Your Details

    Click Here to get your PDF.

    • Problem Case

    Prior to 2012, CU’s Internal Audit (IA) department was using Excel for most auditing activities, and they were struggling to have any sort of audit program that extended past sampling and manual checks. Sample sizes would be selected and then a time-consuming verification process would be completed against related documentation in physical files (actual document repositories came later).

    It was the IA industry trend to move away from sampling and towards testing full populations to monitor effectiveness of operations and policy compliance that motivated CU to start thinking about how they could improve and get more in line with the industry. Senior-level personnel from CU would attend conferences and hear of where the future of audit was going, what other organizations were doing, and in some cases what tools other organizations were using.CU needed a tool themselves to propel them into the future of IA and the technologies involved.

    • Solution

    ACL Analytics (AN) would allow CU to create, maintain, and run analytic scripts to cover the analysis of full data populations -CU started here. Following that, a moveto Analytics Exchange(AX) wouldfurther move them along the audit maturity curve by allowing them to house and schedule a more sophisticated library of scripts. As well, making use of Galvanize Services to have scripts created specifically for continuous monitoring would allow CU to hit the ground running with AX.

    Hiring a Data Analytics Specialist, who had a vision for CU IA and became a huge champion for Galvanize products, further pushed IA into cleaning up and expanding their script library, identified additional groups atCU that could benefit from their auditing, and eventually guided the team into the realm of machine learning (ML) with their Galvanize gear plus HighBond’s Results module.

    • The Outcome

    Making use of analytic scripts instantly provided CU with a way to move into continuous auditing and monitoring; results of regular audits are being shared outside of the IA department. With the Registrar’s Office, they provide instances of bad or duplicate student and faculty data that could lead to larger issues. And with the PCard Department, they provide insight into where and how fraudulent activity is occurring; this helps the department to remediate the issues and prevent future occurrences.

    CU also had a vision to setup up an automated process incorporating ML to identify potential fraud for IA to evaluate internally. By implementing select Galvanize offerings1into this sophisticated process, they were able to realize this goal. Fifty percent of what CU’s ML process is identifying as fraud is accurate -this is a huge achievement in terms of detection!This is saving the IA group hundreds of hours in time that they would have had to spend on data exploration, but instead can move them right into the investigation phase.

    With continuous auditing and monitoring in place, and now ML having automated part of their fraud detection, CU is in a good place to further mature their use of ML, as well as start to direct some more time and attention to their Enterprise Risk Management system.

    ACL analytic scripts create (and continually update) master tables and datasets, RCOMMAND extracts required data from these, CU’sR scripts pickup the extraction and ML is then used to identify and rank potential fraud. The output from this learning is loaded into HighBond Results where a fraud group within IA then makes an evaluation – yes or no to each record found being fraud. The result of this evaluation is put back into next quarter’s R evaluation to update andimprove the ML algorithm.

    • Permasalahan

    Sebelum tahun 2012, Departemen Internal Audit (IA) CU menggunakan fitur Excel untuk sebagian besar aktivitas audit mereka dan berjuang untuk memiliki program audit apa pun yang dapat memperpanjang masa sampling dan pemeriksaan yang telah di lakukan secara manual. Ukuran sampel akan dipilih dan kemudian masuk pada proses verifikasi yang cukup memakan waktu. Dokumen yang terkait dalam file fisik (repositori dokumen actual akan datang) dan akan di selesaikan.

    Industri IA cenderung akan menjauh dari sampling dan pada pengujian populasi secara penuh untuk memantau efektivitas kegiatan dan kepatuhan dari kebijakan yang memotivasi CU untuk berpikir bagaimana cara mereka bisa meningkat dan lebih sejalan dengan industri. Personil senior dari CU akan menghadiri konfrensi dan mendengar mengenai masa depan audit, apa yang akan terjadi, apa yang telah di lakukan organisasi lain dan dalam beberapa kasus apa organisasi lain juga menggunakan alat yang sama.  CU membutuhkan alat sendiri untuk mendorong mereka ke masa depan IA dan teknologi yang terlibat.

    • Solusi

    ACL Analytics (AN) akan memungkinkan CU untuk membuat, mempertahankan, dan menjalankan skrip analitik yang mencakup analisis populasi data penuh (dimulai dari sini). Setelah itu Analytics Exchange (AX) akan lebih jauh memindahkannya ke sepanjang kurva audit dengan memungkinkan mereka untuk membuat dan menjadwalkan perpustakaan jauh lebih canggih dari script.  Selain itu  mereka juga dapat memanfaatkan layanan Galvanize untuk memiliki script yang dibuat khusus untuk pemantauan  secara terus menerus.

    Selain itu, dengan memanfaatkan Layanan Galvanize untuk membuat skrip yang dibuat khusus untuk pemantauan berkelanjutan akan memungkinkan CU untuk beroperasi dengan AX. Hal itu seperti Menyewa Spesialis Analisis Data, yang memiliki visi dan menjadi salah produk juaranya Galvanize. Hal tersebut akansemakin mendorong IA untuk membersihkan dan memperluas skrip perpustakaan, mengidentifikasi kelompok tambahan di CU yang dapat diambil manfaatnya dari audit mereka. Pada akhirnya akan memandu tim ke ranah pembelajaran mesin (ML) dengan fitur Galvanize.

    • Hasil

    Memanfaatkan skrip analitik langsung memberi CU cara untuk beralih ke audit dan pemantauan berkelanjutan; hasil audit reguler dibagikan di luar departemen IA.Dengan Kantor Panitera, mereka menyediakan contoh data mahasiswa dan fakultas yang buruk atau duplikat yang dapat menyebabkan masalah yang lebih besar.

    Dan melaliui Departemen PCard, mereka memberikan wawasan tentang di mana dan bagaimana penipuan ini terjadi (ini membantu departemen untuk memperbaiki masalah dan mencegah kejadian lain di masa depan). CU juga memiliki visi untuk mempersiapkan proses otomatis yang menggabungkan pembelajaran mesin (ML) untuk mengidentifikasi potensi penipuan bagi IA agar dievaluasi secara internal. Dengan menerapkan penawaran dari Galvanize yang terpilih ke dalam proses canggih ini, mereka dapat mewujudkan tujuan ini.

    Lima puluh persen dari proses identifikasi CU ditemukan sebagai kecurangan (ini akurat)  hal tersebut merupakan pencapaian besar dalam hal pendeteksian! Ini dapat menghemat kelompok internal audit, ratusan jam dan waktu yang harus mereka habiskan dan dapat membawa mereka bergerak langsung ke fase investigasi.

    Dengan audit dan pemantauan yang berkesinambungan di tempat, dan sekarang pembelajaran mesin (ML) memiliki bagian otomatis pendeteksian penipuan mereka. CU berada di tempat yang baik untuk semakin dewasa penggunaannya terhadap ML, serta mulai mengarahkan lebih banyak waktu dan perhatian pada sistem Manajemen Risiko Perusahaan mereka .

    ACL analytic skrip membuat (dan terus-menerus memperbarui) Master tabel dan dataset, RCOMMAND ekstrak data yang diperlukan dari ini, CU’sR skrip pickup ekstraksi dan ML kemudian digunakan untuk mengidentifikasi dan peringkat potensi penipuan. Output dari pembelajaran ini dimuat ke dalam hasil HighBond di mana kelompok penipuan dalam IA kemudian membuat evaluasi-ya atau tidak untuk setiap record yang ditemukan penipuan. Hasil evaluasi ini dimasukkan kembali ke kuartal berikutnya R evaluasi untuk memperbarui andimbuktikan algoritma ML.