Big  Data  Analytics  in  the  Financial  Statement  Audit                                                                        A  critical  examination  of  the  possible  value  to  the  auditors      

     

Bachelor  thesis  Accountancy  &  Control    

 Ivar  van  den  Boogert    

 10562079    29th  of  June  2016,  final  draft    Professor  Brendan  O’Dwyer                      

University  of  Amsterdam,  Amsterdam  Business  School  

Statement  of  Originality  

This  document  is  written  by  Ivar  van  den  Boogert  who  declares  to  take  full  responsibility  for  the  contents  of  this  document.  

I  declare  that  the  text  and  the  work  presented  in  this  document  is  original  and  that  no  sources  other  than  those  mentioned  in  the  text  and  its  references  have  been  used  in  creating  it.  

The  Faculty  of  Economics  and  Business  is  responsible  solely  for  the  supervision  of  completion  of  the  work,  not  for  the  contents.  

 

   

Abstract    

 

Currently  the  position  of  the  financial  statement  auditor  is  under  pressure,  several  reports  

such  as  the  Green  Paper  of  2010  pressure  for  change  in  the  audit  profession.  In  this  thesis  I  

will  answer  the  question  whether  big  data  analytics  could  be  beneficial  to  the  auditors,  by  

examining  in  which  stages  of  the  audit  big  data  analytics  could  improve  the  audit  in  terms  of  

efficiency,  cost  reduction  and  quality.  Big  data  analytics  is  a  hype  of  the  last  five  years,  and  

while  interesting  applications  have  found  in  several  fields,  there  does  not  yet  exist  an  

application  for  the  assurance  service  industry.  My  contribution  to  the  existing  literature  is  

twofold.  First  of  all  I  synthesize  existing  literature  concerning  big  data  in  a  fashion  suitable  to  

the  auditing  profession.  Second,  in  the  Big  Data  forum  of  the  journal  Accounting  Horizons  

(2015)  authors  were  highly  positive  about  the  possibilities  of  big  data  analytics  in  the  

financial  statement  audit;  however,  the  authors  neglect  to  argue  where  the  possible  benefits  

could  be  realized.  In  my  thesis  I  will  try  to  specify  the  areas  where  big  data  analytics  could  

indeed  prove  to  be  beneficial.  I  will  answer  this  research  question  by  performing  a  literature  

review.  The  main  finding  is  that,  despite  of  the  potential  of  big  data  analytics,  the  perceived  

value  for  financial  statement  auditors  is  ambiguous  in  terms  of  efficiency  and  quality.  Cost  

reduction  is  most  certainly  not  achieved  at  the  moment.    

   

Samenvatting  

 

Momenteel  staat  de  positie  van  de  auditor  ter  discussie,  zoals  kan  worden  afgeleid  van  

onder  meer  het  Groenboek  2010.  De  druk  voor  verandering  is  aanzienlijk  hoger  dan  

voorheen,  daarom  onderzoek  ik  in  deze  thesis  of  big  data  analytics  een  waardevol  

hulpmiddel  kan  zijn  voor  auditors  in  de  financial  statement  audit.  Big  data  is  een  hype  waar  

veel  over  wordt  gespeculeerd  en  tevens  zijn  er  interessante  toepassingen  waargenomen  in  

verschillende  sectoren.  Daarom  wordt  in  deze  thesis  onderzocht,  door  middel  van  een  

literatuurstudie,  in  hoeverre  big  data  analytics  waardevol  is  voor  auditors  in  termen  van  

efficiëntere,  goedkopere  en  kwalitatief  betere  audits.  Mijn  bijdrage  aan  de  bestaande  

literatuur  is  tweeledig.  Ten  eerste  vat  ik  de  bestaande  literatuur  met  betrekking  tot  big  data  

samen,  waarbij  de  toepassing  op  het  accountantsberoep  centraal  staat.  Ten  tweede  toets  ik  

de  zeer  positieve  houding  van  auteurs  die  schreven  in  het  forum    Big  Data  van  het  journal  

Accounting  Horizons.  De  auteurs  waren  uitermate  positief  over  de  mogelijkheden  van  big  

data  analytics  in  de  financial  statement  audit,  maar  beargumenteerden  niet  in  welke  fase(n)  

van  de  audit  deze  potentiële  waarde  wordt  gerealiseerd.  Ik  probeer  dit  in  deze  thesis  wel  te  

specificeren.  Uit  mijn  onderzoek  blijkt  dat  het  niet  eenduidig  is  dat  er  efficiëntere  en  

kwalitatief  betere  audits  worden  gerealiseerd    met  big  data  analytics.  Lagere  kosten  worden  

hoogstwaarschijnlijk  niet  gerealiseerd.    

   

Table  of  Contents  

1.   Introduction  ................................................................................................................  6  2   Overview  of  the  theory  .............................................................................................  8  2.1     General  context  of  auditing  .........................................................................................  8  2.2     Performing  an  audit  ...................................................................................................  10  2.3     Big  Data  ...........................................................................................................................  11  

3    How  to  assess  the  value  of  big  data  analytics  for  auditors  .......................  16  3.1   The  Iron  Triangle  .........................................................................................................  16  3.2                  Audit  Quality  ..............................................................................................................  17  3.2.1   Audit  input  ...............................................................................................................................  17  3.2.2   Audit  Process  ..........................................................................................................................  18  3.2.3   Audit  output  ............................................................................................................................  20  

4   Examination  of  the  possible  value  of  big  data  analytics  .............................  22  4.1     Big  Data  Analytics  and  Efficiency  ...........................................................................  22  4.2     Big  Data  Analytics  and  Audit  quality  ....................................................................  24  4.3   Potential  challenges  and  hurdles  ............................................................................  28  

5   Discussion  ..................................................................................................................  30  References  ........................................................................................................................  33        

1.   Introduction    

The  auditing  profession  has  been  under  considerable  pressure  the  last  fifteen  years,  as  can  

be  concluded  from  the  Green  Paper  issued  in  2010  and  from  the  paper  of  Power  (2003,  p.  

379).  First,  the  major  fraud  committed  by  the  management  of  Enron,  which  became  known  

in  2001,  causing  billion-­‐dollar  damage  and  the  bankruptcy  of  Arthur  &  Anderson  (Brickley,  

2003,  p.  1).  Arthur  &  Anderson  used  to  be  one  of  the  big  5  auditing  firms,  but  after  their  

failure  with  regard  to  the  Enron  scandal  became  public  knowledge  bankruptcy  followed  

soon  in  2002  according  to  Brickley  (2003,  p.  2).    

Second,  since  the  global  financial  crisis,  users  of  financial  statements  and  regulators  

of  the  auditing  profession  have  become  more  sceptical  about  the  role  that  the  auditor  fulfils  

in  the  economy  (Green  Paper,  2010,  p.  6).  During  and  after  the  peak  of  the  recent  financial  

crisis  many  financial  institutions  went  bankrupt  without  any  warning  from  the  auditors  

(Green  Paper,  2010,  p.  9).  The  auditor  has  the  obligation,  since  1989,  to  evaluate  the  viability  

of  the  auditee  (entity  being  audited)  for  a  reasonable  time,  which  is  outlined  in  the  

Statements  on  Auditing  Standards  (SAS)  No.  59  (AICPA,  2002).  The  financial  crisis  made  it  

evident  that  auditors  were  failing  to  fulfil  this  obligation.  Consequently,  several  measures  

have  been  put  in  place:  for  example  in  the  United  States,  the  Sarbanes-­‐Oxley  Act  has  been  

implemented  and  in  Europe  the  Green  Paper  2010  has  been  issued.      

Pressure  on  the  audit  profession  is  not  only  coming  from  regulatory  bodies,  

increased  competition  in  the  audit  profession  is  another  important  factor.  The  margins  on  

financial  statement  audits  are  extremely  tight,  because  the  auditing  market  is  highly  

concentrated  and  regulatory  bodies  have  introduced  more  competition  by  mandating  firm  

rotation  (Knechel,  2007,  p.  387;  AICPA,  2013).  In  order  to  remain  competitive  and  credible,  

the  auditing  profession  would  therefore  benefit  from  new  cost-­‐reducing  and  quality-­‐

enhancing  techniques  in  financial  statement  audits.    

  An  important  innovation  in  the  business  environment  the  last  couple  of  years  is  Big  

Data.  A  survey  performed  by  Gartner  (2015)  showed  that  75%  of  the  responding  companies  

expected  to  invest  or  were  already  investing  in  big  data  and  analytical  tools  that  could  be  

used  to  process  big  data.  In  an  earlier  survey,  also  performed  by  Gartner  (2012),  it  was  

estimated  that  the  total  amount  invested  in  big  data  would  reach  232  billion  dollar  by  2016.    

  An  example  of  the  application  of  big  data  analytics  is  described  by  Zang,  Yang  and  

Appelbaum  where  the  researchers  successfully  predict  the  change  of  the  Dow  Jones  

Industrial  Average  stock  exchange,  using  the  mood  on  Twitter  as  explanatory  variable  (2015,  

p.  425).  Another  example  comes  from  Walmart,  the  retail  corporation  used  weather  forecast  

information  to  guide  their  advertising  of  flashlights  (Dezyre,  2013).  By  successfully  using  

information  about  storms  and  tornado’s  and  anticipating  on  a  higher  demand  for  flashlights,  

Walmart’s  was  able  to  sell  more  flashlights.  More  examples  can  be  found  in  the  medical  and  

the  insurance  industry.    

  As  shown  above,  there  seems  to  be  a  variety  of  possibilities  for  big  data  analytics  in  

the  business  environment.  However,  by  my  knowledge  no  successful  application  can  as  of  

yet  be  found  in  the  assurance  service  industry,  or  more  specifically,  within  the  auditing  

profession.  As  mentioned  earlier,  the  auditing  profession  is  under  pressure  and  new  

techniques  might  bring  some  reprieve  to  the  profession.  Therefore,  I  will  research  whether  

big  data  analytics  could  be  such  a  technique,  by  answering  the  question  whether  big  data  

analytics  is  beneficial  for  financial  statement  auditors  in  a  financial  statement  audit.  

