基于数据挖掘的在线审计模型设计.docVIP

基于数据挖掘的在线审计模型设计 　　摘 要随着在线审计系统的运行和管理，在线审计已经积累了海量的数据资源，为了能够更好的挖掘数据中潜在的知识，提高在线审计的准确度，帮助人们进行决策，论文分析了在线审计模型引入数据挖掘算法的必要性，同时描述了数据挖掘算法的背景理论及作用，分析了在线审计系统的功能，设计了一个强大的基于数据挖掘的在线审计模型，更好地保证在线审计快速性、准确性和有效性。 　　【关键词】在线审计 数据挖掘 预处理 　　1 引言 　　随着世界经济的全球化、一体化的发展，企业规模越来越大，经营的业务也日渐复杂，传统的审计模式已经不能够达到预期的效果，导致世通、安然等产生大量的财务舞弊事件，这些财务舞弊事件给世界经济的发展带来了严重的危害，也凸显了传统的人工审计、分期审计模式存在许多的缺陷和问题，人们亟需引入新的设计方法或模式，弥补传统审计存在的风险。光纤通信、移动通信、数据仓库等信息技术的发展促进人们进入“互联网+”时代，人们提出了许多的自动化审计系统，这些审计系统能够实现自动化、持续化、实时化的审计管理，系统的运行积累了海量的数据资源，激增的数据隐藏着更多的有价值的信息，能够帮助人们识别财务舞弊线索，但是也带来了较为严重的问题，这些问题包括以下几个方面： 　　（1）数据量过大，无法实时的获取有用的信息。审计系统经过多年的运行，由于这些系统运行积累了海量的数据资源，这些数据量非常大，一般的审计系统无法很好地利用这些信息，因此不能够对审计决策作出帮助。 　　（2）数据格式不一致，难以处理。不同的企业、经济体运行均采用不同的审计系统，因此审计系统产生的数据格式不一致，这些信息难以整合在一起，不利于人们进行统计和分析。 　　（3）数据不断运行和发展，但是财务舞弊的模型较为固定，没有自学习功能，因此许多的数据审计模式都是滞后的，这种不同步性给财务舞弊风险识别带来了巨大的风险，更加不利于审计发现。 　　（4）审计分析方法落后。传统的数据分析方法较为落后，仅仅采用固定的模式，因此这些工具不能够实时的从广度和深度进行学习和分析，为在线审计提供了强大的接口，但是在线审计系统的电子化、网络化发展和普及应用也为财务舞弊隐藏的更深，这样就难以识别。 　　因此，为了能够解决上述问题，人们提出在在线审计系统中引入数据挖掘技术，构建一种动态学习的审计模型，可以实时的发现数据中隐藏的有价值的信息，这些模式均隐藏在大型数据库、数据仓库中，其可以为数据集提供一个全面而深刻的认知，高度抽象和概况数据信息内容，将人们对数据的感性认识提升到理性认识，因此将数据挖掘技术应用于审计工作具有重要的作用和意义。 　　2 相关背景理论 　　数据挖掘是一种大数据分析方法，其可以从数据中寻找隐藏的知识信息，数据挖掘的结果通常划分为两种模型，分别是描述型和预测型。描述型的数据挖掘任务可以从刻画数据库中相关的数据相关特性，预测数据可以针对海量数据中隐藏的知识进行预测和推断。数据挖掘的主要功能包括以下几个方面，分别是聚类分析、分类和预测、偏差检测、关联序列分析等。 　　2.1 关联和序列分析功能 　　数据库中保存着海量的审计数据信息资源，并且这些审计数据信息资源存在极大的关联关系，并且也是变量之间存在的某种相关规律，关联的功能主要是寻找潜在的相关审计知识内容。分析内容的相关性可以增加时间属性，因此数据挖掘功能可以实现的关联分析与序列发现功能，一种是简单关联关系、一种是时序关联关系，为了能够更加清晰的展示简单关系，比如在企业审计过程中，企业购买车辆的同时肯定会购买车辆保险，这就是一个简单关联关系；企业为了办公方便，购买激光打印机一个月之后，肯定会采购硒鼓，这就是时序关联关系，在大型数据集中，产生关联的规则非常多，一般可以使用可信度和支持度进行筛选。 　　2.2 分类和预测功能 　　数据挖掘最为关键的功能之一是数据分类，在线审计过程中，政企单位最期望的就是能够分类审计数据内容，并且预测未来的审计，按照不同的属性将审计内容划分到一个个的分类模型，这样就可以更好的利用专家知识实现审计内容分类化、清晰化管理。预测管理可以利用审计内容上下文信息，预测审计对象的发展趋势。 　　2.3 聚类 　　如果一个审计内容数据集缺乏详细的描述信息，无法采用任何已知的在线审计分类模式对其进行筛选，此时可以采用聚类分析方法，在无监督学习环境中，将审计内容划分为多个簇，同时保证簇间的相异性，尽可能的保持簇内高度相似性、同构性，把符合发展规律的审计数据划分到一个类别，把不同类别的数据划分为一个类别，这样就可以区分正常数据和异常数据。 　　2.4 偏差检测 　　偏差检测又被称为离群点检测，可以发现正常数据流中存在的一个重要功能，并且可以发现企业财务舞弊过程中的不正常内容，可以从正