빅 데이터의 맥락에서 감사 분석 방법은 무엇입니까?

데이터 마이닝은 명확한 가정 없이 정보를 발굴하고 지식을 발견하는 것이다. 그래서 얻은 정보에는 알 수 없음, 효과, 실용성이라는 세 가지 특징이 있어야 한다. 따라서 데이터 마이닝 기술은 처음부터 애플리케이션 지향적이었습니다. 현재, 데이터 마이닝 기술은 이미 기업 마케팅에 광범위하게 적용되었다. 데이터베이스 마케팅, 고객군 구분, 배경 분석, 교차 판매 등 시장 분석 행위, 고객 손실 분석, 고객 신용 점수, 사기 발견 등이 포함됩니다. 과거에는 감사 부서의 데이터 마이닝이 대량의 데이터를 분석하여 데이터에 문제가 있는지, 문제의 성과를 확인하는 데 초점을 맞추었습니다. 성과 감사가 일어나면서 감사 부서도 데이터를 통해 감사되는 단위의 다양한 행동에 대한 감사 평가를 해야 하며, 이를 위해서는 데이터의 지지가 필요합니다. (윌리엄 셰익스피어, 감사, 감사, 감사, 감사, 감사, 감사, 감사, 감사)

데이터 마이닝은 여러 가지 방법으로 다양한 각도에서 데이터를 마이닝할 수 있습니다. 대부분 감사 업무에 쓸 수 있다. 1. 데이터 일반화. 데이터베이스에는 일반적으로 많은 양의 상세 데이터가 저장됩니다.

데이터 일반화를 통해 많은 작업 관련 데이터 세트를 낮은 개념 계층에서 높은 개념 계층으로 추상화할 수 있습니다. 데이터 일반화는 감사 데이터 분석의 설명 마이닝에 적용될 수 있습니다.

감사자는 다양한 세분성과 각도에서 데이터 세트를 설명하여 특정 유형의 데이터에 대한 개요를 얻을 수 있습니다. 많은 연구에 따르면, 정상적인 재무보고와 비교했을 때,

허위 재무 보고서는 종종 구조적 특징을 가지고 있다. 감사자는 개념 설명 기술을 사용하여 감사된 데이터베이스에 저장된 데이터를 마이닝할 수 있습니다.

속성 개요, 속성 종속성 분석 등의 데이터 개괄 기술을 사용하여 자세한 재무 데이터를 상위 수준에서 표현하여 재무 보고서의 일반 속성 특성 설명을 얻을 수 있습니다.

감사원이 허위 재무보고를 판단할 수 있는 근거를 제공한다. 2. 통계 분석. 회귀 분석, 계수 분석 및 판별 분석을 포함한 모형 기반 방법입니다.

이 방법은 데이터를 분류하고 예측하는 데 사용할 수 있습니다. 분류 마이닝을 통해 감사된 데이터베이스의 다양한 데이터 유형에 대한 설명이나 모델을 발굴합니다.

또는 감사자는 설정된 통계 모델을 통해 감사되는 단위의 대량의 재무 또는 업무 내역 데이터를 예측하고 분석할 수 있으며, 분석을 기준으로 예측치를 감사값과 비교함으로써 감사자가 감사 의문점을 파악하는 데 도움을 줄 수 있습니다.

그래서 감사의 중점으로 꼽혔다. 클러스터 분석. 클러스터 분석은 같은 범주에 있는 개체 간의 거리를 최소화하기 위해 유사성에 따라 개체 그룹을 여러 범주로 나누는 것입니다.

서로 다른 유형의 개인 간의 거리는 가능한 한 크며, 이 방법은 서로 다른 정보 사용자에게 서로 다른 유형의 정보 세트를 제공할 수 있습니다. 예를 들어 감사자는 이 방법을 사용하여 조밀하고 희소한 영역을 식별하여 감사되는 데이터의 분포 패턴을 찾을 수 있습니다.

데이터 속성과의 관계를 통해 감사의 중점 영역을 더욱 파악할 수 있습니다. 기업의 재무제표 데이터는 업무 변화에 따라 달라질 수 있습니다. 일반적으로,

실제 재무제표의 주요 항목에 대한 데이터 변화는 일정한 규칙성을 가지고 있다. 예외가 변경되면 데이터의 예외 지점이 중요한 정보를 숨길 수 있습니다.

