Por: CP Iván Rodríguez. Colaborador de Auditool.
El muestreo estadístico es una técnica utilizada para seleccionar una muestra representativa de una población con el fin de obtener información sobre dicha población. En la auditoría, el muestreo estadístico se utiliza para seleccionar una muestra de datos y realizar pruebas para obtener evidencia de auditoría. Sin embargo, el muestreo estadístico tradicional puede ser intensivo en tiempo y recursos, lo que lleva a que se seleccionen muestras pequeñas o poco representativas.
Por su parte, la inteligencia artificial (IA) es una disciplina que utiliza algoritmos y técnicas computacionales para automatizar tareas que requieren inteligencia humana, como el aprendizaje, la toma de decisiones y el reconocimiento de patrones.
La combinación de muestreo estadístico e IA puede ser muy beneficiosa en muchos campos. Por ejemplo, en la investigación de mercado, el muestreo estadístico se utiliza para obtener una muestra representativa de consumidores que se utilizará para realizar encuestas o estudios de mercado. Luego, la IA puede procesar y analizar los datos recopilados de manera más eficiente, detectar patrones y tendencias que pueden no ser evidentes para los analistas humanos, y hacer predicciones más precisas sobre el comportamiento del consumidor.
Otro ejemplo de cómo se puede combinar el muestreo estadístico y la IA es en la auditoría financiera. El muestreo estadístico se utiliza para seleccionar una muestra de transacciones financieras para ser auditadas. A continuación la IA puede analizar los datos de las transacciones seleccionadas de manera más eficiente que los auditores humanos, detectando patrones y tendencias que pueden indicar fraude o errores contables.
La IA puede mejorar el proceso de muestreo estadístico mediante el uso de algoritmos de aprendizaje automático para seleccionar muestras más representativas y precisas. Por ejemplo, los algoritmos de aprendizaje automático pueden ser entrenados para analizar grandes cantidades de datos y seleccionar muestras de datos que sean más representativas de la población. Además, la IA puede ayudar a los auditores a identificar patrones en los datos que podrían ser indicativos de irregularidades o fraude. Al utilizar técnicas de aprendizaje supervisado o no supervisado, la IA puede aprender a identificar patrones inusuales en los datos y señalarlos para su revisión.
La IA también puede ser útil para el análisis de grandes conjuntos de datos, lo que puede ser una tarea desafiante para los auditores. Al utilizar técnicas de aprendizaje automático, los auditores pueden automatizar la clasificación, la identificación de valores atípicos y la agrupación de datos para ayudar a detectar anomalías o tendencias inusuales.
Dentro de las herramientas clave utilizadas por los auditores está el muestreo estratificado. La popularidad de este procedimiento estadístico surge de su capacidad única para producir intervalos de confianza confiables al examinar poblaciones con bajas tasas de error. Dadas las bajas tasas de error exhibidas por la mayoría de las poblaciones contables, el muestreo estratificado suele ser la técnica de elección al estimar los valores monetarios.
El método utilizado para seleccionar los límites de los estratos es la decisión más importante que afecta la eficiencia del muestreo. Por ello, se está empleando la IA, en lugar de los métodos convencionales de selección de límites de estrato, para producir mejoras materiales en la eficiencia de muestreo. Se han logrado reducciones del 40% en el ancho de los intervalos de confianza para un tamaño de muestra dado, así como reducciones del orden del 50% en el tamaño de la muestra.
Si bien el software de auditoría disponible comercialmente suele limitarse a los métodos convencionales de selección de límites de estrato, existen sencillas herramientas para seleccionar los límites de los estratos a través de la IA. Por ejemplo, la herramienta Microsoft Excel Solver tiene una capacidad de IA que se puede usar para determinar los límites del estrato. Microsoft Excel Solver es una herramienta de optimización que se utiliza para encontrar la mejor solución para un problema dado, que está sujeto a ciertas restricciones. Y aunque el Excel Solver y el muestreo estadístico son dos técnicas distintas, se pueden utilizar juntas para optimizar una muestra representativa. Por ejemplo, si se tiene una población grande de datos y se desea obtener una muestra representativa, se puede utilizar Excel Solver para determinar el tamaño óptimo de la muestra. Esto se puede hacer al establecer una función objetivo que maximice la precisión de la muestra seleccionada mientras se cumplen las restricciones, como el tamaño de la muestra. Además, puede ser utilizado para optimizar otros aspectos del muestreo estadístico, como optimizar el tamaño de la muestra estratificada y asegurarse de que cada estrato esté representado adecuadamente en la muestra.
Algunas de las ventajas del muestreo en auditoría, basado en IA, son las siguientes:
Representatividad de la muestra de auditoría:
El nivel de representatividad se puede ajustar en función del juicio profesional del auditor. El aumento del tamaño de la muestra da como resultado una muestra basada en el aprendizaje que representa características y relaciones más detalladas entre diferentes variables empleadas
Auditar la interpretabilidad de la muestra:
Siempre será posible una interpretación humana que refleje las cualidades y características de las variables empleadas y de los datos usados. Valores similares o grandes diferencias pueden emplearse como punto de partida, en caso de que un auditor desee evaluar la homogeneidad de una población y las posibles desviaciones para un muestreo específico.
Aprendizaje
Las técnicas derivadas de la IA permiten a los auditores extraer muestras representativas basadas en el aprendizaje a partir de datos de entrada a gran escala. Esta capacidad es beneficiosa en situaciones en las que solo se dispone de información limitada o nula sobre una partida de estado financiero. En comparación con los procedimientos tradicionales de muestreo estadístico, este aprendizaje mitiga el riesgo de seleccionar parámetros de muestreo inadecuados, por ejemplo, asumiendo distribuciones estadísticas inadecuadas o estadísticas descriptivas.
Es de particular importancia para la práctica de auditoría, que la representatividad de una muestra de auditoría basada en el aprendizaje pueda determinarse por el error de reconstrucción. De manera similar a los procedimientos de muestreo estadístico, los auditores pueden definir un nivel apropiado de riesgo de evaluación basado en su juicio profesional, ajustando el tamaño de la muestra. Otra capacidad exclusiva del muestreo de auditoría basado en IA es la posibilidad de efectuar diferentes visualizaciones e interpretar la población a auditar de diferentes maneras. Además, permite a los auditores abordar los riesgos de errores materiales y fraude de una manera integral.
La auditoría basada en muestras seguirá siendo un método central para llevar a cabo procedimientos de auditoría de manera eficiente. Si la técnica de muestreo de auditoría está apoyada por IA permite obtener muestras de auditoría representativas basadas en el aprendizaje, ello demuestra que la IA puede contribuir al futuro de la auditoría y mejorar significativamente la eficiencia y la precisión de los procesos. Los algoritmos de aprendizaje automático pueden ayudar a seleccionar muestras más representativas y precisas, identificar patrones inusuales en los datos, y automatizar la clasificación y el análisis de grandes conjuntos de datos.
CP Iván Rodríguez - CIE AF
Auditor y consultor, diplomado en Alta Gerencia de Seguros y Derecho de Seguros. Especialista en Dirección Financiera y Desarrollo Organizacional, diplomado en Gerencia de la Calidad. Contador público (CP) de la Pontificia Universidad Javeriana con 20 años de experiencia en diversas empresas. Tiene amplia experiencia en la elaboración y ejecución de auditorías y revisorías fiscales. Dirección y ejecución de asesorías, consultorías y capacitaciones. Colaborador de Auditool.
Bogotá D.C., Colombia.