Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AUTOR:
Br. Amanda Núñez
Tutora: Licda. Marivic Molina
INDICE GENERAL
INTRODUCCION
La necesidad de evolucionar que se ha originado gracias a la apertura de
nuevos mercados y sobre todo en lo que respecta a las creaciones de nuevas
tecnologías, ha traído como resultado la expansión de las empresas y aunado a ello, un
incremento del volumen de los procesos y operaciones que se llevan a cabo dentro de
ellas. En ese mismo sentido de cambio, surge también un incremento exponencial de la
información que deben manejar las empresas.
Por esa razón, se torna de vital importancia la adopción de nuevas tecnologías
para lograr capturar todo el flujo de información generado en los negocios. En ese
sentido, nace la Data Analytics, cuya finalidad consiste en examinar el conjunto de
datos que conforman dicha información y de esta forma obtener mejores conclusiones.
Es aquí donde se involucra la auditoría interna, en el sentido de que toda la información
es un aspecto relevante al momento de realizar las auditorías ya que indudablemente
forma parte de la evidencia recopilada.
Ahora bien, aun cuando la auditoría interna ha garantizado el cumplimiento
normativo y proporciona un grado de seguridad importante, actualmente puede no ser
suficiente puesto que sin lugar a dudas, los avances tecnológicos y el incremento del
volumen de los datos abren paso a la necesidad de reinvención en lo que respecta a la
auditoría interna para poder mantener su calidad y eficiencia, manteniendo así su
capacidad de contribución en la toma de decisiones.
Por estas razones, es necesario trabajar en la innovación dentro de la auditoría,
donde podría iniciarse a través de nuevas técnicas para la obtención de evidencia de
auditoría, puesto que en la nueva realidad, no resulta suficiente realizar las técnicas de
muestreo que quizás no aborden en su totalidad la información procesada. De esta
manera, servirá de ayuda la implementación de la Data analytics con objeto de servir
como una nueva técnica para la obtención de evidencia de auditoría.
Por consiguiente, el presente trabajo de investigación está centrado en analizar
el funcionamiento de esta nueva técnica de obtención de evidencia de auditoría,
estructurado de la siguiente manera: inicialmente, se presenta el capítulo I, el cual está
compuesto por el planteamiento del problema, el objetivo general y los objetivos
específicos. Así como también la justificación y la delimitación de la investigación.
Seguidamente, en el capítulo II se presenta el marco teórico que sustenta el presente
trabajo de investigación, en dicho marco se describen los antecedentes de estudio de la
investigación y la fundamentación de las bases teóricas, respectivamente.
Posteriormente, en el capítulo III, se presenta el marco metodológico de la
investigación, donde se identifica el tipo y diseño de la misma, las técnicas e
instrumentos para la recolección de los datos, la población objeto de estudio, las
propiedades psicosomáticas, como lo son la validez y confiabilidad y finalmente el plan
de análisis de datos.
Sucesivamente, en el capítulo IV, se presenta el análisis y la discusión de los
resultados obtenidos a través de la aplicación del instrumento para la recolección de
los datos, tomando en cuenta las bases teóricas que soportan la investigación. Para
6
FUNDAMENTACION
Planteamiento y formulación del problema
En la realidad actual, la mayoría de las organizaciones han crecido de manera
exponencial debido a la apertura de nuevos mercados, lo que ha acrecentado el
volumen de operaciones y, por ende, de datos relacionados a estas; por ello se ha
tornado vital la comprensión de la importancia de poseer mejores formas de capturar
todo el flujo de información que se genera en los negocios.
En base a ello, surgen las analíticas de datos con la finalidad primordial de
examinar los conjuntos de datos con la intención de obtener conclusiones acerca de la
información que contienen, a través del uso de diversos softwares y de sistemas
especializados, los cuales le agregan un valor importante a los procesos
organizacionales a partir de la extracción de conocimientos esenciales y de tendencias.
Existen compañías que conociendo estas ventajas han hecho uso de estas
herramientas obteniendo los mejores resultados, entre ellas se pueden mencionar a
Amazon, Netflix y Apple.
Ahora bien, la auditoría interna lleva tiempo garantizando el cumplimiento
normativo y aportando seguridad. Sin embargo, en la actualidad es posible que ya no
sea suficiente debido a los avances tecnológicos y el incremento del volumen de datos,
los cuales son aspectos importantes que han cambiado las reglas del juego. La
auditoría, en la mayoría de las organizaciones a nivel mundial, no han avanzado junto
con la tecnología y esto ha disminuido su calidad y su eficacia al funcionar como
actividad para contribuir en la toma de decisiones en las empresas (Deloitte, 2016).
Es notable, como las organizaciones actualmente están realizando inversiones
en tecnologías avanzadas, las cuales conllevan a un incremento exponencial de las
operaciones y por ende de la información a procesar, esto incrementa cada día más la
cantidad de procesos y data a ser auditadas, encontrando que los auditores internos
toman una pequeña muestra de esa información para cumplir con su función de
aseguramiento, disminuyendo así cada vez más el nivel de seguridad razonable en
relación al correcto funcionamiento de los procesos.
De acuerdo con el Informe de Auditoría Interna de América del Norte emitido por
el Instituto de Auditores Internos, IIA por sus siglas en inglés, del año 2018, tan solo un
62% de los directores ejecutivos de auditoría han implementado parcial o totalmente el
análisis de datos en el proceso de auditoría, representando una mejora de 42% con
respecto al año anterior, 2017; esto debido al temor que presentan ante la falta de
capacitación de sus auditores y del diseño de los procesos adecuados para la
interpretación de los datos dentro de los departamentos de auditoría interna, pudiendo
ser estas últimas erróneas y afectar la toma de decisiones de las entidades. (Pelletier,
2018)
Cabe destacar, la cuestionabilidad de la calidad de las auditorías internas
efectuadas en las empresas que manejan grandes volúmenes de información debido a
que las muestras de información limitan en gran medida la evidencia a ser obtenida por
los auditores durante la ejecución de su trabajo, teniendo en cuenta una de las
8
Justificación de la Investigación
La presente investigación es importante a nivel teórico debido a que se
sustentará en las definiciones y en los planteamientos presentados por especialistas,
autores e investigadores reconocidos en las áreas de data analytics, big data y auditoría
interna, quienes proporcionan una importante contribución científica a los conocimientos
del área de la auditoría interna en la actualidad, sirviendo de sustento a nivel teórico
gracias a la confrontación de ideas de los distintos especialistas.
