La informatización en el proceso de Auditoría (página 2)

El auditor informático ha de velar por la correcta utilización de los amplios recursos que la empresa pone en juego para disponer de un eficiente y eficaz Sistema de Información. Claro está, que para la realización de una auditoria informática eficaz, se debe entender a la empresa en su más amplio sentido, ya que una Universidad, un Ministerio o un Hospital son tan empresas como una Sociedad Anónima o empresa Pública. Todos utilizan la informática para gestionar sus "negocios" de forma rápida y eficiente con el fin de obtener beneficios económicos y de costes.

Por eso, al igual que los demás órganos de la empresa (Balances y Cuentas de Resultados, Tarifas, Sueldos, etc.), los Sistemas Informáticos están sometidos al control correspondiente, o al menos deberían estarlo. La importancia de llevar este control se puede deducir de varios aspectos. He aquí algunos:

• Las computadoras y los Centros de Proceso de Datos se convirtieron en blancos apetecibles no solo para el espionaje, sino para la delincuencia y el terrorismo. En este caso interviene la Auditoria Informática de Seguridad.
• Las computadoras creadas para procesar y difundir resultados o información elaborada pueden producir resultados o información errónea si dichos datos son, a su vez, erróneos. Este concepto obvio es a veces olvidado por las mismas empresas que terminan perdiendo de vista la naturaleza y calidad de los datos de entrada a sus Sistemas Informáticos, con la posibilidad de que se provoque un efecto cascada y afecte a Aplicaciones independientes. En este caso interviene la Auditoria Informática de Datos.
• Un Sistema Informático mal diseñado puede convertirse en una herramienta harto peligrosa para la empresa: como las máquinas obedecen ciegamente a las órdenes recibidas y la modelación de la empresa está determinada por las computadoras que materializan los Sistemas de Información, la gestión y la organización de la empresa no puede depender de un Software y Hardware mal diseñados. Estos son solo algunos de los varios inconvenientes que puede presentar un Sistema Informático, por eso, la necesidad de la Auditoria de Sistemas

El auditor de Base de Datos revisará finalmente la integridad y consistencia de los datos, así como la ausencia de redundancias entre ellos.

La auditoria informática interna tiene la ventaja de que puede actuar periódicamente realizando Revisiones globales, como parte de su Plan Anual y de su actividad normal. Los auditados conocen estos planes y se habitúan a las Auditorias, especialmente cuando las consecuencias de las Recomendaciones habidas benefician su trabajo.

El alcance de la auditoria ha de definir con precisión el entorno y los límites en que va a desarrollarse la auditoria informática y se complementa con los objetivos de ésta. El alcance ha de figurar expresamente en el Informe Final, de modo que quede perfectamente determinado no solamente hasta que puntos se ha llegado, sino cuales materias fronterizas han sido omitidas. Ejemplo: ¿Se someterán los registros grabados a un control de integridad exhaustivo? ¿Se comprobará que los controles de validación de errores son adecuados y suficientes? La indefinición de los alcances de la auditoria compromete el éxito de la misma .

1. Utilización de las técnicas de auditorias asistidas por computadoras.

Los procedimientos de auditoria con informática varían de acuerdo con la filosofía y técnica de cada departamento de auditoria en particular. Sin embargo, existen ciertas técnicas y/o procedimientos que son compatibles en la mayoría de los ambientes de informática.

Estas técnicas caen en dos categorías: métodos manuales y métodos asistidos por computadoras.

El auditor debe utilizar la computadora en la ejecución de la auditoria, ya que esta herramienta permitirá ampliar la cobertura del examen, reduciendo el tiempo / costo de las pruebas y procedimientos de muestreo, que de otra manera tendría que efectuarse manualmente. Una computadora puede ser empleada por el auditor en:

• Verificación de cifras totales y cálculos para comprobar la exactitud de los reportes de salidas.
• Pruebas a los registros de los archivos para verificar la consistencia y la calidad de los datos.
• Clasificación de datos y análisis de la ejecución de procedimientos.
• Selección e impresión de datos mediante técnicas de muestreo y confirmaciones.
• Llevar a cabo en forma independiente una simulación del proceso de transacciones para verificar la conexión y consistencia de los programas computacionales.

