审计的目的是从正常中发现异常，数据类型的复杂化与数据量的急剧增加，增加了审计工作的难度。在大数据的帮助下，审计工作者更容易发现可疑的异常点，提升审计工作的效率。那么，传统审计是否完全会被大数据分析替代？根据经验，我们认为，大数据分析不可能完全替代传统审计，两者是有益的互补。

对于传统行业来说，每一种新的思想与技术往往既是挑战又是机遇：大数据与传统审计工作之间也是如此。审计的目的是从正常中发现异常，数据类型的复杂化与数据量的急剧增加增加了审计工作的难度。在这样的背景下，传统审计工作必然需要寻求新的方法来优化传统审计工作。大数据善于对企业的正常运作状态进行描绘、分析和预测，运用模型从数据中识别模式、关系、趋势和波动；在大数据的帮助下，审计工作者更容易发现可疑的异常点，提升审计工作的效率，可以说，大数据分析与传统审计工作的结合真是一拍即合。如今，越来越多的企业开始接受并重视大数据的理念，也越来越欢迎数据分析对审计工作的支持。

然而，蜜月期后，审计工作者也开始担忧：传统审计是否完全会被大数据分析替代？作为大数据分析领域的专业团队，曾经帮助数十个审计团队攻关大数据审计课题。根据经验，我们认为，大数据分析不可能完全替代传统审计，两者是有益的互补。

下面以银行的信贷资产质量检查为例来阐述我们的观点。近年来，由于经济处于下行、企业客户出现大面积亏损、停产甚至倒闭，银行的信贷业务承受着巨大压力,对于信贷资产质量的检查也成为了对银行业审计工作的重中之重。

大数据分析可以用哪些方式协助对信贷资产质量的检查工作呢？最常用的一个落脚点就是用假设检验来分析不良资产产生的原因。也就是说，大数据分析师往往会假设一些可能会造成信贷资产不良的原因，然后针对每一个假设分别搜集证据，检查这些证据的充分性。如果证据确凿，那就可以认为这个假设是造成不良的原因，如果证据不充分，那么这个假设就不成立：这个过程与法院断案相似。

哪些因素可能成为假设检验的假设呢？这些假设可以是宏观层面的，也可以是微观层面的。

举例来说，从宏观层面来看，是不是2008年全球经济不景气以后国家采取了投入“4万亿”的经济刺激计划可能导致了近几年大面积的信贷资产不良？或者是不是由于2013年开始GDP增速减缓而银行的新贷款量却未减少，这样的产能过剩带来了大量不良贷款？从微观层面来看，是不是因为企业在当前的经济环境下企业的经营遭遇了困境？是不是客户的信贷审批存在欺诈行为？比如，企业是否刻意掩盖其经营状况、贷款用途，寻求更多贷款，分行客户经理是否存在为完成KPI或其他个人原因而为客户作假的情况？可能造成不良的假设很多，如何能够形成这些完整的假设？可以多问问下面几个“W”：Why——明确最关注什么，痛点在哪里。When——明确要分析哪个时间段的不良客户，且客户的信息和行为需要追溯到什么时间。What——明确分析什么内容，分析的维度有哪些，机构、行业、规模还是产品。Where——梳理信贷全生命周期，明确问题点都从哪来。对于每一个假设点，大数据分析都需要逐个来展开分析。

为了更好地阐述我们的观点，就以评级结果的更改次数和客户的资产质量之间的关系来具体说吧：银行制度要求录入客户基本信息、关联信息、财务信息等进行客户信息评级，但客户经理可能通过反复测试的方法使客户达到最高评级。我们不妨做一个假设：反复更改评级输入数据的客户资产不良比例高于正常客户。如果假设成立，则说明在执行制度的过程中存在缺陷，应该进一步规范客户经理的行为，或在系统中做一些操作限制来达到降低风险的目的。