A nivel práctico, la presente investigación aportará una guía metodológica, la cual
servirá para la implementación y funcionamiento adecuado de la data analytics en la
función de auditoría interna de la organización, lo cual generará un mayor valor
agregado a las actividades desempeñadas por la unidad, debido a que aumentará los
niveles de confiabilidad de la información para la toma de decisiones de toda la
organización, mejorando así las funciones de aseguramiento y consultoría de la unidad
relativas a la estimación de riesgos, prospección de las eventualidades que puedan
ocurrir dentro de la organización y del aseguramiento de eventos pasados.
La presente investigación se justifica desde el punto de vista de su aporte
metodológico debido a que se diseñó un instrumento de recolección de datos, el cual
servirá como base para futuras investigaciones relacionadas con la data analytics en
relación con la auditoría interna. Así como también, para realizar un estudio del
comportamiento de esta nueva posible técnica para la obtención de evidencia de
auditoría.
Finalmente desde la perspectiva social, esta investigación proporcionará un
aseguramiento en cuanto al funcionamiento correcto y adecuado de las analíticas de
datos existentes, y a su vez aportará una guía metodológica para el funcionamiento de
las mismas en lo referente a los procesos que se ejecuten y requieran revisión dentro
de la empresa. El hecho de que se auditen todas las operaciones de manera
instantánea y oportunamente aplicando la guía metodológica, va a generar un
aseguramiento en la información, lo cual va a beneficiar tanto a los accionistas como a
terceros e incluso a la entrega de los servicios y productos brindados a los clientes.
Delimitación de la Investigación
La investigación se llevó a cabo en el municipio Maracaibo del estado Zulia,
específicamente en el departamento de auditoría interna de la empresa Alimentos del
Zulia, C.A., cuya población objeto de estudio fue el gerente de auditoría y los jefes de
auditoría, en el periodo de tiempo comprendido de enero 2020 a diciembre 2020, cuyos
autores principales fueron Jones (2018); Mitchell, Locke, Wilson, Fuller (2012).
11
MARCO TEORICO
Antecedentes de la Investigación
El primer antecedente a tomar en consideración es el estudio de Lugo y López
(2018) “Analítica de datos con aplicación en un caso práctico, mediante el uso de una
herramienta libre” cuyo propósito fue mostrar el estudio del arte de la analítica de datos
con el desarrollo de un caso práctico de aplicación teórica, así como también la
realización de un estudio sobre las herramientas libres más utilizadas en la analítica de
datos y finalmente seleccionar una herramienta y un caso aplicado que muestre un
modelo de analítica de datos. Las bases teóricas se fundamentan con los siguientes
autores: Witten y Frank (2005) y Rouse (2012).
Entre las conclusiones de la investigación se encontró, que en esencia, la
analítica de datos permite observar un conjunto de tecnologías y arquitecturas
diseñadas para conseguir un mejor rendimiento de grandes volúmenes de información.
Además, al realizar el estudio de las herramientas libres más comunes encontraron que
las cuatro herramientas más populares fueron: Rapidminer, WEKA, Tableau y R, siendo
WEKA la mejor herramienta para quienes desean explorar por primera vez el mundo de
las analíticas de datos, gracias a su facilidad de uso, velocidad, pocos requerimientos y
su interfaz amigable para el usuario. Por último, se denotó el factor clave para la
obtención de beneficios de la analítica de datos, el cual no depende de la capacidad
tecnológica, sino de la capacidad humana para lograr una correcta interpretación de la
información obtenida.
Por último, en cuanto al aporte que ofrece el antecedente mencionado a la
presente investigación radica en base a las conclusiones obtenidas en dicha
investigación, las cuales proporcionan un análisis adicional con respecto a las
herramientas que se emplean para efectuar las analíticas de datos, conociendo así la
opinión de los distintos usuarios de dichas herramientas, incluyendo sus necesidades.
Seguidamente, la investigación de Garvich (2017) titulada: “Propuesta de análisis
de datos no estructurados para generar decisiones oportunas en la empresa GMD.”
Tuvo como objeto determinar el impacto de implementar una propuesta de análisis de
datos no estructurados, con diferentes herramientas como IBM InfoSphere, para
generar decisiones oportunas durante la implementación de los proyectos de la
empresa GMD, utilizando como autores base a Blasiak (2014), Browne (2010), Evans
(2013), Galimany (2014); Mitchell, Locke y Wilson (2012), entre otros.
La investigación tuvo un enfoque cuantitativo de tipo no experimental, siguiendo
un proceso deductivo. Tuvo un alcance correlacional tratándose la variable
independiente: la propuesta de análisis de datos no estructurados y como variable
dependiente la generación de decisiones oportunas donde se analizó el impacto en
tiempos y costos de elaborar una propuesta de análisis de datos no estructurados para
la generación de decisiones oportunas.
Finalmente, los resultados de la investigación arrojaron que el desarrollo de la
propuesta de arquitectura de análisis de datos no estructurados con las herramientas
de la plataforma de IBM, impactan positivamente en la generación de las decisiones
12
Analítica de datos
“La analítica de datos no tiene un significado único y estándar, pero en este
punto, puede verla simplemente como la búsqueda para extraer el significado de los
datos sin procesar mediante el uso de sistemas informáticos especializados.
