All academic Accounting programs around the world are ranked annually by

BYU. For many years now, the Accounting Information Systems (AIS) group at
RBS has led the world in the application of information technology to the
audit profession. We are very proud to announce that the just-released BYU
rankings for 2019 confrm again the continued success of Rutgers Business
School in both AIS and audit research:

1
 Digital Library

Content
• Undergraduate, Graduate, PhD, & Audit Analytics Content

Undergraduate Graduate PhD Audit Analytics Certifcate

• Introduction to Financial
Accounting
• Introduction to Managerial
Accounting
• Intermediate Accounting I
• Intermediate Accounting II
• Advanced Accounting
• Auditing Principles
• Management and Cost
Accounting
• Accounting Information
Systems
• Business Law I
• Business Law II
• Federal Taxation I
• Accounting in the Digital Era
• Computer Augmented
Accounting
• Decoding of Corporate
Financial Communications
• Accounting Principles • Special Topics in • Introduction to Audit
and Practices Accounting Analytics
• Information Technology • Survey of Accounting • Special Topics in Audit
• Government and Not- Information Systems Analytics
for-Proft Accounting • Current Topics in Auditing • Information Risk
• Advanced Auditing and • Machine Learning Management
Information Systems • Tutorials for Risk
• Advanced Accounting Management
• Corporate Taxation
• Income Taxation
• Income Tax Estate and
Trust
Monitoramento contínuo com visualização interativa de dados:
Um aplicativo para o processo de folha de pagamento de saúde

Guangyue Zhang, Hilal Atasoy, Miklos Vasarhelyi

Rutgers Business School

4
QUESTÃO DE PESQUISA
• Design Science Research: Build and evaluate artifacts to meet business needs, and
the goal is utility (Hevner et al., 2014)
1. Identifcar problemas únicos de negócios
– Melhoria da garantia dos processos de negócios
– Evitar perdas e reduzir o custo da conformidade com monitoramento
contínuo proativo e inteligente
– Aliviar a sobrecarga cognitiva do gerenciamento de informações
2. Artefatos de design
– Um design sistemático de artefato de CM de dupla fnalidade dentro de uma estrutura
 Avaliação de risco: operação abrangente de alto nível e resumo de violação de controle

 Identifcar transações notáveis: detecção multidimensionais de anomalias

– Orientar a gestão para analisar fatores de risco, formalizar verifcações de controle e
utilizar tecnologias emergentes de análise de dados
3. Integrar o artefato com infraestrutura técnica do ambiente de negócios e evoluir o
design
5
– Implementação de um processo de folha de pagamento de saúde que obtenha um
 CONTRIBUIÇÃO
1. Imaginamos que a visualização de dados interativos, o painel e
os algoritmos de detecção de anomalias com machine learning,
possa aliviar a sobrecarga de informações para gerenciamento
em CM.
2. Evidências reais sobre a melhoria dos aspectos econômicos e co
mportamentais do processo de monitoramento e
controle, documentando como acontece.
A evidência é de um parceiro da indústria, alcançando total
autonomia com CM.
3. Poucos estudos examinaram a difculdade do gerenciamento em
superar a sobrecarga de informações para um alto nível de
segurança. A estrutura proposta, incluindo o desenvolvimento,
aplicação e manutenção de artefatos, é uma orientação valiosa
para os profssionais que a seguirem. 6
ESTRUTURA DE DESIGN CM
• Etapa 1: Avaliação de Risco e defnição de pontos de controle
– Determinar o processo de negócios alvo, considerando fatores de risco signifcativos e
reorganizando os pontos de controle existentes
• Etapa 2: Preparação de Dados
– Compreender a estrutura da base de dados relacional do sistema em uso
– Extração de dados do sistema de pré-processamento: removendo valores ausentes,
corrigindo o formato dos dados, mesclando dados de diferentes fontes
• Estágio 3: Desenvolvimento do modelo CM
– Painel de operação e violação para avaliação de risco
– Painel de detecção de anomalias para identifcação de itens notáveis
– Confrmação de materialidade e escopo de inspeção e exame de item notável
• Etapa 4: Implementação e avaliação do modelo CM
– Verifção das funções e reengenharia do processo de monitoramento de controle
– Implementação da ferramenta no dia-a-dia da operação do processo de
negócios, alcançando a estrutura completa.
7
ESTRUTURA DE DESIGN CM
• Design dos artefato de CM sistemático com a linha do tempo
do processo de negócios

8
 ILUSTRAÇÃO DO DESIGN DO CM
• Trabalhamos com uma empresa de auditoria e um de seus clientes na Austrália
para assurance sobre folha de pagamento, no ano fnanceiro de 2019 com a
estrutura de CM proposta
• O cliente da área de saúde está altamente motivado para implementar a estrutura
de CM na folha de pagamento
• O sistema de folha de pagamento do nosso hospital parceiro é muito
representativo com desafos únicos que os sistemas de folha de pagamento de
saúde enfrentam.
• Despesas com folha de pagamento que representam 70% de custos operacionais totais