El empleo de la microcomputadora en la auditoria constituye una herramienta que facilita la realización de actividades de revisión como:

• Trasladar los datos del sistema a un ambiente de control del auditor.
• Llevar a cabo la selección de datos.
• Verificar la exactitud de los cálculos.
• Analizar los datos y determinar su calidad e integridad.
• Muestreo estadístico.
• Visualización de datos.
• Ordenamiento de la información.
• Producción de reportes.

1. Calidad de Datos.

La calidad de sus datos es uno de los fundamentos del éxito de su organización. El tener acceso a información exacta y completa es fundamental para la toma de decisiones estratégicas y de misión crítica. Datos con calidad apoyan y fortalecen virtualmente todas las funciones de negocios y son especialmente importantes para tomar cualquier tipo de iniciativas.

Para asegurar la exactitud e integridad continuas de sus datos es necesario:

• Analizar y detallar los niveles de calidad de datos, fragmentación, errores y otras anomalías particulares a sus archivos.
• Identificar elementos, limpiar, estandarizar, identificar clientes duplicados y enlazar clientes relacionados provenientes de fuentes heredadas internas ("legacy") o bases de datos externas antes de la integración para asegurar una conversión fluida y sin problemas.
• Identificar el tipo de cliente, género y relaciones, a pesar de problemas de ortografía y captura, variaciones y datos capturados en campos equivocados.
• Preparar automáticamente los registros para procesos más eficientes de identificación de duplicados y enlace de clientes relacionados, así como otros procesos que proveerán un cuadro más completo de su base de clientes.
• Asegurar que un solo perfil central y actualizado es mantenido cada vez que entran nuevos datos de clientes a sus sistemas corporativos, sin importar la aplicación o portal de contacto.
• Proveer mejor manejo de créditos a través de las aplicaciones y las subsidiarias para reducir los riesgos relacionados con el crédito.

Una pobre calidad de datos va en contra de la buena administración de los recursos humanos, financieros y materiales de una institución, va en contra de la creación de valor y de la excelencia operacional, incrementa los costos, impacta los niveles de servicio y reduce la eficiencia de las operaciones.

1. Dimensiones de la Calidad de Datos.

 En el área de Manejo de calidad total de los datos (TDQM), la limpieza de datos está relacionada con la aplicación de la calidad a los ciclos de adquisición y uso de los datos, y está compuesta de una serie de actividades: valoración, ajuste del análisis y decantación de los datos. En este mismo marco, la calidad de los datos se mide en función de 4 dimensiones:

• Corrección.
• Actualización.
• Integridad.
• Consistencia.

2. Método para mejorar la Calidad de Datos.

Una vez creada la expectativa y reconocidos los beneficios de mejorar la calidad de la información, se debe aplicar una metodología para mejorar la calidad de la información en nuestro negocio.