Esencialmente, estos sistemas organizan, transforman y modelan los datos para extraer
conclusiones y trazar patrones.” Jones, (2018)
Según lo expresado por Deloitte (2014), se refieren a la analítica de datos como
un concepto y no como una tecnología. Dicho concepto abarca un conjunto de
habilidades y procesos que sirven y trabajan entre sí para llevar a cabo la exploración,
la evaluación e investigaciones de las operaciones de negocios que se realizan
diariamente en las empresas.
De acuerdo con lo expuesto anteriormente, la analítica de datos es un proceso
de búsqueda de información en datos que no han sido procesados, pero
indudablemente la extracción de dicha información no se puede obtener sin el apoyo de
sistemas tecnológicos, los cuales dan base para formar opiniones y conclusiones
acerca de distintos aspectos que deben evaluarse en las empresas al momento de
realizar las auditorías.
Esta investigación se basará en lo expuesto por Deloitte, (2014), debido a que
además de mencionar el uso de las tecnologías para obtener información a través de
los datos, también incluye la participación de las habilidades de análisis de los
profesionales, en este caso, los auditores, quienes para realizar la búsqueda de
evidencia y hacer sus evaluaciones deben combinar sus habilidades y su experiencia
con la tecnología para tener conclusiones más exactas.
14
este modo a encontrar o eliminar las causas de los problemas, por ello se obtiene una
mejor percepción sobre los mismos.
A su vez, menciona que actualmente las empresas tienen la posibilidad de hacer
avances, señalando las dependencias y discernir patrones gracias a las analíticas de
diagnóstico. Es importante que las empresas mantengan la información siempre a su
alcance de modo que la recopilación de datos no sea tan prolongada en cuanto al
tiempo. Por último, los paneles de control de información empresarial bien integrados y
diseñados que representan la lectura de los datos, los filtros y las capacidades de
desglose son las técnicas ideales para este tipo de análisis.
Según las definiciones anteriores, se puede notar una diferencia entre ambos
autores, pues no tienen el mismo enfoque hacia la analítica de diagnóstico. Para Lugo y
López (2018) este tipo de analítica está orientado a la identificación del problema. A
diferencia de Jones (2018), quien expresa que con las analíticas de diagnóstico se
busca dar respuesta a la pregunta de ¿Cuál fue la causa del problema?
En base a ello, se fija posición con Jones (2018), debido a que con las analíticas
anteriormente mencionadas no solo se identifican los problemas o debilidades de la
empresa, sino que también, la razón por la cual sucedieron y desde este punto de
vista, los resultados obtenidos a través de ella serán importantes en las auditorías para
posteriormente tomar las medidas preventivas o correctivas según sea necesario.
Analítica predictiva
Jones (2018) expresa:
La analítica predictiva implica un análisis de los patrones pasados en los datos y
tendencias para pronosticar el resultado futuro de negocios con precisión. Le
ayudará a establecer objetivos muy realistas para su compañía, así como su
ejecución efectiva. También podrá moderar las expectativas, a través de la
manipulación de los hallazgos de las analíticas de diagnóstico y las analíticas
descriptivas. La analítica predictiva emplea múltiples enfoques estadísticos y
algoritmos de aprendizaje automático, puede predecir la posibilidad de que
ocurra un evento en el futuro. Sin embargo, debe recordar que estas
suposiciones solo se basan en probabilidades y predicciones y, por lo tanto, no
tienen una precisión absoluta.
Por otra parte, Prieto (2018) define la analítica predictiva de la siguiente manera:
Es el área que trata los diversos aspectos de las técnicas estadísticas, incluidos
el modelado predictivo, la extracción de datos (data mining), el aprendizaje
automático (machine learning), y el análisis de datos actuales e históricos para
hacer predicciones de futuro. Las organizaciones empresariales hoy trabajan en
un entorno de constantes amenazas que llegan desde cualquier lugar,
competidores, condiciones de mercado inciertas, etc.
Ante estas situaciones las empresas pueden confiar en modelos predictivos para
explotar los patrones en datos transaccionales e históricos, con el fin de pronosticar el
futuro con un cierto grado de precisión. Desarrollar un modelo de predictive analytics
16
Volumen: se refiere a que big data analiza grandes cantidades de datos que son
generados cada segundo en el mundo digital por la interacción de personas,
empresa, maquinas, redes, entre otros.
Variedad: se refiere al origen de los datos en diferentes formatos y estructura.
En la actualidad, la data se ha vuelto más compleja, pues no solo incluye data
relacional y tradicional sino también data Semi estructurada y no estructurada
proveniente de distintas fuentes u orígenes.
Velocidad: se refiere a la velocidad con la cual la data es generada y
actualizada, siendo la velocidad uno de los factores claves en el análisis de
datos, ya que tradicionalmente el análisis se realizaba sobre data histórica y big
data ha ampliado este concepto incluyendo el análisis en tiempo real.
Finalmente, aun cuando ambos autores expresan de manera similar las
características del big data, se fija posición con Mitchell, Locke y Wilson (2012), quienes
mencionan las tres características del big data, tratándose del volumen, relacionado con
la enorme cantidad de información procesada hoy en día en las empresas; la variedad,
en donde no hay restricciones en cuanto a los orígenes que tengan los datos, es decir,
todo tipo de datos se tomará en cuenta, estructurados, semi-estructurados y no
estructúranos; por último y no menos importante, la velocidad con la cual estos datos
cambian, se generan y se actualizan en el mundo de los negocios.
Tipos de datos
De acuerdo con Mitchell, Locke y Wilson (2012), existen tres tipos de datos:
datos estructurados, no estructurados y semi-estructurados.