 The  research  will  take  the  form  of  a  literature  review.  My  contribution  to  the  

literature  is  twofold.  First  I  examine  whether  the  several  studies  that  claim  that  that  big  data  

analytics  will  be  beneficial  for  the  auditor  are  correct.  Second,  I  synthesize  the  existing  

literature  covering  the  topic  of  big  data  with  respect  to  the  auditing  profession,  which  can  

serve  as  reference  for  further  research.    

Based  on  the  literature  study,  it  can  be  concluded  that  the  value  of  big  data  analytics  

for  financial  statement  auditors  is  not  as  obvious  as  originally  thought  by  authors  of  the  Big  

Data  forum  edition  in  Accounting  Horizons.  It  is  ambiguous  whether  more  efficient  audits  

are  achieved,  and  cost  reductions  are  definitely  not  realized  with  the  current  competition  for  

data  scientist.  Furthermore,  increased  quality  of  financial  statement  audits  is  ambiguous.  Big  

data  analytics  has  potential  to  increase  quality,  but  currently  the  proven  positive  effects  of  

big  data  analytics  are  not  in  the  scope  of  financial  statement  audits.  Rather,  more  specialized  

assurance  services  such  as  forensic  audits  could  benefit  from  these  new  techniques.  

  The  remainder  of  this  paper  is  structured  as  follows.  In  the  second  chapter  

background  information  is  provided  on  the  financial  statement  audit  and  how  a  financial  

statement  ought  to  be  performed.  Furthermore,  chapter  2  will  describe  big  data  and  several  

analytical  techniques  to  analyse  big  data.  In  chapter  3  the  criteria  to  assess  the  value  for  

auditors  of  big  data  analytics  are  presented,  which  will  be  the  basis  for  the  analysis  in  

chapter  4.  In  chapter  5,  a  discussion  of  the  results  of  chapter  4  is  presented,  followed  by  a  

conclusion.    

   

2   Overview  of  the  theory        

2.1     General  context  of  auditing      

The  business  environment  has  become  more  complex  over  the  years,  especially  with  the  

increased  amount  of  data  available  (Gray,  2002,  p.  9).  Therefore,  the  demand  for  assurance  

services  has  increased  to  reduce  the  information  risk  associated  with  the  more  complex  

business  world  (Arens,  Elder  &  Beasley,  2014,  p.  26).  Arens  et  al.  define  information  risk,  as  

the  possibility  that  the  information  presented  is  not  entirely  truthful  and  could  result  in  

wrong  decisions  by  internal  and  external  users  of  the  information  (2014,  p.  26).  The  

(external)  financial  statement  audit  is  one  of  those  demanded  assurance  services  and  in  

general  when  referred  to  auditing,  this  type  of  assurance  service  is  meant  (Arens  et  al.,  

2014,  p.  29).  The  ultimate  purpose  of  the  audit  is  to  improve  the  level  of  confidence  placed  

in  the  financial  statements  by  the  users  of  the  financial  statements  (IAASB,  2012).  

  Arens  et  al.  present  the  following  definition  of  auditing:  “Auditing  is  the  

accumulation  and  evaluation  of  evidence  about  information  to  determine  and  report  on  the  

degree  of  correspondence  between  information  and  established  criteria.  Auditing  should  be  

done  by  a  competent,  independent  person”  (2014,  p.  24).  Specifically,  the  financial  

statement  audit  is  performed  to  verify  that  the  statements  are  in  agreement  with  criteria  

such  as  general  accepted  accounting  principles  (GAAP)  (Arens  et  al.,  2014,  p.  34).    

The  above-­‐presented  definition  of  auditing  will  be  used  to  explain  which  role  

auditors  fulfil  in  the  business  environment  and  how  they  fulfil  it.  According  to  Arens  et  al.  

the  auditor  must  obtain  reasonable  assurance  about  whether  the  financial  statements  are  

free  from  material  misstatements,  and  thus  present  a  fair  view  of  the  underlying  economics  

of  the  entity  (2014,  p.  164).  However,  the  auditor’s  assurance  concerns  the  historical  

financial  statements,  which  is  termed  in  literature  the  ‘rear-­‐view  window  check’  (AIPCA,  

2015,  p.  53).  To  increase  the  relevance  of  the  financial  statement  audit,  auditors  are  

required  to  make  an  assessment  whether  the  auditee  is  likely  to  continue  as  an  entity  for  a  

certain  period  of  time  (AICPA,  1989,  p.  2048).  

The  assurance,  however,  is  given  to  the  shareholders.  So  even  though  the  auditee  

orders  and  pays  for  the  audit,  it  is  actually  executed  for  the  shareholders  of  the  auditee,  

which  is  a  rather  unusual  construction  (Teeter,  2014,  p.  2).    

To  enable  the  auditor  to  express  an  opinion  about  the  financial  statements,  s/he  has  

to  evaluate  the  auditee  following  a  structured  plan  that  can  be  referred  to  as  the  audit  

approach  (Arens  et  al.,  2014,  p.  441).  There  are  four  general  phases  in  the  audit  identified  by  

Arens  et  al.,  but  each  audit  firm  has  the  liberty  to  develop  their  own  specific  methodology  

that  ultimately  could  lead  to  a  competitive  advantage  (Jeppesen,  1998,  p.  520).  In  the  next  

section  these  four  phases  will  be  discussed  in  depth.    

Several  important  terms  from  the  definition  of  auditing  will  be  discussed  in  the  

remainder  of  this  section.  Evidence  as  defined  by  Arens  et  al.  is  any  form  of  information  

used  by  the  auditor  to  test  assertions  made  by  the  management  of  the  auditee  (2014,  p.  24).  

Two  aspects  are  important  when  discussing  evidence  within  auditing,  which  are  

appropriateness  and  sufficiency.  Appropriateness  consists  of  the  relevance  and  reliability  of  

the  evidence  collected  (Arens  et  al.,  2014,  p.  196).  A  more  thorough  explanation  can  be  

found  in  the  third  section  of  this  thesis.  The  auditor  has  several  techniques  to  collect  

evidence,  for  example  physical  examination  (for  inventory  items)  and  analytical  procedures  

such  as  financial  ratios  for  risk  assessments  (Arens  et  al.,  2014,  p.  199).    

Sufficiency  is  about  the  question  how  much  evidence  the  auditor  should  gather.  The  

method  used  by  auditors  to  determine  the  amount  of  evidence  that  should  be  aggregated,  is  

the  audit  risk  model  (AICPA,  1983).  The  following  equation  adopted  from  Arens  et  al.  is  the  

basic  form  of  this  method;  Planned  Detection  Risk  (PDR)  = !""#$�!"#$  !"#$%  !"#$  (!!")!"!!"!#$  !"#$   !" ×  !"#$%"&  !"#$(!")

 

The  outcome  PDR,  which  indicates  the  risk  that  audit  evidence  fails  at  detecting  

misstatements,  is  inversely  related  to  the  amount  of  evidence  the  auditors  have  to  gather  

(Arens  et  al.,  2014,  p.  279).  Hence,  a  lower  PDR  requires  more  evidence.  The  next  

component,  AAR,  reflects  the  risk  the  auditor  (in  general  the  managing  partner)  is  willing  to  

take  that  the  financial  statements  contain  material  misstatements  after  the  audit  is  

completed  (Arens  et  al.,  2014,  p.  280).    

IR  refers  to  the  chance  the  auditor  imputes  to  the  possibility  of  material  

misstatement  before  taking  the  internal  controls  into  account  (Arens  et  al.,  2014,  p.  279).  CR  

refers  to  the  chance  that  the  internal  control  system  of  the  auditee  is  unable  to  detect  

material  misstatements.  The  model  as  presented  above  is  described  in  the  auditing  

standards,  which  characterizes  the  auditing  profession.  These  standards  contain  outlines  

that  dictate,  for  la  large  part,  how  the  audit  should  be  performed.  Compared  to  other  

professions,  auditing  is  highly  regulated.    

Another  important  term  is  ‘reasonable  assurance’.  Auditors  do  not  guarantee  that  

financial  statements  are  free  from  material  misstatements,  since  it  would  not  be  

economically  feasible  to  check  every  transaction  and  every  item.  However,  reasonable  

assurance  is  said  to  be  at  least  95%  sure  that  the  financial  statements  do  not  contain  

material  misstatements.    

Related  to  reasonable  assurance  is  the  term  material  misstatement.  Auditors  have  

the  responsibility  to  detect  material  misstatements  and  not  every  misstatement.  Materiality  

is  highly  subjective  and  is  defined  in  the  following  manner:  something  is  considered  material  

when  omission  or  misstatement  of  the  information  is  likely  to  change  the  decision  of  a  

reasonable  person  (Chewning,  Pany  &  Wheeler,  1989,  pp.  80-­‐81).  Materiality  can  vary  per  

auditee,  obviously  the  monetary  material  level  of  an  organisation  such  as  Apple  Inc.  is  

different  from  the  local  fruit  retailer.  

 

2.2     Performing  an  audit    

In  this  section  the  different  phases  of  the  audit  are  briefly  discussed.  As  emphasized  earlier,  

while  the  precise  methodology  followed  by  an  audit  firm  can  differ  from  what  is  outlined  

below,  the  content  will  generally  be  similar.    

The  first  phase  is  the  planning  phase.  In  the  planning  phase  the  auditors  examine  

whether  to  accept  the  client  by  analysing  the  industry  of  the  auditee  and  evaluate  the  

reasons  for  the  audit  (Arens  et  al.,  2014,  p.  231).  Furthermore,  the  auditor  achieves  a  

sufficient  understanding  of  the  business  and  the  industry  of  the  client  in  order  to  make  a  

proper  business  risk  assessment,  which  will  determine  the  AAR  and  the  risk  of  material  

misstatements  (Arens  et  al.,  2014,  p.  239).  Using  the  information  obtained  in  the  planning  

phase,  a  materiality  level  is  determined.  Often  a  percentage  of  the  net  income  is  used  as  

value  to  classify  irregularities  as  either  material  or  immaterial  (AICPA,  IAS  320).  At  the  end  of  

the  first  phase,  based  on  the  analysis  of  the  client  and  its  industry,  an  overall  audit  approach  

is  designed.  

In  the  second  phase,  auditors  carry  out  test  of  controls  and  substantive  tests  on  

transactions  (Arens  et  al,  2014,  p.  442).  By  testing  the  specific  internal  controls  of  the  

auditee,  the  auditors  can  determine  the  control  risk,  which  is  the  CR  in  the  audit  risk  model.  