감사된 보고서를 반영하는 데이터에는 허위 성분이 있을 수 있습니다. 4. 상관 분석. 상호 관계 규칙을 사용하여 데이터베이스를 조작하는 모든 세부 정보 또는 트랜잭션에서 자주 패턴을 추출할 수 있습니다.

그 목적은 데이터에 숨겨진 상호 관계를 발굴하는 것이다. 감사자는 상호 관계 분석을 사용하여 감사되는 데이터베이스의 데이터를 마이닝하고 분석하여 감사되는 데이터베이스의 여러 데이터 항목 간의 관계를 파악할 수 있습니다.

이를 통해 관련 예외가 있는 데이터 항목을 발견하고 이를 바탕으로 추가 분석을 통해 감사 의문점을 찾을 수 있습니다.

둘째,' 빅 데이터' 시대에 대비해 감사분석을 조정해야 한다.

위의 분석 과정에서 우리는' 빅 데이터' 시대의 데이터 저장, 처리, 분석, 발굴이 기존 방법에 비해 기술적으로 크게 달라졌다는 것을 쉽게 알 수 있다. 그러나 기본 원리에는 뚜렷한 변화가 없다. 기존의 감사 분석 모델은' 빅 데이터' 시대의 도래로 인해 그에 따라 변할 필요가 없다. 그러나' 빅 데이터' 시대는 감사분석에 기회를 주는 동시에 우리에게 상당한 충격을 주었다. 우리는 이것에 상당한 주의를 기울이고 미래의 정보화 건설 과정에서 그에 상응하는 조정을 할 필요가 있다.

1, 데이터 저장 및 처리. 빅 데이터 분석의 애플리케이션 요구 사항은 데이터 스토리지 인프라의 발전에 영향을 미칩니다. 구조화 된 데이터와 구조화되지 않은 데이터가 증가하고 데이터 소스의 다양성을 분석함에 따라 기존의 스토리지 시스템 설계는 더 이상 대용량 데이터 응용 프로그램의 요구를 충족시킬 수 없었습니다. 블록 및 파일 기반 스토리지 시스템의 아키텍처 설계는 이러한 새로운 요구 사항에 맞게 조정되어야 합니다. 적절한 스토리지 시스템을 선택할 때 감사 부서는 비정형 데이터를 충분히 중시하고 수집 관련 준비를 해야 합니다. 이와 함께 데이터 수집의 단위와 연한이 늘어남에 따라 데이터 양이 크게 증가할 수밖에 없다. 대용량 데이터 스토리지 시스템도 적절한 수준의 확장성을 가져야 합니다. 스토리지 시스템 확장은 간단해야 하며 모듈이나 캐비닛을 추가하여 다운타임 없이 용량을 늘릴 수 있습니다. 또한 데이터 처리 능력을 향상시키고 입출력 병목 현상을 해결하기 위해 서버의 단순 캐시부터 고성능 플래시 메모리를 통한 전체 솔리드 스테이트 미디어까지 다양한 모드의 솔리드 스테이트 스토리지 장치를 고려할 수 있습니다.

2. 구조화되지 않은 데이터 처리. 구조화되지 않은 데이터의 다양성은 데이터 분석에 새로운 과제를 야기합니다. 데이터를 체계적으로 분석하고 정제할 수 있는 도구 세트가 필요합니다. 의미 엔진은 충분한 인공지능을 설계하여 데이터에서 능동적으로 정보를 추출해야 한다.

3. 시각적 분석. 데이터 분석 사용자는 데이터 분석 전문가와 일반 사용자를 포함하지만, 데이터 분석에 대한 가장 기본적인 요구 사항은 시각화 분석입니다. 시각화 분석은 큰 데이터의 특징을 시각화할 수 있고, 동시에 독자가 쉽게 받아들일 수 있기 때문입니다. 마치 그림을 보고 말하는 것과 같습니다.

"하나의 플랫폼, 두 개의 센터" 건설은 현재 감사국 정보화 건설의 중요한 내용이다. 데이터 센터 건설을 통해 데이터 저장 및 처리 문제를 상당 부분 해결할 수 있습니다. 데이터 기반 감사 분석 플랫폼은 어느 정도 시각화 분석 기능의 상당 부분을 수행할 수 있지만, 구조화되지 않은 데이터의 저장 및 처리가 감사 부서에서 가장 큰 과제가 될 것입니다.