Datos estructurados: se refiere a los datos que normalmente son usados por
los sistemas de base de datos tradicionales, donde los registros son distribuidos
dentro de campos y filas para categorizar, ordenar según los criterios que se
establezcan. Como por ejemplo, cuando se necesita registrar a un cliente y se
necesitan datos tales como, nombre, apellido y dirección.
18
MAPA DE VARIABLES
Título de la investigación: Data Analytics como técnica de auditoría interna en la empresa Alimentos del Zulia, C.A.
Objetivo General: Analizar la Data Analytics como técnica de auditoría interna en la empresa Alimentos del Zulia, C.A.
Objetivos Específicos Variable Dimensiones Sub-dimensión Indicadores Autores
Descriptivas
Caracterizar los tipos de analíticas
de datos aplicados en la función de Tipos de Analiticas de De diagnostico
Jones (2018)
auditoría interna de la empresa datos Predictiva
Alimentos del Zulia, C.A Prescriptiva
Identificar las características de la Volumen
analítica big data evaluada por la Características de big
Velocidad Jones (2018)
función de auditoría interna de Data Analytics data
Alimentos del Zulia, C.A. Variedad
Estructurados
Determinar los tipos de datos
Mitchell, Locke,
evaluados en la función de auditoría
Tipos de datos Semi- Wilson, Fuller
interna en la empresa Alimentos del estructurados (2012)
Zulia, C.A.
No estructurados
MARCO METODOLÓGICO
Tipo y nivel de investigación
En relación con el tipo de investigación, para Arias (2012) se puede identificar en
función del grado de profundidad con el que se abarcará un fenómeno u objeto de
estudio, en base ello, menciona tres tipos de investigaciones, siendo estas, la
investigación exploratoria, la investigación descriptiva y la investigación explicativa; en
cuanto a la investigación descriptiva, se refiere a un grado intermedio de profundidad,
donde lo que se persigue es la caracterización de un hecho, fenómeno, individuo o
grupo, con el objetivo de establecer su estructura o comportamiento.
Por otra parte, Hernández y col. (2014) tratan los tipos de investigación como
“alcances” clasificándolos en: exploratorio, descriptivo, y explicativo. Donde el estudio
descriptivo consiste en la búsqueda para especificar propiedades y características
importantes de cualquier fenómeno que se analiza, describiendo las tendencias de un
grupo o población.
De acuerdo a lo anteriormente planteado, la presente investigación se clasifica
como una investigación de tipo descriptiva, debido a que está orientada en analizar el
comportamiento de la data analytics específicamente en lo relacionado con el proceso
para la obtención de evidencia de auditoría en la unidad de auditoría interna de la
empresa Alimentos del Zulia, C.A.
Diseño de la investigación
En relación al diseño de la investigación Arias (2012) lo define como la estrategia
general que será adoptada por el investigador para dar respuesta al problema
planteado. De manera similar, Hernández (2014) la define como el plan que se
desarrolla para obtener la información requerida para responder el planeamiento de la
investigación.
A su vez, Hurtado (2012) establece criterios para la definición del diseño de la
investigación, los cuales son: según el origen de los datos, la perspectiva de la
temporalidad, la amplitud del foco y a la intervención del investigador. De acuerdo al
origen de los datos, se encuentra que pueden ser de campo, de laboratorio,
documental, fuente mixta o virtual.
Asimismo, define el estudio de campo en aquel donde el investigador obtiene la
información a través de fuentes vivas, o materiales, en su contexto natural. En tal
sentido la presente investigación se considera de campo debido a que la información se
obtuvo de manera directa a través de las unidades informantes de la organización.
Por otra parte, Hernández y col. (2014) definen dos tipos de investigación:
experimental y no experimental, esta última es definida como el estudio realizado sin la
manipulación de las variables y en los que solo se observan los fenómenos en su
ambiente natural para analizarlos. Además, dividen el diseño de no experimental en
transversal o longitudinal, siendo las investigaciones transversales aquellas que se
realizan en un momento único.
21
CARGOS CANTIDAD
Jefe de auditoría 1
Jefe de auditoría de TI 1
Gerente de control de gestión 1
TOTAL 3
Fuente: Núñez, (2020)
22
Confiabilidad
Hernández y col. (2014), expresan que la confiabilidad de un instrumento es el
grado de confianza que se le puede tener al instrumento cuando es aplicado a un
23
Por lo tanto, Hurtado (2012) expresa que una vez se hayan aplicado los
instrumentos y se haya finalizado la fase de la recolección de datos a través de dichos
instrumentos, el investigador tiene la tarea de organizar los datos y realizar un análisis
que conlleve a una conclusión, esto último debe estar estrechamente relacionado con
los objetivos planteados al inicio de la investigación con el fin de dar respuesta a la
problemática de la investigación.
Seguidamente, define el análisis como la aplicación de un conjunto de
estrategias y técnicas que le facilitan al investigador adquirir el conocimiento buscado, a
partir del manejo adecuado de los datos recolectados. Igualmente, Kelinger (1981),
(citado por Hurtado, 2012), expresa que el tipo de análisis dependerá del tipo de
investigación, el diseño seleccionado y la información proporcionada por los
instrumentos.
Por otra parte, Arias (2012) expresa que en el análisis de datos se describen las
distintas formas bajo las cuales serán sometidos los datos que se obtengan. En base a
ello, el análisis se efectuó en función de las variables para poder analizar los resultados
y facilitar la comprensión de la información para emitir las conclusiones.
Aunado a lo mencionado anteriormente, Hernández y col. (2014) definen al
proceso de triangulación de resultados como al hecho de hacer uso de distintas fuentes
y métodos de recolección. En un sentido más amplio, Rodríguez, Pozo y Gutiérrez
(2006), la describen una técnica de comparación de diferentes tipos de análisis con un
mismo objetivo y a su vez proporciona validez a un estudio de encuesta y favorece las
conclusiones que de él se derivan.
