更是一种思维模式。在商业银行内部审计工作中，大数据分析技术的应用已经成为一个常态化且贯穿全项目流程的工作内容。运用好大数据分析技术必将进一步提高审计的广度、深度和精准度。随着银行业务线上化、智能化的迅速发展，银行内部审计工作对语音识别、文本生成和图像识别等非结构化数据的处理需求越来越多，AI大模型方兴未艾，是今后银行内部审计大数据分析技术的发展趋势。