［摘要］ 随着信息技术在财务管理领域的广泛应用，审计机构急需采用新的审计方式和手段，以提高审计质量，降低审计风险。本文利用商业智能技术，对审计方法进行新的探讨，并建立基于商业智能的审计模型，探讨在海量数据条件下进行审计的新途径。
［关键词］ OLAP;数据挖掘;审计;商业智能
1 前言
随着数据库技术的迅速发展以及管理信息系统在财务、审计中的广泛应用，许多企业和部门积累了海量的、以不同形式存储的数据资源，在信息化环境下，审计线索会通过电子数据表现出一定的特征，捕捉到这些特征进而进行分析取证，是计算机审计发展到目前阶段的一种有效做法［１］。如何在审计过程中迅速把握总体，从被审计单位浩如烟海的电子数据中根据需要找出有用的信息成摆在我们面前迫切需要解决的问题。商业智能系统（ＢＩ）建立在数据仓库、多维分析和数据挖掘等技术的基础之上，通过收集、整理和分析企业内外部的各种数据，加深企业对客户及市场的了解，并使用一定的工具对企业经营状况、客户需求和市场动态等做出合理的评价及预测，为企业管理层提供科学的决策依据［２］。在财务审计应用中，基于数据仓库的ＯＬＡＰ应用可以使审计人员站在一定高度把握总体，从观察趋势、选择重点，到运用钻取、掌握明细，直至发现线索、引导延伸，实施一系列审计办法。数据挖掘（Ｄａｔａ Ｍｉｎｉｎｇ）可以从大量的财务审计数据中，提取隐含在其中的、人们事先不知道的、但又潜在有用的信息和知识，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，辅助人们进行决策判断。基于数据仓库、ＯＬＡＰ和数据挖掘的审计技术是一种崭新的审计方式，它将带来以下革命性的变化：一是从“盲人摸象”转变为把握总体；二是从进点后摸线索转变为带着线索进点。因此，开展商业智能在审计中的应用研究，并在实践中推广应用，已经成为提升计算机审计水平的必然选择，有重要研究的意义和应用价值。
2商业智能模型
本文利用ＳＱＬ Ｓｅｒｖｅｒ ２００５ 构建基于商业智能的审计模型ＴＡｕｄｉｔＭｉｎ，如图１所示。审计过程分为：采集审计数据、建立数据仓库、ＯＬＡＰ多维分析、数据挖掘、前端展示等。
2.１ 源系统
数据挖掘的基础是大量的历史数据。这里的源系统是指与审计业务相关的各种关系型数据库，如金蝶数据库、用友数据库等。这些业务系统中的数据可以应用ＳＳＩＳ（Microsoft SQL Server 2005 Integration Services），通过数据清洗、转换和加载（ＥＴＬ）等步骤载入数据仓库，为多维分析和数据挖掘作准备。
2.２ 数据仓库
该部分的功能就是为数据挖掘提供多维数据集（Ｃｕｂｅ）和数据集（Ｄａｔａｓｅｔ），用于数据挖掘的Ｃｕｂｅ也可以根据用户的要求作相应的更改。商业智能提供了自动创建Ｃｕｂｅ的功能，用户只需要设置好相应的维度表和量度组，通过一些简单的命令就能实现Ｃｕｂｅ的自动生成和重新生成。因此，数据仓库设计主要在于设计维度表和量度组，以及两者之间的关系。
2.３ ＯＬＡＰ多维分析
ＯＬＡＰ为用户提供强大的数据分析功能。在数据仓库建好后，输入测试数据，测试数据仓库和模型。如果分析结果显示创建的模型有问题，则可以通过ＯＬＡＰ提供的功能重新创建模型，并且按照用户喜好的方式显示数据分析的结果。模型没有问题之后，就可以对ＥＴＬ处理过的真实数据做相应的数据分析。
2.４ 数据挖掘
数据挖掘模型的建立以ＭＤＸ语句为基础，同时也支持手工操作。模型建好以后，需要对选择数据挖掘的模型进行测试和训练。用于训练的数据可以来自于数据仓库生成的Ｃｕｂｅ，也可以直接使用其他数据集，如文本文件。模型训练的结果既可以直接浏览也可以生成报表在客户端展示，数据挖掘功能主要通过微软的ＳＳＡＳ和ＡＭＯ实现。
