Deloitte トーマツ50Th

AUDIT ANALYTICS®

データサイエンスや大規模データ分析基盤を、積極的に監査プロセスに導入。
経験則では捉えきれない傾向や異常を集約・顕在化することで、
監査人の思考・理解力を補完し、新たな洞察を獲得します。

01Audit Analytics®

Audit Analytics®の役割

企業の財務・非財務データを様々な属性情報や外部データと組み合わせ、
分析・視覚化。Deep Learningなどの機械学習や時系列予測モデルの活用により、
データに裏打ちされた新たな洞察を獲得し、被監査会社との深度ある
コミュニケーションに貢献します。

監査現場におけるデータサイエンスの活用

Audit Analytics®による
データ分析事例を紹介します。

導入事例02子会社リスク評価分析

企業の特性に応じた子会社リスク評価システムを監査に導入。独自のリスクスコアリングモデルの活用によって、子会社が抱える各種リスクの多面的な理解と定量的な原因分析を可能に。グループ監査の強化で、ガバナンス向上に寄与します。

リスクおよび指標設計

在庫回転期間、予算の達成状況、人事ローテーションなどの財務・非財務指標を活用し、企業に応じたリスクの定義とリスク評価と指標を決定

データの視覚化

同一条件で比較すべき子会社のデータを分析、評価

リスク評価

算出されたリスクスコアの重みや偏差から子会社別の原因を分析し、追加的な検証や現地往査を実施

導入事例03工事進行基準分析

プロジェクトの特性毎に、工期や原価利用進捗率などの推移を視覚化。傾向の異なる案件を識別し、リスクの早期発見に寄与します。また、長期プロジェクトに対しては、赤字案件の予測モデルを活用し、減損の兆候を早期に把握します。

導入事例04予測モデリング(Predictive Analytics)

AIやBig Dataを活用し、従来以上に広範な分析要素を取り入れ予測モデルを構築。例えば、事業や店舗の減損を検討する際、監査人はリスク案件の予測や業績予想の妥当性をモデルが算出した具体的な数字をもとに検証の上、経営者と協議することができます。

導入事例05Magnet(AIによる異常仕訳抽出)

異常仕訳抽出「Magnet」。当ツールは、機械学習とレコメンドアルゴリズム(リフト値)を活用し、異常な仕訳を高精度に検知。監査人は、抽出された結果を活用することで、詳細な検証を行えます。

機械学習を用いて、異常な金額を識別
STEP1日々の仕訳データを読込
STEP2情報利得が高くなる基準を設定し、
機械学習を実行
STEP3グループごとの金額分布を作成し、
平均金額との乖離度で
異常を識別
レコメンドアルゴリズムを用いて、
異常な仕訳の組合せを識別
STEP1日々の仕訳データを読込
STEP2AIが勘定科目の組合せごとに
リフト値を活用してスコアリング
STEP3リフト値の小さな仕訳を発見し
異常を識別
Audit Analytics®は、有限責任監査法人トーマツの登録商標です。