In  the  case  of  weak  internal  control  more  evidence  has  to  be  gathered  to  verify  the  

monetary  amounts  of  transactions  and  balance  sheet  items  in  the  subsequent  phase  (Arens  

et  al.,  2014,  p.  442).    

The  third  phase  of  the  audit  consist  of  two  main  activities,  which  are  analytical  

procedures  and  tests  of  details  of  balances  (Arens  et  al.,  2014,  p.  184).  The  analytical  

procedures  are  used  to  find  patterns  and  plausible  relationships  between  different  balance  

sheet  items.  For  example,  a  ratio  of  accounts  receivable  to  sales  is  assumed  to  remain  

stable,  when  deviations  are  found  large  enough  the  auditor  should  proceed  with  a  test  of  

detail  of  balances.  Those  tests  of  detail  consist  of  contacting  customers  of  the  auditee  to  

confirm  certain  accounts  receivable  amounts.  Conversely  to  the  second  phase,  evidence  is  

mostly  retrieved  from  third  parties  (Arens  et  al.,  2014,  p.  184).    

  After  the  auditors  have  completed  all  procedures  and  acquired  all  the  evidence  to  

meet  the  objectives  of  the  audit,  an  overall  verdict  is  reached.  The  auditors  draw  an  overall  

conclusion  in  the  final  phase  of  the  audit,  whether  or  not  the  financial  statements  are  free  

from  material  a  misstatement,  which  is  referred  to  as  the  auditor’s  opinion  (Arens  et  al.,  

2014,  p.  70).  For  simplicity’s  sake  one  of  two  opinions  can  be  expressed:  either  a  clean  

opinion  or  a  modified  opinion.  When  no  material  misstatements  are  detected  the  auditors  

will  express  a  clean  opinion  (Arens  et  al.,  2014,  p.  68).  When  material  misstatements  are  

detected,  the  auditor  will  modify  his/her  opinion.  While  there  are  several  different  types  of  

modified  opinions,  for  this  thesis  the  broad  distinction  above  will  satisfy.    

   

2.3     Big  Data      Big  data  and  the  analytics  performed  on  them  have  been  quite  the  hype  in  numerous  

industries  for  the  past  few  years  (Deloitte,  2013,  p.  2).  But,  as  with  any  hype,  its  true  value  is  

not  as  evident  as  people  might  think.  In  the  introduction,  two  applications  of  big  data  

analytics  were  mentioned.  To  make  an  assessment  of  the  possibilities  of  big  data  analytics  in  

the  auditing  profession,  it  is  paramount  to  define  big  data  as  well  as  analytics  in  a  fashion  

that  suits  the  auditing  profession.    

  Different  professionals  in  different  industries  use  different  definitions  of  big  data  

(Alles  &  Gray,  2015,  p.  8).  The  Mckinsey  Global  Institute  employs  the  following  definition:  as  

soon  as  data  cannot  be  captured,  analysed  and  stored  by  the  traditional  information  

systems,  it  should  be  labelled  as  big  data  (2011,  p.  1).  Using  this  definition  any  firm  is  

capable  of  generating  big  data  if,  for  instance,  when  trends  on  Facebook  are  used  as  input  

for  decision-­‐making.  This  type  of  information  falls  outside  the  scope  of  traditional  

information  systems  according  to  Yoon  et  al.  (2015,  p.  431).  The  Mckinsey  Global  Institute  

deliberately  established  a  subjective  definition,  so  that  every  industry  has  the  liberty  to  

come  up  with  a  specific  definition  that  is  most  suitable  for  their  particular  industry  (2011,  p.  

1).  Such  a  vague  definition  does  make  it  questionable  whether  big  data  is  fully  understood  

by  anyone.  Nevertheless,  by  synthesizing  what  is  currently  known  of  big  data,  I  try  to  

establish  an  accurate  description  of  big  data  and  provide  examples  of  data  analytics  relevant  

for  financial  statement  audits  that  can  be  performed  with  big  data.    

  In  the  existing  literature,  definitions  of  big  data  can  be  divided  into  two  broad  

categories.  The  first  category  of  definitions  focuses  on  specific  examples  of  big  data  (Alles  &  

Gray,  2015,  p.  8).  This  definition,  however,  requires  specific  examples  of  big  data  that  can  be  

used  in  auditing.  Due  to  the  lack  of  research,  specific  examples  are  not  available,  which  

makes  this  definition  unusable.  In  this  thesis  we  will  therefore  rely  on  the  second  category  of  

big  data  definitions.  This  category,  according  to  Alles  and  Gray,  is  based  on  specific  

characteristics  of  big  data  (2015,  p.  8).  Those  characteristics  are  commonly  known  as  the  4  

V’s.  It  must  be  noted  that,  since  big  data  is  a  current  issue  it  is  likely  more  definitions  and  

characterizations  will  follow.  For  example,  at  the  Big  Data  Summit  in  Boston  two  additional  

V’s  were  presented  (Normandeau,  2013).    

  Interestingly,  the  4  V’s  definition  is  derived  from  a  blog  (META  group),  now  a  part  of  

Gartner,  that  came  up  with  the  taxonomy  in  2001,  which  was  before  the  big  data  hype  

actually  started  (ACCA,  2013,  p.  11).  META  group  defined  the  first  3  V’s,  which  are:  volume,  

velocity  and  variety,  as  cited  by  Alles  and  Gray  (2015,  p.  8).  The  fourth  V,  veracity,  was  later  

added  to  these  3  V’s.  Big  data  distinguishes  itself  from  ordinary  data  due  to  the  4  V’s  

(McAfee  &  Brynjolfsson,  2012,  p.  62).  The  first  3  V’s  will  be  explained  in  this  section,  the  

fourth  V  will  be  explained  in  the  analysis  section.          

  The  first  V  is  volume,  which  refers  to  the  size  of  the  data,  as  shown  in  the  figure  

below.  Moffit  and  Vasarhelyi  argue  that  traditionally  information  was  generated  by  the  

information  system  of  the  auditee,  but  an  increasing  amount  of  information  is  generated  by  

other  sources  (2013).  The  lower  left  square  of  the  figure  below,  which  represents  

transaction  data,  is  currently  the  most  important  information  for  the  auditor  (Alles  &  Gray,  

p.  10).  However  the  auditee’s  information  system  is  not  the  only  data-­‐generating  system.  

Connely  identifies  the  following  two  additional  sources  of  information:  human-­‐sourced  

information,  such  as  the  social  medium  Facebook,  and  machine-­‐generated  information,  

which  is  information  from  data  sensors  and  mobile  tracking  sensors  (2012).  These  sources  

are  an  alternative  classification  of  ‘interaction’  and  ‘observation’  used  in  the  figure  below  

(Alles  &  Gray,  2015,  p.  9).  Volume  also  refers  to  the  growth  rate  of  information.  According  to  

Deloitte,  the  amount  of  world  data  increased  from  2,5  zettabytes  (21  zero’s)  to  8  zettabytes  

in  a  five  year  time  span  (2013,  p.  6).  The  auditors,  when  searching  for  information  to  test  

assertions  of  the  management,  might  want  consider  other  forms  than  transactional  data.  

There  will  be  a  more  elaborate  discussion  of  the  results  of  this  characteristic  as  well  as  for  

the  other  characteristics  in  the  analysis  section.  

 The  second  V,  velocity,  refers  to  the  rapid  pace  at  which  data  changes,  which  means  

that  information  is  continuously  updated  (Alles  &  Gray,  2015,  p.  9).  The  third  V,  variety,  is  

related  to  the  different  forms  of  information  that  are  included  in  big  data.  These  forms  

range  from  structured  internal  information,  such  as  transaction  history,  to  unstructured  

external  information  such  as  social  media  information  (Deloitte,  2013).  This  unstructured  

type  of  information  could  be  useful  for  financial  statement  auditors  as  described  below.  The  

wide  variety  of  information  is  a  logical  consequence  of  the  different  information  generators  

that  were  identified  earlier.    

 Currently,  auditors  depend  on  structured  financial  information  (GAAP-­‐compliant  

information)  as  evidence  to  support  the  opinion  about  the  financial  statements  (Cao,  

Chychyla  &  Stewart,  2015,  p.  427).  Therefore,  the  ‘new’  information  big  data  adds  to  the  

information  currently  used  by  the  auditor  is  unstructured  non-­‐traditional  information  

(Moffit  &  Vasarhelyi,  2013,  p.  2).  However,  without  techniques  to  analyse  the  new  data  the  

value  to  auditors  derived  from  big  data  will  be  equal  to  zero.  As  stated  by  Alles  and  Gray,  

value  from  (big)  data  is  determined  by  the  analytics  performed  with  them  (2015,  p.  13).  

Therefore,  several  data  analytical  tools  are  considered  below  that  might  be  useful  to  

auditors  to  analyse  big  data  and  hence  indicate  the  relevance  of  the  3  V’s  as  explained  

above.    

Data  analytics  (also  termed  business  intelligence/artificial  intelligence)  have  been  

divided  into  three  levels  by  Chen,  Chiang  and  Storey  in  an  often-­‐cited  article.  The  first  level  

consists  of  simple  regression  techniques  on  structured  databases  such  as  ERP  systems  of  

enterprises  (Chen  et  al.,  2012,  p.  1166).  The  second  level  has  been  largely  developed  under  

the  influence  of  the  Internet,  according  to  Chen  et  al.  (2012,  p.  1167).  The  authors  argue  

that  with  the  Internet  new  kind  of  information  came  available,  which  required  new  

techniques  and  tools  to  analyze  (2012,  p.  1167).  The  third  level  is  still  in  its  developmental  

stage,  which  incorporates  the  different  information  made  available  by  smartphones  and  

other  devices  equipped  with  GPS  and  other  applications  (Chen  et  al.,  2012,  p.  1167).  

Data  analytics  is  the  practices  of  selecting  and  cleaning  data,  modelling,  and  finding  

patterns  in  datasets  using  data  mining  tools,  which  can  be  used  to  gain  certain  insides  and  

aid  the  auditor  in,  for  example,  risk  assessments  (Sharma  &  Panigrahi,  2012,  p.  38).  Below  

several  data  mining  techniques  discussed  in  auditing  literature  are  presented,  note  that  the  

list  is  by  no  means  not  exhaustive.    