• Identificar la información crítica para el negocio. Existe tanta información en una organización que difícilmente podemos dedicar suficientes recursos para mejorar la calidad de toda la información, por lo que hay que identificar cual es la información que tiene un mayor impacto en las operaciones del negocio.
• Definir criterios de Calidad de Datos, esto es, definir cuando un dato es exacto para su organización.
• Realizar mediciones iniciales para detectar posibles problemas de Calidad de Datos. Este paso es un diagnóstico que nos apoya a medir la calidad actual de la información crítica definida en el paso 1, identificando donde se encuentran los mayores problemas y priorizando las áreas con las que hay que iniciar el esfuerzo.
• Automatizar Indicadores de Calidad de Información. En este paso se realizan programas que apoyen a medir periódicamente la Calidad de la Información, lo que no se puede medir no se puede administrar y no se puede mejorar. Estos medidores deben estar al alcance de las personas que serán las responsables de monitorear y mejorar la calidad de la información.
• Definir responsables de Calidad de Datos. Una de los factores críticos de éxito de un proyecto de Calidad de Datos es definir un responsable de cada indicador, esta persona debe monitorear las tendencias del indicador y realizar planes de acción encaminados a la mejora de los indicadores.
• Diagnósticos de calidad de Datos. En estos diagnósticos se determinan las posibles causas de la mala calidad de Datos y se definen planes de acción con responsables para mejorar el indicador. Entre los planes de acción normalmente se incluye el establecer controles preventivos y correctivos para la mejora de la calidad de Datos.
• Monitoreo de los indicadores por parte de la Gerencia. Si los empleados no perciben las altas expectativas por parte de la gerencia, el proyecto tendrá resultados limitados, es importante que los indicadores de Calidad de Datos se revisen periódicamente, asegurando su seguimiento y mejora continua.

Finalmente, una vez estabilizados los indicadores de Calidad de Datos, se regresa al punto uno para identificar información que tenga impactos en el negocio y que sea necesario su medición y mejora .

1. Limpieza de Datos.

En muchas aplicaciones relacionadas con los temas de investigación de descubrimiento de conocimiento en los datos, almacenes de datos, y toma de decisiones, un aspecto crítico lo constituye el nivel de corrección de los datos con que se trabaja.

Este tipo de aplicaciones generalmente se nutren de bases de datos operacionales, y con frecuencia en las mismas se encuentran registros de datos con información incompleta o errónea, pues aunque se plantea que existen varios factores que pueden influir en la calidad, consistencia e integridad de los datos, muchas veces, el origen de los datos, constituye un factor crucial. Aún cuando los desarrolladores de sistemas hagan ingentes esfuerzos para evitar los errores en los datos, la razón de error es aproximadamente de un 5% .

La existencia de "datos sucios", como también se le llama a estos errores en los datos, tiene un gran impacto en las instituciones, reflejándose esto en un alto costo operacional, toma de decisiones inadecuadas, incremento de la inseguridad y una desviación de la atención de las direcciones de las instituciones .

1. La definición de Limpieza de datos aborda diferentes elementos, por ejemplo, el tratamiento de valores ausentes o faltantes, la determinación de la utilidad de los registros, la determinación de datos erróneos etc.

   No existe una definición general establecida sobre este proceso, pues depende del área específica en que se aplique.

   Algunas de estas definiciones son:

   "Limpieza de Datos es el proceso de eliminación de errores e inconsistencias en los datos, y aclaración del problema de identidad del objeto .

   "Limpieza de Datos se define como el problema de Mezcla/limpieza" .

   "La Limpieza de datos es el proceso que se encarga de detectar y eliminar anomalías en los datos y la necesidad de llevarla a cabo aumenta cuando existen varias fuentes de datos que necesitan ser integradas" .

   Limpieza de datos es el proceso de corregir o remover información incorrecta, con formato inapropiado o duplicado en una base de datos. Una empresa en una industria intensiva en información como la banca, los seguros, telecomunicaciones o transporte, puede utilizar una herramienta de limpieza de datos para examinar sistemáticamente los datos para encontrar fallas mediante la utilización de reglas, algoritmos y tablas de búsqueda. Por lo general una herramienta de limpieza de datos incluye programas que son capaces de corregir un número específico de tipos de errores como completar números telefónicos o encontrar registros duplicados. La utilización de una herramienta de limpieza de datos puede ahorrar un tiempo significativo al administrador de la base de datos y puede ser menos costoso que arreglarlo a mano .

