Tratamiento de las excepciones (atípicos) en el uso de la analítica de datos en auditoría

Abstract

[ES] Nos encontramos en un momento marcado por la digitalización y las nuevas tecnologías. Este contexto está incidiendo profundamente en la profesión de auditoría, a fin de obtener una mayor calidad y eficiencia a la hora de desempeñar los encargos de auditoría. En este sentido, la analítica de datos de auditoría (ADA), a través de las diferentes herramientas, permite analizar grandes cantidades de datos, permitiendo, entre otros aspectos, obtener una mayor evidencia de auditoría. Sin embargo, la posibilidad de analizar mayores volúmenes de datos, gracias a esta tecnología creciente, ha llevado a un problema común en los auditores: cómo abordar el gran volumen de valores atípicos que se obtiene tras el uso de la ADA. Así pues, el presente artículo muestra diferentes guías que abordan el tratamiento de estos valores atípicos, concretamente, en las pruebas sustantivas de detalle. Con todo ello, se pretende que los auditores tengan la capacidad de identificar y priorizar los mismos, con el objeto de focalizarse en aquellas partidas que, efectivamente, tengan mayor probabilidad de contener incorrecciones o errores.

[EN] Nowadays digitalisation and new technologies are present on our reality. Consequently, these events have had an impact on the auditing profession, in order to obtain a higher quality when carrying out audit assignments. Hence, audit data analytics (ADA), with the use of different tools, allows the analysis of large amounts of data, allowing, among other features, to obtain greater audit evidence. However, the ability to analyze larger volumes of data, due to new technologies, has led to a common problem for auditors and audit firms: how to address the large volume of outliers in the use of Audit Data Analytics. Thus, this article shows different guides that address the treatment of these outliers, specifically, in substantive tests of detail. In conclusion, it is intended that auditors and audit firms can identify and prioritize them, in order to focus on those items that, indeed, are more likely to contain misstatements or errors.