Para el procesamiento de los datos de la presente investigación, se realizó a
través de la técnica de triangulación de resultados compuesto por tres aristas, donde
cada una de ellas representa unas perspectivas que deben compararse entre sí, siendo
estas, las respuestas obtenidas, la teoría del autor base y la perspectiva del
investigador. De este modo, se confrontan los resultados con lo expuesto en el marco
teórico para reafirmar la información obtenida en la realidad del objeto de estudio.
25
otra parte, una segunda forma de identificar los problemas y deficiencias, es a través
del funcionamiento de diversos comités, como por ejemplo, Comité de crédito y
cobranzas, Comité de planificación de la producción y ventas, Comité Staff Meeting y
Comité de operaciones. Por último, explican que a través de la presentación de un
informe bimensual ante el Consejo Asesor externo, también pueden identificar las fallas
o desviaciones que obstaculicen el cumplimiento de los objetivos fijados.
Ahora bien, el proceso para recabar la información que servirá de evidencia para
la identificación de los problemas y deficiencias, se realiza con el apoyo de la Gerencia
de tecnología de la Información, puesto que la información es recopilada a través de
reportes SAP, los cuales son elaborados a la medida de los requerimientos de los
usuarios y también a través de los reportes estándar que el sistema emite.
Por último, para determinar las causas los problemas y deficiencias, el equipo de
auditoría se fundamenta en el análisis de riesgos realizado previo al inicio de la
auditoría, debido a que su plan de auditoría también se basa en los riesgos incluidos en
la matriz de riesgos corporativos y en función a la severidad de los mismos, se
planifican las medidas de acción para mitigar el impacto que tales problemas o
deficiencias puedan generarle a la empresa.
Por otro lado, Jones (2018) hace énfasis en cuanto a la profundización de los
problemas, a través de las analíticas de diagnóstico con las técnicas y herramientas
que proporcionan las mismas, realizando así, la comparación de datos históricos con
otros datos. Es por ello, que existe cierto grado de relación entre ambas perspectivas
dado que, aun cuando la empresa obtiene la evidencia para determinar los problemas y
deficiencias, así como también profundizando en ellas para conocer sus causas,
igualmente trabaja en conjunto con la gerencia de TI para la obtención de evidencias,
las cuales se encuentran en reportes automatizados que el sistema emite.
Indicador: analítica predictivas
De acuerdo a la información suministrada, las herramientas utilizadas por la
Gerencia de planificación estratégica y control de gestión, para determinar los factores
de riesgos tanto internos como externos son, el análisis FODA, PESTEL y además
cuentan con una planificación prospectiva, donde a través de las herramientas MICMAC
y MACTOR analizan los diferentes escenarios, una vez realizado el análisis del “Árbol
de problemas” basándose también en los eventos ocurridos en el pasado.
Asimismo, para la evaluación de riesgos utilizan el análisis causa-efecto
Ishikawa, para posteriormente con la participación de cada uno de los miembros del
equipo de trabajo de auditoría, se elaboran los planes de acción para mitigar y
responder a los riesgos. Además de ello, para determinar la severidad de los mismos,
aplican un instrumento de validación de riesgos a cada uno de los miembros del comité
de dirección, es decir, a la alta gerencia, con la finalidad de conocer su opinión sobre el
impacto y probabilidad de ocurrencia. Luego determinan el promedio de respuestas y la
desviación estándar para finalmente organizar los datos de mayor a menor para
determinar los riesgos en orden de severidad.
27
OBJETIVO DE APORTE
Cuadro Nº2
Fase 1
FASE 1 NIVEL DE MADUREZ
Nivel 1
El primer nivel, será el soporte bajo el cual se originan las analíticas de datos. En este punto las
capacidades para aplicar la Data Analytics son limitadas, ya que no se posee las herramientas específicas
para el análisis de datos. Sin embargo, al momento de realizar la planificación de la auditoría, se cuenta el
uso de las analíticas de tipo descriptivas, las cuales aplican para la interpretación de los datos históricos,
donde dicha interpretación la efectúan generalmente a través de hojas de cálculos de Excel o sistemas de
gestión empresarial, como SAP, para los cuales el porcentaje de participación de especialistas en áreas de
tecnologías de información no es significativo.
Nivel 2
En el segundo nivel de madurez, el departamento de auditoría demuestra un conjunto básico de
capacidades en cuanto a las analíticas, ya que sigue trabajando con el análisis descriptivo, pero
complementándolo con el análisis de diagnóstico para las etapas de la planificación y ejecución de la
auditoría, solo que de forma personalizada y no tan sistematizada, puesto que empiezan a incorporar
herramientas de análisis inconsistentemente o con errores en su aplicación, debido a que el porcentaje de
participación de especialistas en esas áreas sigue siendo bajo.
Nivel 3
En el tercer nivel, la dirección y el jefe del departamento de auditoría promueven la integración de la Data
Analytics en la mayor parte del ciclo de la auditoría, agregando analíticas más avanzadas, como lo son el
análisis predictivo, presentadas como conjuntos automatizados en programas, softwares y herramientas de
inteligencia empresarial, para las cuales la dirección establece una serie de políticas y metodologías para su
uso. Incrementado de esa forma la capacitación del equipo de auditoría y del personal de informática, para
que sean orientadas a las actividades de auditoría, permitiendo una evaluación continua a través del análisis
de los resultados que arrojan las herramientas.
32
Nivel 4
En el cuarto nivel de madurez, las analíticas de datos ya se encuentran institucionalizadas y se cuenta con
la suficiente solidez para integrar las analíticas de tipo de prescriptivas en el departamento de auditoría,
debido a que las herramientas de análisis de datos están completamente adaptadas, logrando optimizar los
recursos de la auditoría. Los programas están correctamente desarrollados y todo el personal de auditoría
cumple con las habilidades requeridas para utilizarlos, por lo cual la cantidad de interrupciones son bastante
reducidas. En este nivel los auditores reciben un gran flujo de datos continuo, gracias a las herramientas de
análisis, por lo cual se efectúa un rediseño en los procedimientos de las técnicas para la obtención de
evidencia de auditoría y se incluyen los procesos más automatizados y se realizan supervisiones continuas.