The  first  tool  is  neural  network  (NN);  in  contrast  to  standard  logistic  models,  NN  uses  

non-­‐linear  models  to  analyse  datasets  (Sharma  &  Panigrahi,  2012,  p.  40).  By  incorporating  

complex  algorithms  multiple  pieces  of  information  can  be  evaluated  at  the  same  time  

(Calderon  &  Cheh,  2002,  p.  205).  In  terms  of  big  data,  neural  network  might  be  able  to  link  

financial  and  non-­‐financial  data  to  find  certain  patterns  or  discrepancies  (Chen  et  al.,  2012,  

p.  1170).  A  simple  example  of  a  discrepancy  is  higher  reported  sales,  while  the  amount  of  

stores  decreases.  Assuming  that  Internet  sales  remain  the  same,  it  could  indicate  suspicious  

accounting  (Yoon  et  al.,  2015,  p.  435).  Further,  when  considering  social  media,  decreasing  

popularity,  indicated  by  likes  and  re-­‐tweets,  could  be  an  indicator  of  going  concern  issues.      

In  contrast  to  neural  networks  the  second  tool,  text  mining,  is  a  technique  analysing  

‘soft’  data  rather  than  financial  ‘hard’  data.  Different  approaches  exist  to  analyse  plain  text:  

searching  for  specific  words,  searching  for  specific  word  combinations  or  identifying  any  

other  abnormality  in  plain  text,  which  is  termed  text  analysis  (West  &  Bhattachrya,  2016,  p.  

55).  This  tool  might  be  valuable  when  considering  using  social  media,  emails,  management  

letters  etc.  as  information  source  to  the  auditors,  since  it  consist  largely  of  textual  data.    

The  next  tool  discussed  is  process  mining,  which  refers  to  analysing  transactions  and  

event  logs  (West  &  Bhattachrya,  2016,  p.  55).  When  a  certain  transaction  has  to  be  

completed,  firms  normally  have  certain  protocols  that  should  be  followed  (Jans,  Alles  &  

Vasarhelyi,  2013).  Most  mid-­‐sized  and  large  firms  have  Enterprise  Resource  Planning  (ERP)  

systems  that  automatically  record  the  steps  taken  to  complete  the  transaction.  By  analysing  

this  data,  auditors  could  verify  whether  the  actions  taken  are  indeed  the  actions  that  should  

have  been  taken  (West  &  Bhattachrya,  2016,  p.  55).  

Another  tool  is  Benford’s  law,  which  is  an  example  of  how  suspicious  accounts  are  

identified.  The  theory  is  about  the  probability  that  certain  numbers  appear  in  a  certain  

order,  for  example  the  ‘9’  appears  only  in  5%  of  the  cases  as  the  first  number  (Durtschi,  

Hillison  &  Pacini,  2004,  p.  19).  Benford’s  Law,  however,  has  been  established  in  1938,  but  

has  not  been  widely  accepted  as  a  proven  theory,  which  made  it  until  now  a  controversial  

technique.  According  to  Durtschi  et  al.,  Benford’s  Law  is  merely  an  addition  to  existing  

analytical  techniques  used  by  auditors  today,  without  consensus  that  it  actually  aids  the  

auditor  in  mapping  suspicious  accounts  (2004,  p.  21).  But  its  relative  ease  makes  it  appealing  

to  use,  one  can  simply  choose  an  account  on  the  balance  sheet/  income  statement,  which  

should  be  analysed  and  let  the  ‘app’  do  the  work  (Cleary  &  Thibodeau,  2004,  p.  6).    

All  of  the  above  indicates  that  big  data  is  not  easy  to  define,  with  all  the  

complementing  and  contradictions  around.  In  my  opinion  Wu,  Zhu,  Wu  and  Ding  describe  

the  process  of  identifying  big  data  accurately  by  using  the  Hindu  analogy  of  the  giant  

elephant.  The  analogy  is  about  blind  men  trying  to  size  up  a  giant  elephant,  but  all  of  them  

have  only  a  limited  area  they  can  explore  due  to  natural  limitations  (2014,  p.  98).  Restricted  

by  a  limited  perspective,  each  blind  man  will  come  to  a  different  conclusion  of  what  they  

think  they  have  in  front  of  them  (a  wall  or  a  tree  are  examples  of  the  conclusions  drawn).  Big  

data  for  now  can  be  seen  as  the  giant  (growing)  elephant,  which  we  are  trying  to  define.  

Furthermore,  Wu  et  al.  acknowledge  that  currently  no  tools  exist  to  fully  analyse  big  data,  

the  aforementioned  techniques  only  have  the  potential  to  analyse  elements  of  big  data  

(2014,  p.  102).  The  majority  of  the  existing  literature  is  therefore  based  on  expected  future  

progress  in  analytics.    

 

 

 

 

 

           

3    How  to  assess  the  value  of  big  data  analytics  for  auditors    

In  its  most  basic  form,  big  data  analytics  can  be  seen  as  a  tool  for  the  auditor  when  

conducting  the  audit.  An  audit  tool  is  any  technique,  manual  or  computerised,  used  in  the  

audit  (Curtis  &  Payne,  2008,  p.  105).  This  section  will  describe  the  considerations  for  the  

auditors  when  they  adopt  a  new  audit  tool.  The  umbrella  criterion  wills  that  big  data  

analytics  should  provide  benefits  to  the  auditors  in  some  form.  Therefore,  this  section  tries  

to  define  what  ‘beneficial’  is  for  the  auditors.    

 

3.1   The  Iron  Triangle      In  the  article  of  Vasarhelyi  and  Romero,  the  Iron  Triangle  is  used  to  evaluate  whether  new  

audit  technology  is  beneficial  to  auditors,  and  hence  should  be  adopted  (2014).  The  Iron  

Triangle  will  be  used  as  a  starting  point  in  this  thesis.  It  consists  of  three  components:  

efficiency/effectiveness,  cost  reduction,  and  quality  (Vasarhelyi  &  Romero,  2014).  As  

demonstrated  below,  efficiency/effectiveness  and  cost  reduction  are  rather  straightforward;  

quality,  however,  is  a  controversial  topic  when  put  in  the  auditing  context  (Fischer,  1996,  p.  

220)  and  will  be  discussed  in  more  detail.    

  Efficiency  and  effectiveness  are  often  used  as  complements  of  one  another,  which  

comes  down  to  the  following  definition:  the  degree  to  which  established  goals  are  realized,  

and  the  amount  of  resources  used  to  do  so  (IPPF,  2010,  p.  2).  This  is  a  fairly  general  

definition  and  needs  further  specification  in  order  to  be  useful  for  evaluating  external  

financial  audit  tools.  Efficiency  is  defined  in  terms  of  the  resources  that  are  used  (Rosenfeld).  

One  feature  of  auditing  is  the  labour  intensity  of  the  job,  with  other  words  the  resources  

used.  Therefore,  decreasing  the  labour  hours  needed  to  achieve  the  same  level  of  assurance  

is  a  good  way  of  defining  efficiency  without  impairing  effectiveness,  which  is  maintaining  a  

certain  assurance  level.  The  IAASB  further  differentiates  resources  in  qualitative  and  

quantitative  resources  (2012).  For  example,  hours  worked  by  a  managing  partner  are  

different  in  terms  of  quality  than  hours  worked  by  a  staff  assistant.    

Cost  reduction  is  to  some  extent  the  logical  consequence  of  fewer  resources  that  are  

used.  However,  there  are  more  considerations  with  respect  to  cost  reduction,  which  can  be  

derived  from  the  diffusion  of  innovation  theory  (DOI).  For  instance,  does  the  new  tool  

supersede  other  tools,  hence  can  it  replace  current  tools  used  (Rosli,  Yeow  &  Eu-­‐Gene,  2013,  

p.  5).  Moreover,  education  is  required  to  enable  auditors  to  use  specific  tools  (Romero  &  

Vasarhelyi,  2014),  which  depends  partly  on  the  complexity  of  the  audit  tool  (Rosli  et  al.,  

2013,  p.  5).  The  cost  reduction  should  be  seen  in  the  long  term,  but  the  future  is  often  

uncertain.  Therefore,  the  pay-­‐off,  less  resources  used,  and  the  cost,  for  instance  of  

education,  can  be  hard  to  estimate  (AICPA,  2015,  p.  72).    

 

3.2                  Audit  Quality      

 The  last  component  of  the  Iron  Triangle  is  quality.  As  opposed  to  other  services,  financial  

statement  audits  are  not  transparent.  This  means  that  assessing  the  quality  of  the  audit  is  

difficult  when  the  audit  report  is  the  only  outcome  to  go  on  (IAASB,  2012).  The  first  

definition  of  audit  quality  is  from  DeAngelo,  which  underlies  many  of  the  other  definitions  of  

audit  quality  established  after  DeAngelo  (Al-­‐Khaddash,  Al  Nawas  &  Ramadan,  2013,  p.  207).  

DeAngelo  argues  that  quality  is  the  joint  probability  that  an  auditor  will  both  discover  and  

report  a  breach  in  the  client’s  accounting  system,  as  cited  by  Al-­‐Khaddash  et  al.  (2013,  p.  

207).    

Furthermore,  each  stakeholder  of  financial  reporting  (auditor,  investors,  regulators  

etc.)  will  determine  the  quality  of  the  audit  on  different  criteria  (Knechel,  Krishman,  Pevzner,  

Shefchik,  Velury,  2013,  p.  386).  Auditors  value  the  perceived  quality  of  their  work  by  various  

stakeholders  as  well  as  actual  quality,  since  both  will  determine  the  relevance  of  the  

auditor’s  work  (Al-­‐Khaddash  et  al.,  2013,  p.  211).  Therefore,  ‘quality’  should  be  assessed  

from  multiple  perspectives  and  not  only  from  the  auditor’s  perspective.  

 In  the  remainder  of  this  section  a  framework  will  be  presented  that  tries  to  capture  

a  balanced  view  on  different  measures  of  audit  quality.  The  framework  will  distinguish  input  

of  the  audit,  the  audit  process,  and  the  output  of  the  audit  when  considering  audit  quality.  

Overall,  quality  is  defined  by  the  PCAOB  as  meeting  customer  demand  (2013).    