2. Definición de Limpieza de Datos
3. Principios de la Limpieza de datos.

La necesidad de la limpieza de datos se centra fundamentalmente alrededor de mejorar la calidad de los datos para hacerlos "apropiados para su uso" por los usuarios mediante la reducción de los errores en los datos y mejorando su documentación y presentación. La prevención de errores es mucho mejor que la detección de los mismos y su posterior limpieza. No importa cuan eficiente sea el proceso de entrada de datos, los errores siempre ocurrirán, por lo tanto ni la validación de datos ni la corrección puedes ser ignorados.

• La planificación es esencial. (desarrollar una visión, política y estrategia)
• La prevención es mejor que la cura
• Organizar los datos mejora la eficiencia.
• La responsabilidad es de todos (colector, administrador y usuario)
• La asociación mejora la eficiencia,
• Establecer objetivos y desarrollar medidas.

El desarrollo de medidas es una adición valiosa en los procedimientos de control de calidad y ayuda a dirigir el proceso de limpieza de datos. El desarrollo de medidas puede incluir hasta el chequeo estadístico de los datos .

• El establecimiento de prioridades reduce la duplicación.
• La retroalimentación es un camino de dos vías.

Los usuarios finales de los datos también encuentran errores, por tanto es muy importante que existan vías para que estos lo comuniquen al administrador.

Es de esta forma en que la incidencia de futuros errores puede ser reducido y sobre todo la calidad de los datos puede ser mejorada .

• Técnicas para mejorar el entrenamiento y la educación.

Un buen entrenamiento, especialmente en la recolección y entrada de los datos (en la Cadena de Calidad de la Información) reducen la proporción de errores en los datos primarios de forma considerable, disminuyendo los costos en la captación y mejorando su calidad.

• Minimizar la repetición del proceso de limpieza de los datos.

La repetición del proceso de limpieza de datos en la mayoría de las organizaciones es el principal factor del encarecimiento del mismo. La documentación de los procedimientos de validación reduce grandemente el re-manejo de los datos.

Experiencias en el mundo de los negocios dicen que el uso de la Cadena de Manipulación de la información puede reducir la duplicación y el re-manejo de los datos hasta un 50%. Y una reducción de los costos al usar datos pobres de hasta dos terceras partes. Esto es principalmente debido a que se gana eficiencia a través de la asignación de responsabilidades para la manipulación de los datos y control de la calidad, minimizando los cuellos de botella y los tiempos de cola, minimizando la duplicación mediante diferente personan rehaciendo los chequeos de control de calidad y mejorando la identificación de los métodos de trabajo .

• Documentación.

La documentación es la clave para una buena calidad en los datos, sin una buena documentación es muy difícil para los usuarios determinar el grado de corrección de los datos y se hace difícil para el administrador saber cuál y por quién el chequeo de calidad de los datos se ha llevado a cabo.

• Responsabilidad, transparencia, habilidad en la auditoria.

1. Interrelación entre Auditoria en Informática y Limpieza de datos.

El núcleo o centro de la informática son los programas, los cuales pueden ser auditados por medio de la auditoria de programas.

La auditoria en informática debe evaluar el todo (informática, organización del centro de cómputo, computadoras y programas) con auxilio de los principios de auditoria administrativa, auditoria interna, auditoria contable financiera y, a su vez, puede proporcionar información a esos tipos de auditoria, y las computadoras deben ser una herramienta para la realización de cualquiera de las auditorias.

Los datos son uno de los recursos más valiosos de las organizaciones y, aunque son intangibles, necesitan ser controlados y auditados con el mismo cuidado que los demás inventarios de la organización, por lo cual se debe tener presente:

• La responsabilidad de los datos es compartida conjuntamente por alguna función determinada de la organización y dirección de informática.
• Un problema que se debe considerar es el que se origina por la duplicidad de los datos y consiste en poder determinar los propietarios o usuarios posibles (principalmente en el caso de redes y banco de datos) y la responsabilidad de su actualización y consistencia.
• Los datos deberán tener una clasificación estándar y un mecanismo de identificación que permita detectar duplicidad y redundancia dentro de una aplicación y de todas las aplicaciones en general.
• Se deben relacionar los elementos de los datos con las bases de datos donde están almacenados, así como los reportes y grupos de procesos donde son generados.
• La mayoría de los delitos por computadora son cometidos por modificaciones de datos fuentes al:

-Suprimir u omitir datos.