Nivel 5
En el quinto nivel, el conjunto de programas automatizados del análisis de datos son los mismos del cuarto
nivel, la diferencia radica en que evidentemente han evolucionado del nivel básico hasta el más avanzado y
se utilizan para el mejoramiento continuo de los procesos, procedimientos y el análisis de los resultados. Se
establecen metodologías para la mejora continua haciendo énfasis en la sincronización de la analítica de
datos con respecto a los objetivos específicos del departamento de auditoría y de la empresa en general,
para así llevar los controles de gestión de riesgos empresariales, ofreciendo el aseguramiento continuo
sobre la gestión de riesgos de la organización, todo esto con la finalidad de llevar un seguimiento y
monitoreo esta nueva técnica para la auditoría.
Una vez reconocido el nivel de madurez en el que se encuentra posicionada la organización en cuanto a la
Data Analytics aplicada en la unidad de auditoría interna, se podrá definir en base a las necesidades y
Salida
limitaciones de la entidad, las herramientas de análisis de datos que le permitirán ampliar y mejorar sus
funciones de análisis.
33
Cuadro Nº3
Fase 2
FASE 2 HERRAMIENTAS DE ANALISIS DE DATOS
Objetivo Determinar las herramientas de análisis de datos adecuadas para la unidad de auditoría según su
nivel de madurez
Responsables Auditores, Expertos en Tecnologías de Información, Personal del área de informática
Una vez reconocido el nivel de madurez en el que se encuentra posicionada la organización en
cuanto a la Data Analytics aplicada en la unidad de auditoría interna, se podrá definir, en base a las
necesidades y limitaciones de la entidad, las herramientas de análisis de datos que le permitirán
ampliar y mejorar sus funciones de análisis. Además, se deberá tomar en consideración el alcance
que tiene la organización con respecto a las inversiones en infra estructura de TI, para definir qué
hardware y software es más adecuado. Es importante tener una visión a futuro en esta fase, debido a
que la tecnología es un factor que va evolucionando constantemente.
Ahora bien, el mundo de las herramientas es muy amplio, pero definir cuales utilizar dependerá del
nivel de madurez encontrado, para hacer de su aplicación la más viable, ya que existen tecnologías
específicas para aquellas organizaciones que tienen un nivel de madurez avanzado, como es en el
caso de la Data Analytics para trabajar con big data y cuando se persiguen los tipos de analíticas
Procedimiento avanzadas: predictivas y prescriptivas.
Al determinar cuáles son las herramientas que más se adaptan a cumplir las necesidades de la
Salida auditoría con respecto a la automatización y tecnología, se podrán definir en qué áreas capacitar al
personal.
Cuadro Nº4
Fase 3
FASE 3 CAPACITACIÓN DEL PERSONAL
Objetivo Capacitar a Auditores, Equipo de auditoría y personal informático en el análisis de datos
Responsables Recursos Humanos, Directivos, Auditores, Gerentes, Personal del área de informática
Esta tercera fase inicia, gestionando las habilidades y el talento del recurso humano de la
organización, en este caso, principalmente a los auditores y al personal encargado del área de
informática, programación y tecnologías de información, sobre el uso de las herramientas y
metodologías del análisis de datos, que facilitarán la toma decisiones acertadas hacia el
cumplimiento de los objetivos, ser más eficientes y lograr un mayor impacto. Incluso para aquellos
empresarios cuyas aspiraciones sean más elevadas, pudieran incluir capacitaciones en el área de
inteligencia artificial.
Para ello, será necesario integrar en el equipo de auditoría personal especializado, como científicos
de datos, auditores de TI, quienes tienen amplios conocimientos en las áreas de matemáticas,
estadísticas, negocios, sistemas de información y programación, para obtener el mayor provecho al
Procedimiento
implementar las analíticas. En este punto, se ha formado un equipo de auditoría integral, ya que
existirá la participación de especialistas que apoyaran a los auditores en los aspectos tecnológicos y
estos serán complementados con la experiencia y el juicio profesional de los auditores, porque
indudablemente son puntos críticos que las analíticas no pueden sustituir.
Posteriormente, el equipo de auditoría integral puede definir el alcance de las auditorías, los
objetivos, riesgos, el enfoque, para luego realizar la ejecución. La participación de cada uno de ellos,
le dará valor agregado a la auditoría. Ahora bien, para los niveles más básicos de madurez que van
del 1 al 3, existen herramientas de análisis de datos menos robustas y que no requieren de la
intervención de un científico de datos, por ejemplo. Sin embargo, es necesario que los auditores
tengan conocimientos solidos de los datos y aplicar cuidadosamente su pensamiento crítico.
35
CONCLUSIONES
De acuerdo con los resultados obtenidos de la presente investigación Data
Analytics como técnica para la obtención de evidencia de auditoría interna en la
empresa Alimentos del Zulia, C.A. se realizaron las siguientes conclusiones para cada
uno de los objetivos fijados:
En referencia al primer objetivo, caracterizar los tipos de analíticas de datos
aplicados en la función de auditoría interna de la empresa Alimentos del Zulia, C.A.
conformadas por analíticas descriptivas, de diagnóstico, predictivas y prescriptivas. La
entidad sujeta a estudio realiza acciones que resaltan y coinciden con algunas
características relacionadas a los cuatro tipos de analíticas mencionados. Puesto que
inicialmente, se observó, en cuanto a las analíticas de tipo descriptivas, el respectivo
análisis de comparación entre la datas histórica versus los data actual y el uso de
medidas y métricas para las evaluaciones de desempeño de los procesos, lo cual es de
esperarse debido a que este tipo de analítica es el más común.