 

3.2.1   Audit  input    

First,  the  input  of  the  audit.  Input  refers  to  what  audit  firms  employ  to  perform  the  audit  

and  achieve  the  desired  result  (PCAOB,  2013).  From  the  different  inputs  for  the  audit,  the  

IAASB  identifies  ‘people’  as  most  influential  on  audit  quality  (2012).  Ultimately,  the  skills  and  

the  personal  qualities  of  audit  partners  and  staff  determine  the  quality  of  the  work  

performed  (FRC,  2008)  as  cited  by  Knechel  et  al.  (2013,  p.  388).  So  what  qualities  are  

perceived  as  ‘good’  in  the  auditing  literature?  

  According  to  Knechel  et  al.,  the  financial  statement  audit  consists  of  many  

judgement  calls  that  have  to  be  made  in  the  audit  process,  which  in  turn  determine  the  

quality  of  the  audit  (2013,  p.  390).  To  enable  the  auditor  to  make  proper  decisions,  several  

personal  qualities  should  be  present.  One  of  the  most  important  qualities  is  professional  

scepticism  (PCAOB,  2013).  Specific  examples  of  qualities  of  a  professional  sceptical  auditor  

are  a  questioning  mind  set  and  the  ability  to  critically  evaluate  the  obtained  evidence  

(ICAEW,  2013).    

  Moreover,  knowledge,  which  determines  expertise  to  a  large  extent  (Ashton,  1991,  

p.  220),  of  the  industry  and  the  auditee  are  identified  by  Knechel  et  al.  as  important  

contributors  to  higher  quality  decision  making  and  hence,  higher  quality  audits  (2013,  p.  

392).  Knechel  et  al.  argue  that  industry-­‐specific  knowledge  could  enhance  judgement  calls  

that  have  to  be  made  by  the  auditors  (2013,  p.  392).  Hence,  being  able  to  analyse  industries  

more  thoroughly  has  the  potential  to  enhance  the  quality  of  the  audit.    

  Furthermore,  personnel  should  be  independent  and  competent  to  perform  high  

quality  audits  (PCAOB,  2013).  The  independence  of  the  auditor  is  determined  by  the  

objectivity  of  the  auditor  (ICAEW,  2003).  One  of  the  threats  to  the  objectivity  of  auditors  is  

when  they  provide  other  non-­‐audit  services  to  a  client  (Reynolds,  Deis,  &  Francis,  2004,  p.  

31).  Other  qualities  found  in  independent  auditors  are  integrity  and  impartiality  of  the  

auditor  (Arens  et  al.,  2014,  p.  56).  Moreover,  personnel  should  possess  the  technical  

capabilities  to  execute  audit  procedures  (Khaddash  et  al.,  2013,  p.  210).    

  Another  important  input  factor  according  to  the  PCAOB  is  tone  at  the  top  (2013).  

Specifically  for  audit  partners  and  firm  managers,  a  positive  relation  has  been  found  

between  tone  at  the  top  and  audit  quality  (PCAOB,  2013).  When  the  top  strives  for  

innovative  and  high  quality  audits,  it  is  more  likely  that  staff  will  do  the  same  (PCAOB,  2013).    

 

3.2.2   Audit  Process    

The  next  component  of  the  framework  is  the  ‘process’  of  the  audit,  which  refers  to  the  four  

phases  described  in  section  2.2.  Several  important  judgements  in  the  audit  process  

according  to  auditing  literature  are:  risk  assessment,  obtaining  and  evaluating  evidence  and  

review  of  the  work,  as  cited  by  Knechel  et  al.  (2013,  pp.  393-­‐397).  Judgements  made  by  the  

auditor  are  structured,  semi-­‐structured  or  unstructured,  with  structured  judgements  

requiring  almost  no  judgement  and  unstructured  decisions  requiring  a  high  level  of  

judgement  (Arens  et  al.,  2014,  p.  190).    

Knechel  et  al.  identify  two  potential  hazards  that  impair  the  auditor’s  judgement.  

The  two  hazards  are  anchoring  and  adjustment,  and  representativeness  (Knechel  et  al.,  

2013,  p.  396).  Anchoring  and  adjustments  happen  in  the  ordinary  course  of  the  audit.  The  

expectation  is  that  adjustments  to  the  anchor  value  are  made  in  the  ‘correct’  direction  

(Kinney  &  Uecker,  1982,  p.  56).  For  example,  the  auditor  has  an  idea  about  certain  book  

values,  the  anchor,  and  during  the  audit  the  auditor  finds  evidence  supporting  or  

contradicting  this  expectation,  which  underlies  the  adjustment.  However,  according  to  

Kinney  and  Uecker,  it  does  happen  that  the  ‘anchor’  is  not  sufficiently  adjusted  because  of  

sample  outcomes  (1982,  p.  57).  

  Tversky  and  Kahneman  originally  established  the  definition  of  representativeness  in  

1974,  as  cited  by  Aston  (1984,  p.  80).  The  theory  behind  representativeness  is  that  auditors  

attach  a  higher  probability  to  uncertain  events  that  are  more  in  line  with  expectation  

(Ashton,  1984,  p.  81).  The  expectation  is  based  on  certain  resemblance  between  the  

uncertain  event  and  the  population,  i.e.  the  representativeness  of  the  uncertain  event  of  the  

population  (Ashton,  1984,  p.  81).  For  example  if  we  have  item  A  and  we  want  to  assess  the  

probability  that  it  comes  from  a  population  A  or  B,  looking  at  the  resemblances  with  the  

population  A  or  B  is  a  logical  step  to  take  (Schroeder,  Reinstein  &  Schwartz,  1996,  p.  18).    

  Furthermore,  Ashton  argues  that  several  factors  will  influence  the  likelihood  that  the  

heuristic  representativeness  occurs  (1984,  p.  82).  The  first  factor  is  the  correspondence  

between  the  sample  and  the  parent  population.  When  the  auditor  draws  a  sample  in  which  

essential  properties  are  more  similar  with  the  population,  representative  of  the  population,  

the  auditor  will  deem  this  scenario  more  likely  (Ashton,  1984,  p.  82).  The  opposite  is  true  as  

well.  Therefore,  the  sample  drawn  is  critical  for  the  judgement  of  the  auditor.  In  addition,  

sample  size  has  an  influence  on  the  auditor’s  judgement,  since  in  smaller  samples  extreme  

values  are  more  likely  (Ashton,  1984,  p.  81).  However,  larger  samples,  termed  

protectiveness,  do  not  guarantee  that  the  above  heuristics  are  prevented  (Schroeder  et  al.,  

1996,  p.  19).      

  Another  important  process  in  the  audit  is  obtaining  and  evaluating  obtained  audit  

evidence  (Mcknight  &  Wright,  2011,  p.  194).  As  synthesized  by  Smith  and  Kida,  audit  

evidence  has  an  influence  in  multiple  ways  on  the  auditor’s  judgement  (1991).    Francis  

argues  that  the  financial  statement  audit  is  only  as  good  as  the  evidence  obtained  (2011,  p.  

135).  Arens  et  al.  describe  two  measures  of  evidence  quality,  which  are  sufficiency  and  

appropriateness  of  audit  evidence  (2014,  p.  196).  Sufficiency  has  been  explained  in  section  

2.1,  whereas  appropriateness  of  evidence  deserves  further  elaboration.  According  to  Arens  

et  al.,  appropriateness  consists  of  relevance  and  reliability  of  the  evidence  (2014,  p.  196).    

  Relevance  of  the  evidence  refers  to  the  intended  use  of  the  evidence  in  the  audit.  

For  example,  when  the  auditor  is  testing  whether  all  sales  are  invoiced,  tracking  back  from  

the  invoiced  sales  to  shipping  records  is  irrelevant.  Relevant  evidence  would  be  to  consider  a  

sample  of  sales  shipped  and  track  them  back  to  invoiced  sales  to  see  or  all  are  indeed  

invoiced.  The  auditor  should  therefore  obtain  evidence  that  can  be  used  to  meet  certain  

audit  objectives  (Arens  et  al.,  2014,  p.  196).    

  Reliable  evidence  has  several  characteristics  as  described  by  Arens  et  al.  (2014,  p.  

197).  First  of  all,  evidence  directly  obtained  by  the  auditor  is  considered  more  reliable  than  

information  obtained  indirectly  (Arens  et  al.,  2014,  p.  197).  Second,  when  information  is  

obtained  indirectly,  the  source  should  be  qualified  to  do  so.  If  so,  evidence  obtained  from  

outside  the  firm  is  regarded  as  higher  quality  evidence  (Arens  et  al.,  2014,  p.  197).  Third,  

evidence  that  needs  little  judgement  is  regarded  more  reliable,  hence  higher  quality  of  

evidence  (Arens  et  al.,  2014,  p.  197).  Finally,  timeliness  of  audit  evidence  is  an  indicator  of  

quality.  Arens  et  al.  argue  that  evidence  obtained  for  balance  sheet  accounts  close  to  the  

balance  sheet  date  is  more  reliable  than  evidence  obtained  a  considerable  time  before  the  

balance  sheet  date  (2014,  p.  197).  Timeliness  for  the  income  statement  is  slightly  different,  

Arens  et  al.  emphasize  that  evidence  should  be  obtained  from  the  whole  year,  rather  than  

only  at  the  end  (2014,  p.  197).    

  The  last  component  of  the  process  part  of  the  quality  framework  is  review  and  

control  of  the  work  that  has  been  done,  since  it  is  positively  related  to  audit  quality  

according  to  Knechel  et  al.  (2013,  p.  396).  To  achieve  a  high  quality  review,  the  PCAOB  

argues  that  the  technical  competence  of  the  reviewer  should  be  of  a  considerable  level  

(2013).  Furthermore,  reviewers  should  have  enough  time  to  properly  review  the  work  that  

has  been  done,  which  makes  a  proper  planning  of  the  audit  essential  (PCAOB,  2013).    