-Adicionar datos.

-Alterar datos.

-Duplicar procesos.

Un error común es la ausencia de información y por eso en la Limpieza de Datos constituye una tarea fundamental el tratamiento de los valores ausentes. Situaciones tales como "fecha de nacimiento desconocida", "conferencista por confirmar", "dirección actual desconocida" son comunes .

Los valores ausentes son un problema común y la mejor implementación para minimizarlo es a través de una cuidadosa administración y asegurando la calidad de los datos. Cuando estos valores son menores que 1% son generalmente considerados triviales, de 1-5 % manejables, de 5-15% requiere de métodos sofisticados para manejarlos y más de un 15% afecta seriamente cualquier clase de interpretación .

Numerosas técnicas han sido desarrolladas en la literatura para solucionar los problemas ocasionados por la existencia de datos ausentes dentro de las Bases de Datos.

Por ejemplo un valor perdido puede ser ignorado, este camino puede ser el más fácil para el manejo de los mismos, pero no contribuye a la calidad de las Bases de Datos que contienen este valor ; .

Teniendo en cuenta que la limpieza de datos es un proceso de eliminación de errores e inconsistencias en los datos, auditoria se auxilia de esta técnica, especialmente en el análisis de los datos, para ejecutar sus programas y cumplir con sus objetivos y alcance.

Bibliografía.

1. Manual de Auditoría. [cited Sección I Capítulo 5.

2. Auditoría Informática. [cited 10/Enero/2006]; Available from: http://www.monografias.com/trabajos/auditoinfo/auditoinfo.shtml.

3. Calidad de Datos. [cited 10/Enero/2006]; Available from: http://espanol.innovativesystems.com/soluciones_de_negocios/calidad_de_datos/index.php.

4. Redman, T., The Impact of Poor Data Quality on the Typical Enterprise. Communications of the ACM, 1998: p. 79-82.

5. Maletic, J.I. and A. Marcus, Automated Identification of Errors in Data Sets. 2002, The University of Memphis, Division of Computer Science.

6. Galhardas, H., et al., An Extensible Framework for Data Cleaning. 1999, Institute National de Recherche en Informatique ét en Automatique: France.

7. Hernandez, M.A. and S.J. Stolfo, Real-world Data is Dirty: Data Cleansing and The Merge/Purge Problem. Journal of Data Mining and Knowledge Discovery, 1998. 2(1): p. 9-37.

8. Ceruti, M.G. and M.N. Kamel, Preprocessing and Integration of Data from Multiple Sources for Knowledge Discovery. International Journal on Artificial Intelligence Tools, 1999.

9. Limpieza de datos (data scrubbing o data clensing). [cited 10/Enero/2006]; Available from: http://www.gestiopolis.com/delta/term/TER245.html.

10. Chapman, A., Principles of Data Quality. 2004, Global Biodiversity Information Facility (GBIF): Copenhagen.

11. Redman, T.C., Data Quality: The Field Guide. 2001, Boston: MA: Digital Press.

12. Date, C.J., Introducción a los Sistemas de Bases de Datos. 7ª Edición ed. 2001: Addison Wesley.

13. McDermeit, M., R. Funk, and M. Dennis, Data cleaning and reaplecement of missing values. 1999, Chestnut Health Systems, Research and Training Lighthouse Institute.

14. Redman, T., Data Quality: Management and Technology. 1992, New York: Bantam Books.

15. Wand, Y. and R. Wang, Anchoring Data Quality Dimensions Ontological Foundations. Communications of ACM, 1996. 39.

Autor:

Lic. Lilia Domíguez Perera

Profesión: Auditor

País: Cuba

Ciudad: Santa Clara

Fecha del trabajo: 20-01-2007