Posteriormente, en lo que respecta a las analíticas de diagnóstico, el equipo de
auditoría de Alimentos del Zulia, C.A. cuenta con el apoyo de personal capacitado en
áreas de tecnologías de información al momento de determinar las causas de
problemas y deficiencias que existan en la organización, profundizando en ellas a
través de programas automatizados que constantemente emiten los reportes. Sin
embargo, en cuanto a automatización se refiere, no es un punto representativo al
compararse con la intervención de diferentes comités por medio de los cuales se
recaba la evidencia para la identificación de las causas de problemas y deficiencias.
Por otro lado, en cuanto a las analíticas predictivas, el equipo de auditoría trabaja
con las herramientas MICMAC, MACTOR y basándose en enfoques estadísticos de
cálculos de promedio y desviación estándar de los resultados obtenidos a través de los
instrumentos de validación de riesgos, complementándolas con el análisis FODA y
PESTEL, a fin de realizar una planificación prospectiva al evaluar los distintos
escenarios que pudiesen ocurrir en el futuro, analizando las causas y efectos de los
mismos a través del análisis Ishikawa, cumpliendo así, con la particularidad predictiva
de este tipo de analíticas.
Sin embargo, al tratarse de las analíticas prescriptivas, evidentemente
establecen las vías de acción para mejorar las deficiencias, solventar los problemas y
mitigar el impacto de los mismos, únicamente a través de programas y herramientas
tradicionales, como lo es Excel, ya que no cuentan con la implementación del
aprendizaje automático, la estadística y la investigación de operaciones, los cuales
forman parte del éxito al implementar las analítica descriptiva. Es por ello que se
concluyó que la función de auditoría interna de la empresa Alimentos del Zulia, C.A. ha
integrado parcialmente los diferentes tipos de analíticas de datos.
Con respecto al segundo objetivo, relativo a identificar las características de
analítica de big data evaluada por la función de auditoría interna de la empresa
Alimentos del Zulia, C.A. relacionada con el volumen, la velocidad y la variedad, se
36
RECOMENDACIONES
En relación al primer objetivo, caracterizar los tipos de analíticas de datos
aplicados en la función de auditoría interna de la empresa Alimentos del Zulia, C.A. se
recomienda complementar el análisis de comparación entre la información histórica y la
actual y los indicadores de evaluaciones de desempeño de los procesos con
herramientas de inteligencia empresarial que permitan la elaboración, el análisis,
interpretación y presentación de los reportes de auditoría de una forma dinámica a
través de paneles y Dashboards Reporting, lo cual a su vez proporcionará un estilo de
auditoría continua. Además de ello, servirá de base para responder a las preguntas
¿Qué sucedió? ¿Cuál fue la causa? ¿Qué va a suceder? ¿Qué hacer?
correspondientes a cada tipo de analítica de datos.
Con respecto al segundo objetivo, el cual consistió en identificar las
características de analítica de big data evaluada por la función de auditoría interna de la
empresa Alimentos del Zulia, C.A. se recomienda establecer un proceso centrado en el
ciclo de vida de la analítica big data basado en la identificación de los datos, filtración
de los datos, extracción de datos, validación y limpieza de datos, para obtener una
37
BIBLIOGRAFIA
Referencias Bibliográficas
1. Arias, F. (2012). El proyecto de investigación: introducción a la metodología
científica. (6ª ed.). Editorial Episteme.
2. Bavaresco, A. (2013). Proceso metodológico en la investigación. (6ª ed.).
Imprenta internacional.
3. Davenport, T. y Harris, J. (2017). Competing on Analytics. (1ª ed.). Harvard
Business Review Press.
4. Franklin, E. (2007). Auditoría Administrativa: Gestión estratégica del cambio. (2ª
ed.). Pearson Education.
5. Hernández, R. Fernández, C. y Baptista, P. (2014). Metodología de la
investigación. (6ª ed.). Mc Graw Hill Education.
6. Hurtado, J. (2012). Metodología de la investigación: Guía para una compresión
Holística de la ciencia. (4ª ed.). Quirón Ediciones.
7. Instituto de Auditores Internos. (2017). Normas internacionales para el ejercicio
profesional de la auditoría interna.
8. Jones, H. (2018). Analítica de datos. (1ª ed.)
9. Lara, M. (2007). Manual Básico de revisión y verificación contable. (1ª ed.).
Dykison.
10. Mitchell, I. Locke, M. Wilson, M. y Fuller, A. (2013). The White book of big data.
(1ª ed.). Fujitsu Services Ltd.
11. Rodríguez y Bernal. (2019). Gestión de la información cuantitativa en las
universidades. (1ª ed.). Imagen Editorial.
12. Tamayo, M. (2007). El proceso de la investigación científica. (4ª ed.). Editorial
Limusa.
13. Vilches, R. (2018). Apuntes del estudiante de auditoría. (2ª ed.). Academia
Española.
Referencias Electrónicas
1. Deloitte. (2014). Agregando agudeza a la auditoría.
2. ESPIÑEIRA, SHELDON Y ASOCIADOS. (2008). Boletín De Asesoría Gerencial:
La Inteligencia De Negocios. PRICE WATERHOUSE COOOPERS.
3. Evans, J. y Lindner, C. (2012). Business Analytics: the next frontier for Decision
Sciences.
4. Instituto de Censores de Jurados de Cuentas de España (2019). La
transformación digital en el sector de la auditoría.
5. Lluís Cano, J. (2007). Business intelligence: competir con información. ESADE.
6. Prieto, B. (2018). Analíticas predictivas avanzadas y el controller.
7. Rodríguez, C., Pozo, T. & Gutiérrez, J. (2006). La triangulación analítica como
recurso para la validación de estudios de encuesta recurrentes e investigaciones
39
Investigaciones consultadas
1. Alvarenga, E. Hernandez, M. y Leon, J. (2006). Guía práctica para obtener
evidencia de auditoría en un ambiente de sistema de información por
computadora SIC, para pequeñas y medianas firmas de auditoría en el salvador.