2.５ 客户端
即数据挖掘模型、报表和ＯＬＡＰ分析结果的前端展现，是用户与系统交互界面。目前比较流行的方式是基于Ｗｅｂ的Ｂ／Ｓ结构。
2.６ 发现审计线索
在数据分析的基础上，定位重点审计对象，利用先进的计算机技术或其他方式追踪线索，重点审计该类数据。
2.７ 形成审计报告
针对审计线索，加以重点审计，提交审计报告，以供分析和决策。
本文提出的解决方案将数据仓库、ＯＬＡＰ和数据挖掘等技术相结合，可指导审计人员高效地开展审计工作，增强审计人员的审计数据分析能力，提高审计的效率和效果。
３商业智能在审计中的应用
商业智能在审计中的应用主要包括ＯＬＡＰ和数据挖掘两部分，以下具体介绍这两部分的应用。
3.１ ＯＬＡＰ在审计中的应用
通过数据仓库，可以利用ＯＬＡＰ技术，采用包含结构、趋势、同比、因素、ＴＯＰ Ｎ等多种分析方法，自动生成图文并茂的分析报告，并可以在任意时间，生成任意内容（如财务、销售、仓库、采购、应收、应付），同时实现分析报告中的动态钻取，满足审计人员的需要。我们可以利用ＯＬＡＰ进行销售分析、应收款项分析、仓库库存分析以及财务决策评价等。
ＯＬＡＰ支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。 如ＭＤＸ查询语句：
ｗｉｔｈ ｓｅｔ ［ＴｅｎＢｅｓｔ］ ａｓ
’ＴｏｐＣｏｕｎｔ（ ［Ｐｒｏｄｕｃｔ］．［Ｂｒａｎｄ Ｎａｍｅ］．Ｍｅｍｂｅｒｓ， １０， ［Ｕｎｉｔ Ｓａｌｅｓ］ ）’
ｓｅｔ ［ＬａｓｔＭｏｎｔｈ］ ａｓ
’Ｔａｉｌ（Ｆｉｌｔｅｒ（［Ｔｉｍｅ］．［Ｍｏｎｔｈ］．Ｍｅｍｂｅｒｓ， Ｎｏｔ ＩｓＥｍｐｔｙ（［Ｔｉｍｅ］．ＣｕｒｒｅｎｔＭｅｍｂｅｒ）），１）’
ｓｅｔ ［Ｌａｓｔ６Ｍｏｎｔｈｓ］ ａｓ’
［ＬａｓｔＭｏｎｔｈ］．ｉｔｅｍ（０）．ｉｔｅｍ（０）．Ｌａｇ（６） ：
［ＬａｓｔＭｏｎｔｈ］．ｉｔｅｍ（０）．ｉｔｅｍ（０）’
ｓｅｌｅｃｔ ［Ｌａｓｔ６Ｍｏｎｔｈｓ］ ｏｎ ＣＯＬＵＭＮＳ，
［ＴｅｎＢｅｓｔ］ ｏｎ ＲＯＷＳ
ｆｒｏｍ Ｓａｌｅｓ
可以方便地查询某商场最近６个月销售趋势最好的前１０种商品及销售量。
又如，对应收账款进行分析，可以通过图表，直观显示账龄、金额等情况（如图２所示）。
3.２ 数据挖掘在审计中的应用
在审计中，运用数据挖掘算法，不仅能减轻审计人员的负担，而且能提高审计风险管理的质量［３］。具体包括决策树算法、聚类分析算法、贝叶斯算法、关联规则算法、时序算法、神经网络算法、回归算法等。在审计中，运用商业智能平台ＴＡｕｄｉｔＭｉｎ，不仅能减轻审计人员的负担，而且能提高审计风险管理的质量。
４总结
应用以上方法，我们可以在海量财务审计数据中有效地运用商业智能技术，查找问题并发现一些超出审计经验的规律性问题。将商业智能应用到具有多属性特征的审计数据分析中，会减轻审计人员的负担，提高审计管理的质量，为审计工作提供有用信息，提高审计效率。商业智能在审计工作中，必将会发挥越来越重要的作用。
主要参考文献
［１］刘汝焯．审计线索的特征发现［Ｍ］．北京：清华大学出版社，２００９.
［3］刘汝焯．审计数据的多维分析技术［Ｍ］．北京：清华大学出版社，２００６.
［3］易仁萍，陈耿，杨明，等，数据挖掘技术及
中国www.LWlm.Com其在审计风险管理中的应用［Ｊ］.审计与经济研究，２００３，１８（１）：５－６.