 

3.2.3   Audit  output    

Output  is  the  last  component  of  this  quality  framework,  which  will  be  considered  most  

important  with  respect  to  audit  quality  by  users  of  financial  statements  and  regulators  of  the  

audit  profession  (IAASB,  2012).  Most  indicators  are  only  quantitative  and  difficult  to  

transform  to  criteria.  For  example,  the  amount  of  false  positives  and  false  negatives  (errors  

that  arise  with  going  concern  opinions)  are  empirically  testable,  but  hard  to  define  in  

qualitative  terms.  In  the  end,  it  depends  on  how  effectively  the  audit  process  is  executed,  

which  is  determined  by  the  people  performing  the  audit.  However,  the  IAASB  found  an  

important  qualitative  aspect  of  ‘output’,  which  is  transparency  of  the  audit  performed  

(2012).  They  argue  that  when  the  audit  is  more  transparent,  it  could  be  considered  of  higher  

quality  by  different  stakeholders  (2012).  Further,  the  time-­‐lag  between  the  year-­‐end  and  the  

issuance  of  the  audit  report  decreases  the  relevance  for  decision  making,  which  decreases  

the  perceived  usefulness  of  the  financial  statement  audit  (Chan  &  Vasarhelyi,  2011,  p.  152).  

Therefore,  decreasing  the  time-­‐lag  would  increase  the  quality,  since  customer  demands  are  

better  satisfied.    

   

 

 

 

 

 

 

 

 

 

 

   

4   Examination  of  the  possible  value  of  big  data  analytics    In  this  section  I  will  assess  if  and  how  big  data  analytics  could  be  valuable  to  the  auditors  in  

different  phases  of  the  financial  statement  audit.  In  this  section  I  will  examine  whether  big  

data  analytics  can  realize  more  efficient  financial  statement  audits  without  impairing  

effectiveness,  and  whether  higher  quality  audits  can  be  achieved.  Furthermore,  challenges  

and  obstacles  for  big  data  analytics  will  be  discussed.    

 

4.1     Big  Data  Analytics  and  Efficiency    As  described  in  section  3,  big  data  analytics  could  be  valuable  to  auditors  when  it  makes  the  

audit  more  efficient.  This  can  be  achieved  by  reducing  labour  hours  in  quantitative  and  

qualitative  sense.  Regardless  of  specific  phases  of  the  audit,  it  is  quite  straightforward  that  

the  amount  of  qualitative  resources  used  is  unlikely  to  decrease  when  big  data  analytics  are  

employed  in  the  financial  statement  audit.  Cao  et  al.  argue  that  currently  there  already  is  a  

shortage  of  people  with  sufficient  knowledge  of  the  auditing  process  and  data  analytics  

(2015,  p.  427),  a  shortage  which  is  unlikely  to  decrease  with  the  emphasis  on  data  analytics  

in  multiple  industries  at  the  moment.  Data  analytics  is  a  complex  field  of  study  and  requires  

sufficiently  educated  employers  (specialists  often  referred  to  as  data  scientists).  Hence  the  

resources  used  in  qualitative  terms  will  increase  in  order  to  actually  enable  audit  firms  to  

use  big  data  analytics  in  the  financial  statement  audit.    

  Moreover,  the  auditing  profession  is  just  one  of  the  many  professions  who  use  or  

intend  to  use  forms  of  big  data  analysis.  This  phenomenon  is  demonstrated  by  the  search  

results  on  several  job  applications  websites,  where  big  data  analysts  are  in  high  demand  by  a  

variety  of  firms.  Moreover,  since  auditors  essentially  fulfil  a  public  service  as  explained  in  

section  2.1,  wage-­‐growth  potential  will  be  significantly  lower  than  with  firms  such  as  Google  

and  Microsoft,  thus  making  audit  firms  (even)  less  interesting  to  potential  employees.  The  

above  implies  that  the  competition  for  data  scientists  is  fierce,  consequently  increasing  the  

cost  of  hiring  these  data  scientist,  increasing  the  cost  of  the  audit.  In  my  opinion,  

outsourcing  the  big  data  analytics  part  of  the  audit  could  be  a  way  to  prevent  high  cost.  

However,  hardly  any  research  has  been  conducted  in  this  area,  which  makes  it  difficult  to  

assess  the  possibilities  and  consequences  of  outsourcing  parts  of  the  external  audit  in  terms  

of  efficiency  and  quality.  

  However,  the  amount  of  resources  used  could  be  reduced  if  big  data  analytics  has  

the  potential  to  replace  existing  labour-­‐intensive  parts  of  the  financial  statement  audit.  In  

phases  two  and  three  one  of  the  main  activities  is  gathering  sufficient  appropriate  evidence  

to  test  assertions  made  by  the  auditee’s  management.  For  example,  testing  the  value  of  the  

inventory  from  a  retailer  is  generally  done  by  obtaining  evidence  by  physical  examination1,  

which  is  a  labour-­‐intensive  job  (Arens  et  al.,  2014,  p.  205).  Brown-­‐Liburd  and  Vasarhelyi  

argue  that  using  the  information  of  radio  frequency  identification  (RFDI)  chips  for  validating  

inventory  could  make  the  process  more  labour  efficient  (2015,  p.  2).  The  authors,  however,  

neglect  to  explain  how  it  could  be  realized.  A  possible  explanation  could  be  that  more  

efficient  inventory  validation  is  achieved  because  the  auditor  can  rely  on  the  generated  

numbers  by  RFDI.  As  argued  below  in  the  evidence  section,  RFDI  is  a  sensor  technique  

automatically  generating  information,  requiring  less  verification.  It  does  require  that  the  

auditee  uses  and  stores  RFDI  data,  which  is  not  self-­‐evident  for  every  business.  Also,  RFDI  

technology  is  not  a  recent  development,  as  it  has  been  around  for  quite  some  time.  

Nevertheless,  there  do  not  seem  to  be  many  applications  already  by  financial  statement  

auditors.  Maybe  the  technology  does  not  satisfy  the  required  assurance  level,  but  pilot  

studies  should  be  able  to  identify  the  reasons.    

Furthermore,  assessing  the  internal  control  of  the  auditee  is  an  important  task  in  the  

second  phase  of  financial  statement  audit.  Currently,  the  internal  control  is  validated  by  

techniques  such  as  reperformance,  observations  and  examination  of  documents  (Arens  et  

al.,  2014,  p.  331).  These  techniques  are  labour-­‐intensive  and  often  have  to  be  performed  in  

combination  with  one  another  in  order  to  suffice  in  terms  of  sufficient  evidence  (Arens  et  al.,  

2014,  p.  204).  A  technique  such  as  process  mining,  described  in  section  2.3,  has  the  ability  to  

replace  the  above  activities,  and  greatly  improve  the  effectiveness  and  efficiency  of  the  

control  procedures  since  it  requires  less  personnel  (Jans,  Alles  &  Vasarhelyi,  2014,  p.  1752).  

The  authors  argue  that  because  of  the  wide  application  of  (ERP)  systems,  electronic  

verification  of  the  internal  processes  is  more  easily  done,  because  the  ERP  system  

automatically  records  procedures  (not)  undertaken  by  personnel  (2014,  p.  1754).  The  

strength  of  this  technique  lies  in  the  fact  that  automatically  generated  data  is  involved  in  the  

analysis  (Jans  et  al.,  2014,  p.  1753).  Since  automatically  generated  information  is  hard  to  

alter,  auditors  can  rely  more  easily  on  this  data  without  having  to  verify  every  source.    

  However,  process  mining  is  not  a  widely  applied  technique  in  the  financial  

statement  audit  to  validate  the  internal  control  (Stewart,  2015,  p.  112).  A  possible  

explanation  could  be  that  using  a  technique  such  as  process  mining  would  require  superior  

knowledge  and  experience  of  the  business  process  of  the  auditee  (Jans  et  al.,  2014,  p.  1756).  

                                                                                                               1  For  example  by  counting  the  inventory  of  a  retailer,  however  differences  exist  across  industries  audited  

Only  experienced  auditors  would  be  capable  of  using  the  technique  effectively,  which  means  

more  qualitative  resources  are  needed  for  an  audit,  which  increases  the  cost  of  performing  

an  audit.  Considering  the  low  margins  on  financial  statement  audits,  this  would  be  

undesirable.  Procedures  such  as  observation/reperformance  can  be  more  easily  performed  

by  inexpensive  staff  members  (inexperienced  personnel)  (Arens  et  al.,  2014,  p.  331).    

Also,  complete  consensus  about  the  auditor’s  responsibility  with  respect  to  internal  

control  does  not  exist.  In  the  United  States  for  example,  auditors  have  the  responsibility  to  

assess  the  internal  control  for  firms  satisfying  criteria  of  the  SOX,  but  for  smaller  firms  and  in  

Europe  there  is  no  such  regulation.  Therefore,  the  importance  of  innovative  techniques  such  

as  process  mining  could  be  undervalued  by  external  auditors,  since  the  current  techniques  

suffice  and  there  is  not  enough  pressure  from  the  environment  (stakeholders,  regulators  

etc.)  for  auditors  to  consider  expensive  new  techniques.    

A  better  internal  control  assessment  however,  is  important  to  the  control  risk  

component  of  the  audit  risk  model,  outlined  in  section  2.1.  Techniques  which  execute  better  

and  more  efficient  internal  control  activities  would  decrease  the  control  risk,  thus  

decreasing  the  amount  of  evidence  that  has  be  accumulated  and  thus  less  work  that  has  to  

be  done.  However,  risk  assessments  are  rather  subjective,  which  means  that  reductions  in  

the  risk  are  not  translated  1  to  1  in  less  evidence,  making  a  solid  argument  impossible.    

 

4.2     Big  Data  Analytics  and  Audit  quality    

Aside  from  different  phases  in  the  audit,  the  input  of  people  is  an  important  determinant  for  

the  audit  quality.  In  section  4.1  I  argued  that  more  specialists  are  needed  in  order  to  enable  

audit  firms  to  incorporate  big  data  analytics  in  the  financial  statement  audit.  Ultimately,  a  

higher  ratio  of  specialists  to  staff  in  the  audit  engagement  team  would  increase  the  quality  

of  the  audit  (He,  2015,  p.  1686).  Big  data  analytics,  however,  have  almost  no  influence  on  

the  personal  qualities  of  the  auditors  identified  in  section  3.  Rather,  auditors  will  have  to  

possess  more  qualities  to  use  big  data.  Professional  scepticism,  one  of  the  most  important  

qualities  according  to  auditing  standards,  is  hardly  influenced  by  big  data  analytics.  