(Tesis de pregrado, Universidad de El Salvador). El Salvador.
2. Bazalar, M. y Garvich, K. (2017). Propuesta de análisis de datos no
estructurados para generar decisiones oportunas en la empresa GMD. (Tesis de
pregrada, Universidad San Ignacio de Loyola). Lima, Perú.
3. Lazo, L. Mairena, E. y Jiménez, I. (2002). La evidencia de operaciones virtuales
en la auditoría de estados financieros generados en un ambiente de sistema de
información por computadora. (Tesis de pregrado, Universidad de El Salvador).
El Salvador.
4. Lugo, C. y Lopez, J. (2002). Analítica de datos con aplicación en un caso
práctico, mediante el uso de una herramienta libre. (Tesis de pregrado,
Universidad Tecnológica de Pereira). Colombia.
40
ANEXO
41
Autor:
Amanda Núñez, C.I: 27.530.682
Tutor de contenido:
Lcda. Marivic Molina, C.I: 18.496.971
Objetivos de la investigación
Objetivo General
Analizar la Data Analytics como técnica para la obtención de evidencia de
auditoría interna en la empresa Alimentos del Zulia, C.A.
Objetivos Específicos
Sistema de Variables
Variable Nominal: Analítica de datos
Definición Conceptual: Las analíticas de datos no son una tecnología; son un
concepto. Se refiere al uso de ciertas tecnologías, conjunto de habilidades y procesos
para la exploración, evaluación, e investigación de las operaciones de negocios.
Deloitte, (2014)
Definición Operacional: para la función de auditoría interna de Alimentos del Zulia,
C.A. las analíticas de datos dependen de la finalidad de la información que se desea
evaluar, encontrando que es posible la aplicación de diversos tipos, entre ellas, las
analíticas descriptivas, las analíticas de diagnóstico, las analíticas predictivas y las
analíticas de diagnóstico; las mencionadas se ajustan a las evaluaciones de la función
al tomar en cuenta las características que posee big data en cuanto a la información
que maneja, en las que se destaca el volumen, su velocidad y la amplia variedad de
contenido que se puede encontrar; siendo un reto la revisión y seguimiento de los tipos
de datos originados por el sistemas, ya sean los mismos estructurados, semi-
estructurados o no estructurados.
44
Cuadro N.1
Mapa de variables
MAPA DE VARIABLES
Título de la investigación: Data Analytics como técnica de auditoría interna en la empresa Alimentos del Zulia, C.A.
Objetivo General: Analizar la Data Analytics como técnica de auditoría interna en la empresa Alimentos del Zulia, C.A.
Objetivos Específicos Variable Dimensiones Sub-dimensión Indicadores Autores
Descriptivas
Caracterizar los tipos de analíticas
de datos aplicados en la función de Tipos de Analiticas de De diagnostico
Jones (2018)
auditoría interna de la empresa datos Predictiva
Alimentos del Zulia, C.A Prescriptiva
Identificar las características de la Volumen
analítica big data evaluada por la Características de big
Velocidad Jones (2018)
función de auditoría interna de Data Analytics data
Alimentos del Zulia, C.A. Variedad
Estructurados
Determinar los tipos de datos
Mitchell, Locke,
evaluados en la función de auditoría
Tipos de datos Semi- Wilson, Fuller
interna en la empresa Alimentos del estructurados (2012)
Zulia, C.A.
No estructurados
empresa Alimentos del Zulia, C.A. con la finalidad de analizar la aplicación de la data
analytics para obtener la evidencia de auditoría suficiente y adecuada.
Informantes
CARGOS CANTIDAD
Jefe de auditoría 1
Jefe de auditoría de TI 1
Gerente de control de gestión 1
TOTAL 3
Fuente: Núñez, (2020)
46
GUION DE ENTREVISTA
(INSTRUMENTO DE RECOLECCION DE DATOS)
Objetivo: Caracterizar los tipos de analíticas de datos aplicados en la función de
auditoría interna de la empresa Alimentos del Zulia, C.A.
Dimensión: Tipos de Analíticas de datos
Indicador: Analítica descriptiva
1. ¿Cómo utilizan los datos históricos y la información actual para explicar
qué sucedió en la empresa?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
2. ¿De qué manera se presentan los datos históricos de sus operaciones en la
organización?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
3. Al analizar los eventos pasados con la información actual ¿Cuál es el nivel
de relevancia que tiene el resultado de dicho análisis? ¿Por qué?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
Indicador: Analítica de diagnóstico
1. ¿De qué manera identifican las causas de los problemas y deficiencias en
la organización?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
2. ¿Cómo es el proceso para recabar la información para identificar los
problemas y deficiencias de la organización?
______________________________________________________________________
______________________________________________________________________
48
______________________________________________________________________
______________________________________________________________________
3. ¿Cuáles son los criterios en los que se basa el equipo de auditoría para
determinar en qué problemas profundizar primero?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
Indicador: Analítica predictiva
1. ¿Qué clase de herramientas, métodos o programas utilizan para predecir
posibles eventos futuros? Como por ejemplo, oportunidades.
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
2. ¿De qué manera evalúan los posibles riesgos que pueda enfrentar la
empresa en el futuro?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
3. ¿Cuáles son los enfoques estadísticos y algoritmos de aprendizaje
automático que se emplean en la organización para pronosticar posibles
riesgos?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
Indicador: Analítica prescriptiva
1. ¿Se definen planes de acción futuros a partir de la evaluación de aspectos
internos y externos de la organización? ¿De qué manera se efectúa tal
proceso?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
49