针对这个假设，我们需要搜集的证据就是评级阶段客户信息的修改日志，将客户分为两类，一类是该阶段没有修改过信息的或修改次数小于两次的客户，另一类为被修改信息两次及以上的客户，再将以上两类按正常客户和不良客户分组，交叉后最终一共得到四类。在此基础上，我们可做的分析有：不良客户中曾反复修改信息的和无反复修改的有无明显差别，曾反复修改信息的客户正常的与不良的比例如何等。假设检验的方法可以采用卡方检验。如果数据可以证明在有反复修改的客户中，不良的比率远高于正常客户，则可以论证信用评级阶段反复修改客户信息对不良的成因有显著影响，并建议对信用评级阶段的操作细则做进一步梳理细化，或彻底禁止对同一客户多次发起信用评级，在制度设计层面动手术。

再举例说，如果假设是评级模型的有效性对资产质量高低是有影响的，搜集的证据就是是否存在一些对区分信贷资产质量有显著能力、却没有纳入评级模型的指标。比如，来自企业财务报表可以用于评价企业回收现金能力的“资产现金回收率（=经营现金净流量/平均资产总额）”和“收入变现比率（=经营活动产生的现金净流量/营业收入）”这两个指标。如果数据分析可以证明不良客户在这两个指标上的均值与正常企业有明显差别，甚至这样的差别显著强于现有的评级模型，那就说明需考虑在信用评级模型中增加此方面因素。

从上面这些具体的案例可以看出，假设检验的结论是需要基于统计显著性的而不是基于个案的。换句话说，如果某个原因的确导致了信贷资产的不良，但是出现这样问题的案例并不多，那就是证据不充分、不具备统计显著性，大数据分析无法将之判断为一个导致不良的原因，而传统审计是基于个案来研究的，只要存在这样的问题，哪怕只有一个案例，就可以认定是导致不良的原因、需要注意避免。这样，我们就可以很好地回答题目中的问题：大数据分析能完全替代传统审计吗？答案就是不能。大数据能帮助我们关注宏观的趋势和动态，避免审计工作中只见树叶、不见树林的效率缺陷，但审计的对象毕竟仍是林中一片片具体的叶子。

以上面所述的评级工作来说吧，审计人员可能会发现，当企业客户所处行业面临压缩甚至退出的危机时，少数客户经理会帮助篡改客户信息，擅自变更客户所属行业，为申请授信和最终放款打开方便之门；但在大数据分析中，只有当这种行为蔓延到大多数客户经理身上并在数据统计呈现的结果中出现明显偏离时，才可能被识别，对个体行为的识察是相对乏力的。

因此，传统审计工作与大数据分析之间无法相互替代，需要很好的互补。审计工作聚焦微观层面，能够对每一个评级审批人员进行询问、对每一份贷后检查报告的真实性进行核对、对每一个押品的估值和存在性发询证函；而大数据可以通过预测模型分析出哪类资产质量可能偏低，为审计人员指明方向，使他们有的放矢、提高效率。大数据分析可以评价信贷客户的获取能力、外部环境变化对资产质量的影响大小、内部某个制度设计缺陷与资产质量之间的相关性，从而以整体特征和趋势的角度发现造成资产质量低下的内外部影响因素；而审计则从个体角度，在高风险领域开展核查工作，利用抽样的方式对合同、借据、押品、申请人、审批人等逐一排查，发现不合规的行为…总之，大数据分析不能完全替代传统审计，两种方法将形成一种更有效率的工作机制，相辅相成。

《洞见数据价值》一书是毕马威中国大数据团队近两年来发布的部分原创文章的合集。毕马威大数据团队自成立以来，凭借对行业的深刻认知，专注于大数据等创新技术的探索及应用，为金融业、制造业的诸多客户提供定制化的咨询服务，也协助推动公司的审计、税务等业务的创新。

本刊将以连载的方式陆续推出《洞见数据价值》，对数据挖掘感兴趣的读者，可以通过该书一窥行业门径。