Moreover,  big  data  analytics  demands  more  professional  scepticism  from  the  auditors.  For  

example,  the  auditors  make  several  risk  assessments  during  the  audit,  such  as  the  possibility  

of  material  misstatements,  due  to  error  or  fraud.  As  described  in  section  2.2  Benford’s  Law  is  

an  example  of  a  tool  that  identifies  suspicious  transactions/accounts.  One  of  the  most  

important  consequences  of  big  data  analytics,  such  as  Benford’s  Law,  is  the  ability  to  analyse  

the  whole  population.  When  analysing  millions  of  transactions,  the  amount  of  ‘positives’  will  

be  substantial  (Stewart,  2015,  p.  111).  Positives  in  this  case  are  the  amount  of  suspicious  

transactions  found  by  the  tool.  Stewart  argues  that  determining  which  ‘positives’  should  be  

further  investigated  depends  on  the  judgement  of  the  auditor,  requiring  a  certain  degree  of  

professional  scepticism  and  knowledge  about  the  auditee  and  the  industry  (2015,  p.  111).  

Wrong  decisions  could  lead  to  many  ‘false  positives’,  which  could  lead  to  lower  quality  

financial  statement  audits.    

  Industry  and  auditee  specific  knowledge  could  be  improved  using  big  data  analytics  

(Zhang,  Yang,  Appelbaum;  Cao  et  al.;  Yoon  et  al.,  2015),  however  the  general  way  auditors  

become  industry  specialist  is  by  spending  considerable  time  in  a  certain  industry.  The  

aforementioned  authors  apparently  think  that  big  data  analytics  could  be  some  kind  of  

shortcut,  but  do  not  explain  how  this  would  work.  The  same  holds  true  in  becoming  more  

knowledgeable  of  the  auditee,  a  longer  tenure  is  positively  related  with  auditee  specific  

knowledge.  This  fact  is  often  a  reason  why  first  time  audits  are  more  expensive  than  

subsequent  audits  by  the  same  auditor  (Simunic,  1980).  The  knowledge  of  the  industry  and  

auditee  are  important  determinants  with  respect  to  the  inherent  risk  component  in  the  

audit  risk  model  of  section  2.1.  This  type  of  risk  assessment  improves  with  big  data  analytics  

according  to  Yoon  et  al.,  but  they  do  not  give  a  solid  argument  to  support  their  claim.  

A  possible  positive  influence  of  implementing  big  data  analytics  would  be  on  the  

‘tone  at  the  top’.  When  management  of  the  firm  incorporates  an  innovative  technique  such  

as  big  data  analytics  into  the  audit,  it  is  more  likely  that  the  rest  of  the  personnel  will  follow  

the  good  example.  Hence,  employees  will  be  more  motivated  to  strive  for  high  quality,  since  

the  top  of  the  firm  does  the  same.  However,  strong  empirical  prove  for  this  relationship  is  

absent.  Nevertheless,  it  is  imaginable  that  when  your  manager  puts  in  more  effort,  you  will  

be  more  willing  to  do  the  same  than  when  the  manager  is  rather  reluctant  in  striving  for  

improvement.    

In  the  third  section  of  this  thesis,  several  characteristics  of  high  quality  evidence  

were  discussed.  Francis  argues  that  high  quality  evidence  is  of  significant  influence  on  the  

quality  of  audits  (2011,  p.  135).  First  of  all  there’s  the  issue  of  reliability  of  audit  evidence.  

The  source  of  the  information  is  identified  as  critical  in  the  in  the  assessment  of  reliability  of  

evidence  (Brown-­‐Liburd  &  Vasarhelyi,  2015,  p.  6).  Brown-­‐Liburd  and  Vasarhelyi  argue  that  

because  big  data  is  partly  generated  automatically,  the  chance  of  alteration  is  relatively  

smaller  than  manually  generated  data  (2015,  p.  6).  This  inability  to  alter  data  is  enhances  the  

reliability  of  big  data  as  audit  evidence.  However,  since  so  many  different  sources  produce  

information  which  is  accumulated  and  called  big  data,  verifying  every  source  would  be  

cumbersome  and  even  impossible,  making  big  data  evidence  less  reliable.  This  problem  

characterizes  big  data,  and  is  the  fourth  V  veracity.  

 Another  characteristic  of  high  quality  audit  evidence  is  objectivity.  Big  data  will  

demand  sufficient  judgement  in  what  to  conclude  from  the  available  information  and  what  

is  correct  or  incorrect,  as  demonstrated  by  the  example  of  fraud  risk  assessment  above.  

Because  the  whole  population  is  obtained,  numerous  positives  will  be  present.  As  described  

earlier,  the  only  way  to  cope  with  this  problem  is  for  the  auditor  to  make  a  subjective  

judgement  what  to  take  away  from  the  results.  In  favour  of  big  data  as  audit  evidence  is  the  

velocity  of  data,  which  will  provide  the  most  up-­‐to-­‐date  information  and  evidence.  For  

instance,  when  evidence  has  to  be  found  about  accounts  receivables,  big  data  could  provide  

the  most  current  information  about  a  specific  creditor.    

Moreover,  high  quality  evidence  is  determined  by  the  sufficiency  of  aggregated  

evidence,  as  described  in  section  3.  Traditionally  the  questions  that  had  to  be  answered  with  

respect  to  sufficiency  were:  adequate  sample  size  and  which  items  to  select  from  the  

population  (Arens  et  al.,  2014,  p.  199).  Strongly  in  favour  of  big  data  analytics  is  the  fact  that  

the  whole  population  is  tested,  which  means  no  need  for  sampling  and  related  difficulties.  

However,  the  curse  of  too  much  knowledge  could  in  the  end  impair  audit  quality  because  of  

the  limited  amount  of  information  humans,  and  thus  auditors,  can  process  (Knechel  et  al.,  

2013,  p.  387).  

Another  argument  in  favour  of  big  data,  related  to  the  fact  the  whole  population  is  

tested,  is  the  reduction  of  two  other  decision  heuristics  in  the  audit  process  described  in  

section  3.  Both  the  heuristics  adjustment  and  anchoring,  and  representativeness  occur  

because  of  sample  outcomes.  When  the  whole  population  is  tested,  decisions  are  no  longer  

made  on  the  basis  of  sample  outcomes,  thus  reducing  the  chance  that  auditors  are  

subjected  to  decision  heuristics  in  the  audit  process.    

Besides  the  need  for  more  judgement  in  evaluating  audit  evidence  obtained  with  big  

data  analytics,  another  drawback  can  be  derived  between  the  difference  of  current  use  of  

statistical  tools  and  the  intended  use  with  big  data  statistical  methods.  In  the  financial  

statement  audit  linear  regression  models  are  used  often  used  for  analytical  review,  which  

are  based  on  a  causal  relationship  derived  from  experience  and  knowledge  (Debrencey  &  

Gray,  2014).  An  example  of  such  a  review  method  is  the  relationship  between  revenues  and  

cost  of  goods  sold,  which  is  assumed  to  be  fairly  stable.  Large  fluctuations  would  therefore  

be  suspicious.  In  this  case  we  speak  of  directed  data  mining  (Alles  &  Gray,  2015,  p.  15).  The  

idea  behind  big  data  analytics  is  undirected  data  mining,  which  means  that  no  such  causal  

relation  is  established  (Chent  et  al,  2012,  p.  1168).  This  means  that  decision  will  be  made  

based  on  correlations  in  data  sets  (Alles  &  Gray,  2015,  p.  19).  According  to  Cukier  and  

Mayen-­‐Schoenberger,  the  possible  consequence  is  that  auditors  will  abandon  the  practice  of  

finding  out  why  certain  relations  exist,  and  simply  assume  that  certain  events  occur  

simultaneously  as  cited  by  Alles  and  Gray    (2015,  p.  23).  For  auditors  to  base  their  opinion  on  

correlation  instead  of  causation  strokes  with  their  natural  conservative  attitude  (Alles  &  

Gray,  2015,  p.  27).  Also,  in  my  opinion  it  is  a  lot  harder  for  the  auditor  defend  his/her  

opinion  based  on  correlations  and  no  common  sense,  making  it  not  that  appealing  to  use.    

   Above,  big  data  analytics  were  discussed  with  respect  to  the  audit  process  and  input  

and  how  it  could  increase  the  quality  of  the  audit.  The  last  part  of  the  analysis  of  the  

possible  value  of  big  data  analytics  considers  the  output.  The  main  criterion  is  the  

transparency  of  the  audit  process,  which  is  important  to  various  stakeholders  to  assess  the  

quality  of  the  financial  statement  audit.  As  mentioned  several  times,  big  data  and  analytics  

are  rather  complex  subjects.  Experts  like  data  scientist  already  have  trouble  identifying  

opportunities  and  limits  of  big  data,  which  makes  it  unlikely  that  novices  will  have  a  good  

understanding  of  these  analytics.  Therefore,  big  data  analytics  would  decrease  transparency  

rather  than  increase  transparency  of  the  financial  statement  audit  process.    

  However,  big  data  analytics  does  nurture  more  technology-­‐driven  audits  and  forces  

auditors  to  rethink  their  traditional  approach  (Chan  &  Vasarhelyi,  2011,  p.  153).  According  to  

Chan  and  Vasarhelyi,  more  automation  in  the  audit  could  be  the  consequence  of  

incorporating  more  technology.  By  automating  certain  parts  of  the  audit,  auditors  could  

satisfy  the  demand  for  more  timely  or  even  more  audits  during  a  year,  hence  more  real-­‐time  

assurance  (Chan  &  Vasarhelyi,  2011,  p.  153).  This  would  increase  the  relevance  of  the  

financial  statement  audit  to  users  of  financial  statements.    

  Francis  argues  that  from  the  most  important  determinant  of  audit  quality  when  

looking  at  output,  is  the  amount  of  wrong  audit  reports  issued  (2011,  p.  127).  Audit  reports  

are  considered  wrong  when  a  clean  opinion  is  given  when  a  qualified  opinion  should  have  

been  issued  and  vice  versa  (Knechel  et  al.,  2013,  p.  397).  However,  it  is  hard  to  transform  

this  determinant  for  audit  quality  into  a  criterion,  which  was  possible  with  other  

determinant  as  demonstrated  in  section  3.  Nevertheless,  an  important  argument  can  be  

derived  from  this  quality  determinant  against  the  use  of  big  data  analytics.  From  several  

studies  it  can  be  concluded  that  the  very  few  audits  actually  go  to  trial  because  of  wrong  

decisions  of  the  auditor,  making  it  questionable  whether  improvements  are  actually  needed  

(Knechel  et  al.,  2013,  p.  398).  An  explanation  for  the  low  amount  of  trials  could  be  the  

buyout  of  the  auditee  by  audit  firms  when  something  does  go  wrong  (Allles  &  Gray,  2015,  p.  

