Bağımsız denetimde veri madenciliği tekniklerinin kullanılması

Yatırımcılar ve karar alıcılar, kendilerine sunulan bilgilerin doğrudan kaynağında araştırma yapma imkanları bulunmadığından, bilgilerin güvenilir ve şeffaf olduğuna inanmak durumundadırlar. Ulusal ve uluslararası standartlar doğrultusunda bağımsız denetimden geçmemiş finansal tabloların hata ve hile içerme olasılığı yüksek olacaktır. Bu nedenle yatırımcılar ve karar alıcılar, kuruluşun mali durumuna ilişkin objektif bir değerlendirmeye sahip olmak isterler. Şeffaf ve güvenilir mali tabloya olan gereksinim bağımsız denetim ihtiyacını ortaya çıkarmıştır. Bağımsız denetim işletmenin finansal tablolarının uygulanabilir finansal raporlama çerçevesine uygun olarak hazırlandığı konusunda makul güvence verir ve finansal raporlama sürecinde şeffaflığı artırır. Yapay sinir ağları, karmaşık bilgileri analiz etmeye yarayan yapay zekânın bir alt dalı olup nitel yöntemlerden birisidir. Ağlar, mantıksal ve analitik tekniklerle çözülemeyen sorunları standart yazılımlarla çözme konusunda büyük potansiyele sahiptir. Yapay zekâ (AI), finansal kurumların çalışma şeklini hızla değiştirmektedir. Maliyet tasarrufları ve operasyonel verimlilikler nedeniyle işletmenin temel işlevlerini giderek daha fazla devralması beklenmektedir. Bu çalışmanın amacı yapay sinir ağı modelinin denetimin planlama aşamasında kullanılmasının denetçiye sağlayacağı avantajları açıklamaktır. Bu amaç doğrultusunda yapay sinir ağı modeli oluşturulmuştur. Bu model oluştururken 2 katmanlı ağ yapısında 8 adet nöron 10.000 iterasyon kullanılmıştır. Çeşitli denemeler sonucu en iyi tahmin performans gösteren ağ yapısı tercih edilmiştir. Çalışmanın uygulama bölümünü BİST-Spor endeksinde işlem gören anonim şirketler oluşturmaktadır. Çalışmanın veri setini şirketlerin KAP'da yayınlanan finansal raporlarından elde edilen finansal bilgiler oluşturmaktadır. Şirketlerin 2013-2018 yılları arasındaki finansal tablolarındaki veriler baz alınmıştır. Bağımsız denetimde kullanılan veri madenciliği tekniklerinden yapay sinir ağı modeli kullanılarak 2019 yılı verileri tahmin edilmeye çalışılmıştır. Bu bağlamda 2013-2016 yılları eğitim seti, 2017-2018 yılları ise test seti olarak kullanılmıştır. 2 katman 8 nörondan bir model oluşturarak 2019 yılına ait hesaplar tahmin edilmiştir. Yapılan analizde denetçi tarafından tahmin edilen değer ile gerçek değer arasındaki farkın bazı hesaplarda az bazılarında ise çok olduğu gözlemlenmiştir. Böylece denetçi planlamayı gerçekleştirirken farkın çok olduğu hesaplara ağırlık verebilecektir. Tahmin performans ölçümlerinden MAPE değeri hesaplanmıştır. Buna göre MAPE değeri % 20'nin üzerinde olan hesaplar için detaylı bir inceleme yapılırken % 10'un altında kalan hesaplar göz ardı edilebilir. Bu sayede denetçi risk değerlendirme prosedürleri çerçevesinde denetimi daha kısa sürede tamamlayarak zamandan tasarruf sağlayacak, denetim risk azalacak ve denetim kalitesi artacaktır.