第二節 數字化審計循環

從數字化審計的兩大基本任務可以看出，數字化審計不是輛“單程車”，而是以目標為導向的“理論—實踐—理論”的循環，且是一個不斷迭代、能力呈現螺旋式上升的循環。

從公司經營管理的層面看，數字化審計是數字化應用于商業決策的一個子集，總體而言也需要遵循數據分析挖掘的基本規則和路徑。在此前提下，數字化審計結合內部審計工作的特點，形成了特有的數字化審計循環。

一、CRISP-DM：跨行業數據挖掘標準流程

數據分析挖掘業界比較通用的流程是CRISP-DM，CRISP-DM是Cross-Industry Standard Process for Data Mining的縮寫，即“跨行業數據挖掘標準流程”。該流程是由SPSS、NCR等公司牽頭發起的一個跨行業的通用流程，不僅供技術人員、數據科學家使用，也適合不同行業的數據分析人員在分析挖掘數據時應用。

嚴格說來，CRISP-DM是一種知識發現（Knowledge Discovery in Database，KDD）過程模型，在KDD過程模型中占領先位置。經典的CRISP-DM模型也是數據分析的通用流程，主要包括以下內容。

（一）業務理解

業務理解（Business Understanding）階段主要是確定數據分析挖掘項目的目標和結果評價標準，評估項目可行性，分析可用的資源、約束條件等，提出項目推進計劃。

（二）數據理解

數據理解（Data Understanding）階段主要根據項目的目標進行數據收集，進行探索性分析，描述數據，評估數據質量。探索數據中的子集，根據對數據的洞察，形成對隱性信息的假設。

（三）數據準備

數據分析行業有句經典的話：“垃圾進，垃圾出”（Garbage in, garbage out）。數據準備（Data Preparation）階段就是要在理解和熟悉數據的基礎上，使用適當的工具對原始數據進行清洗、多源融合、格式化、變換等操作，選擇合適的數據維度，為模型提供原料。

（四）建模

根據已有的數據，選擇合適的建模（Modeling）技術和工具，并對同一問題可應用的多種建模技術進行探索和比較，模型應簡單、可靠、可解釋性高。在這一階段，可能需要根據模型的構建和優化修正數據。

（五）評估

根據對業務的理解和項目目標的要求，對模型進行評估（Evaluation），確認業務和模型的結合是否能清楚進行解釋、是否存在重大遺漏。在評估過程中，應關注模型運行的前提、邊界等，以及是否存在風險。在評估的基礎上，平衡成本、風險和收益，最終決定是否部署模型。

（六）部署

開發模型的目的不僅是洞察數據、獲得知識和見解，更重要的是要將獲得的知識和見解以客戶能夠使用的方式展示出來。需要將模型嵌入業務決策或者風險管理流程中，并形成相應的結果報告。這個環節就是部署（Deployment）環節。

在CRISP-DM中，始終以基于業務理解的業務目標為導向，六個階段循環，不斷迭代，以無限接近或達到目標，如圖2-3所示。

圖2-3 CRISP-DM循環

資料來源：SPSS CRISP-DM 1.0。

二、數字化審計循環

基于CRISP-DM，結合內部審計的特點，形成數字化審計循環：形成思路—數據準備—分析挖掘—核實查證—總結提煉—完善思路。該循環是一個閉環，如圖2-4所示。

圖2-4 數字化審計循環

（一）形成思路

整個數字化審計循環始于思路，這里的思路是廣義上的思路，包括管理判斷、審計經驗、風險規則、監測閾值、數理模型、挖掘算法等。

（二）數據準備

有了思路后，根據不同思路對數據的要求，確定內外部數據源，進行數據申請、采集、融合和清洗，構建中間表。

（三）分析挖掘

根據思路，對數據進行分析挖掘，并在此過程中不斷優化思路，形成問題清單或者列出需要現場查證的疑點。

（四）核實查證

對于問題清單或疑點，通過現場和非現場方式進行核實查證。在核實查證過程中，根據區域差異、審計對象反饋等進行擴展和延伸。

（五）總結提煉、完善思路

根據查證的情況進行擴展并進行總結提煉，根據問題查證情況和核實過程中發現的新因素，對原有的思路進行修正或形成新的思路。如此不斷進行循環和迭代。