– O ano fscal de 2019 inclui os tempos desafadores da pandemia COVID-19

– O Hospital tem quase 10.000 funcionários em várias profssões e disciplinas, com alta
rotatividade de pessoal, altos custos de subsídios para preencher turnos vagos, horas
extras, licenças remuneradas e feriados

• O serviço de folha de pagamento atual ainda depende muito do processamento9

ILUSTRAÇÃO DA ESTRUTURA DE DESIGN CM DE 4
ESTÁGIOS
• Estágio 1 e 2: Avaliação de risco e defnição de pontos de
controle e preparação de dados
– Classifcação dos dados relacionados à folha de pagamento no sistema ERP, com

a criação de dicionário de dados

– Centralizar todos as verifcações de controle atuais da equipe de serviço de folha

de pagamento de acordo com as rubricas salariais

– O nível de materialidade (erro aceitável) e o escopo da inspeção são predefnidos

para cada ponto de controle, e a frequência de monitoramento é defnida para ser

quinzenal, igual aos períodos de pagamento
– Usabilidade básica do Tableau com aquisição da licença e acesso.

10
 ESTÁGIO 3: DESENVOLVIMENTO DO MODELO CM
1. Reavaliação de risco com painel de operação e violação
 Propósito: A gestão obtenha conhecimento aprofundado sobre as situações operacionais corporativas
e fraquezas de controle
 Ferramenta: Tableau (Anoshin et al., 2019), visualização interativa baseada em interface de usuário
amigável
 Etapas: Confgurar painel, importar dados do sistema ERP, exibir resumos do índice de desempenho
do processo de negócios e controlar violações de verifcação. Com recursos de classifcação, fltragem
e detalhamento
2. Painel de detecção de anomalias para identifcação de itens notáveis
 Propósito: Fornece uma plataforma de trabalho para inspeção de anomalias
 Ferramenta: Tableau, programação Python, biblioteca pyod
 Etapas: Exibir violações de verifcação de controle em um nível individual. Utilizado o KNN e o
codifcador automático para produzir anomalias imparciais e manualmente indetectáveis. Redefnindo
a frequência de monitoramento e realocando o esforço manual de acordo com a necessidade.
3. Confirmação de materialidade e escopo de inspeção e exame de item notável
 Propósito: Confrmação de materialidade e escopo de inspeção e exame de item notável 11
DETECÇÃO DE ANOMALIA DE SEGUNDA FASE
 Métodos de detecção de anomalias
– Métodos baseados em regras
 Falso Positivo (escala de pagamento diferente, condições que evoluem com o
tempo)
 Falha ao capturar fraude
– Métodos baseados em dados
 Aprendizado com o comportamento comum dos dados
 Dimensões latentes (não está claro o que constitui anomalias)
DETECÇÃO DE ANOMALIA DE SEGUNDA FASE
 Propósito
– Detectar pagamentos extremos e outros indices anormais de
pagamento
 Algoritmo de detecção de anomalias
– K-NN Clustering:
 Um tipo de técnica de machine learning não supervisionada baseada em proximidade

 Engenharia de atributos, objetivo: evitar centros de cluster feitos à mão

 Taxa de contaminação mais baixa para codifcador automático

Outliers para funcionários nos principais Outlier para funcionários dispersos
centros de custo

Absolute basic
pay amount
Normaized
basic pay
amount

13
Normalized other pay Absolute other pay
 DETECÇÃO DE ANOMALIA DE SEGUNDA FASE
 Algoritmo de detecção de anomalias
– Propósito:
 Detectar séries de pagamentos anormais
– Auto-encoder:
 Um tipo de rede neural: ajuste hiperparâmetros para A estrutura de Auto-
encoder
recriar a sequência de pagamento de entrada
 As anomalias são as que apresentam maior perda de re-
criação
Sequência Sequência gerada por
 Próxima etapa: Processo generativo latente para mais
original modelo
interpretação
Um exemplo de
payment

anomalia

Um baixo nível de
pagamento constante
antes de COVID não é
típico
14
Pay cycle Pay cycle
ETAPA 4: IMPLEMENTAÇÃO E AVALIAÇÃO DO MODELO

15
 AUDITAR COM A FERRAMENTA CM (METODOLOGIA
MADS)
Pagamento de itens notáveis para cada filtro

• Painel de controle do
CM: nova evidência
– Auditoria externa: teste de
controle interno
 Abordagem de amostragem
tradicional
 Uma amostra de 69 e
nenhuma anomalia
detectada
 Os controles internos que
cobrem o fator de risco 3,4
podem não ser efcazes
 Itens notáveis: 15.496
transações

16
AVALIACAO POR PARTE DO AUDITOR
EXTERNO
• 1. Oportunidades
• Aplicacao de auditoria analitica em controles internos:
auditoria continua
• Quando foi executada a auditoria (o tempo inteiro)
• Evidencia mais confavel
• Menos trabalho manual
• 2. Difculdades
• Auditoria analitica requer alta competencia tecnologica

17
OBRIGADO POR PARTICIPAR

MEU CONTATO

MIKLOSV@RUTGERS.EDU

18