15).  This  makes  it  particularly  hard  for  outsiders,  to  assess  this  potential  need  for  higher  

quality  audits  from  the  perspective  of  auditors  with  respect  to  output.    

 

4.3   Potential  challenges  and  hurdles    

Several  general  difficulties  in  using  big  data  analytics  in  the  financial  statement  audit  exist.  

Below,  several  challenges  and  hurdles  are  explained,  but  the  list  is  by  no  means  exhaustive.  

First  of  all,  much  of  the  literature  discusses  the  benefits  of  big  data  under  the  assumption  

that  analytical  tools  exist  to  analyse  big  data.  The  main  issue  here  is  that  no  such  technique  

is  available  to  analyse  big  data  in  a  way  that  is  valuable  to  the  auditors.  The  large  variety  of  

data-­‐generators  makes  it  impossible  to  transform  all  data  into  an  analysable  format  (Brown-­‐

Liburd,  Issa  &  Lombardi,  2015,  p.  458).  Techniques  that  were  discussed  in  section  2.3  have  

the  potential  to  analyse  small  parts  of  big  data,  but  more  research  is  needed.  For  instance  

more  research  in  the  area  of  ‘Mapreduce’,  which  is  able  to  analyse  several  formats  at  the  

same  time  (Varian,  2014,  p.  4).  However,  a  solution  could  be  a  partial  implementation  of  big  

data  analytics.      

  Moreover,  the  highly  regulated  environment  of  the  audit  profession  makes  it  rather  

difficult  to  implement  new  techniques  and  tools.  For  example,  I  argued  in  section  4.2  (on  

reliability  and  appropriateness  of  audit  evidence)  that  one  possible  implementation  of  big  

data  was  that  it  could  serve  as  audit  evidence.  However,  the  existing  standards  and  rules  

limit  the  possibilities  of  new  types  of  evidence.  Currently,  the  new  Data  Audit  Standard  is  

being  implemented  (Titera,  2013,  p.  327),  but  its  precise  consequences  remains  as  of  yet  

unclear.  

  Another  challenge  lies  in  the  education  of  auditors.  At  this  moment,  I  have  had  two  

years  of  education  in  ‘accounting  (auditing)  and  control’,  but  education  in  statistical  

techniques  does  not  go  further  than  standard  linear  regression.  Furthermore,  in  audit  

courses,  only  the  traditional  techniques  and  audit  approaches  are  discussed,  without  even  

mentioning  the  current  research  and  progress  in  the  area  of  new  techniques.  This  inevitably  

leads  to  gaps  in  the  knowledge  of  future  auditors  when  it  comes  to  such  new  techniques.  

Also,  as  described  in  section  4.1,  using  analytics  properly  would  require  more  experienced  

personnel,  demanding  a  change  in  the  current  educational  curriculum.    

  Also,  several  privacy  concerns  arise  with  the  use  of  big  data.  There  exist  several  

examples  of  concerns  over  privacy,  such  as  whether  or  not  corporate  emails  are  property  of  

the  firm  or  if  they  should  fall  under  the  protection  of  privacy  laws.  Big  data  will  go  far  

beyond  the  boundaries  of  corporate  email,  especially  when  we  consider  data  from  social  

media  and  other  Internet  applications.  However,  an  example  found  the  newspaper  ‘NRC  

Handelsblad’  demonstrates  the  pace  at  which  opinions  can  change.  Chris  Hensen  describes  

an  example  of  a  car  insurance  company  (ANWB)  that  intends  to  use  a  tracking  device  in  the  

car,  which  will  measure  average  speed,  breaking  time  etc.  of  the  driver  (2016,  p.  10).  This  big  

data  will  than  be  analysed  and  car  drivers  who  drive  properly  and  safely  are  granted  a  

reduction  of  insurance  fees  (Hensen,  p.  10).  The  interesting  thing  about  this  example  is  that  

over  half  a  year  ago,  another  Dutch  insurance  company  (Achmea)  had  an  almost  identical  

idea,  unleashing  a  wave  of  criticism  about  privacy  concerns.  The  announcement  of  ANWB,  

however,  does  not  seem  to  suffer  the  same  fate.  It  must  be  noted,  however,  that  the  

industries  are  quite  different,  which  might  account  the  ways  in  which  the  media  and  the  

public  reacted.      

  Related  to  the  privacy  concern  is  the  possible  reluctance  of  auditees  to  cooperate  

with  the  audit  firms.  In  general,  auditors  have  to  ask  for  certain  information  and  definitely  

do  not  receive  all  the  information  they  need  up  front.  On  an  auditing  career  day,  several  

senior  auditors  emphasized  that  firms  certainly  will  try  to  hide  certain  events,  either  by  

burying  information  or  by  omitting  information  when  it’s  not  specifically  asked  for.  When  we  

consider  the  massive  amount  of  information  auditors  are  asking  for  with  respect  to  big  data,  

it  seems  highly  unlikely  that  auditees  are  willing  to  provide  such  information.    

       

 

 

 

   

5   Discussion      In  this  section  the  arguments  of  chapter  4  will  be  evaluated  and  at  the  end  of  this  section  a  

conclusion  will  be  presented.  In  chapter  3,  three  criteria  were  described  and  explained,  

namely  efficiency/effectiveness,  cost  reduction  and  audit  quality,  which  are  critical  in  

assessing  the  value  of  any  tool,  such  as  big  data  analytics,  for  the  financial  statement  

auditors.    

  The  first  two  criteria,  efficiency  and  effectiveness,  and  cost  reduction,  are  to  some  

degree  interrelated  because  cost  reduction  would  be  the  logical  consequence  of  more  

efficient  financial  statement  audits.  In  chapter  4,  the  analysis  whether  big  data  analytics  

could  increase  efficiency  in  the  financial  statement  audit  focused  on  the  required  amount  of  

labour  hours.  Big  data  would  surely  demand  more  specialists  in  the  audit  engagement  team,  

so  in  qualitative  terms  efficiency  is  unlikely  to  decrease.  In  quantitative  terms  efficiency  

improvement  is  still  ambiguous,  since  big  data  analytics  for  now  seems  to  be  more  of  an  

additional  tool  for  the  auditors  rather  than  an  essential  tool,  at  least  for  the  time  being.  

  From  the  above  it  becomes  clear  that  cost  reduction  is  not  as  obvious  as  one  might  

think.  Several  authors  who  wrote  in  the  Accounting  Horizons  Big  Data  forum  edition  are  

extremely  positive  with  respect  to  efficiency  and  cost  reduction  that  big  data  analytics  would  

bring  to  financial  statement  audits.  However,  they  neglect  to  involve  competition  of  firms  

such  as  Google  and  Microsoft  for  sufficiently  educated  statisticians  (data  scientists).  To  

compete  with  such  firms,  compensation  for  data  scientists  will  be  high  and  cost  reduction  

rather  unlikely.    

  Quality  of  the  financial  statement  audits  is  a  controversial  topic.  Since  DeAngelo  

defined  audit  quality  in  1981,  numerous  papers  have  been  written  about  this  very  topic.  The  

quality  framework  described  in  chapter  3  led  to  interesting  results  in  chapter  4.  First  of  all,  

big  data  analytics  have  only  a  minor  influence  on  the  ‘input’  for  audits.  The  only  possible  

positive  influence  of  big  data  analytics  is  found  with  ‘tone  at  the  top’,  but  tone  at  the  top  is  

surely  not  the  most  important  factor  described  in  chapter  3  with  respect  to  input.  Once  

again,  authors  who  published  in  the  Big  Data  forum  are  very  positive,  stating  that  big  data  

analytics  will  improve  the  auditor’s  knowledge  and  will  lead  to  more  industry  specialists.  

Surprisingly,  these  statements  are  not  backed  up  with  solid  argumentation  and  evidence,  

which  makes  it  a  rather  weak  case.    

  However,  in  the  ‘process’  the  second  component  of  the  quality  framework  of  

chapter  3,  big  data  analytics  does  have  a  certain  potential.  Big  data  analytics  could  serve  as  

evidence,  satisfying  the  important  criteria  of  high  quality  evidence  as  outlined  in  chapter  3.  

Furthermore,  techniques  such  as  process  mining  are  likely  to  lead  to  an  objective  evaluation  

of  the  internal  control  of  the  auditee  and  with  the  growing  amount  of  firms  with  ERP  

systems  application  of  process  mining  is  becoming  more  likely.    

  However,  an  important  activity  performed  at  various  stages  of  the  audit  is  the  

several  risk  assessments  made  by  the  auditor.  In  section  2.1  the  fraud  risk  assessment,  going  

concern  assessment  and  the  components  of  the  audit  risk  model  have  been  explained.  The  

auditing  literature  is  mainly  focused  around  the  big  data  analytics  and  fraud  risk  assessment,  

and  a  strong  case  is  made  for  the  positive  results  of  big  data  in  the  fraud  risk  assessment.  

However,  detecting  fraud  is  not  widely  accepted  as  the  job  of  the  auditor  in  the  financial  

statement  audit.  Moreover,  several  authors  (Yoon  et  al.,  2015)  have  the  habit  to  refer  to  

‘improved  risk  assessments’  without  specifically  referring  to  a  type  of  risk  assessment.  In  my  

opinion  they  refer  to  the  fraud  risk  assessment,  but  the  relevance  to  financial  statement  

audits  is  considerably  less  than  for  example  AAR,  IR  and  CR.    

  The  last  component  described  in  the  audit  quality  framework  was  output.  

Transparency  has  always  been  the  main  issue  with  respect  to  the  financial  statement  audit,  

a  reason  for  the  growing  criticism  that  audit  firms  did  not  document  their  steps  thoroughly  

enough  and  regulatory  bodies  had  difficulties  with  monitoring  audit  firms.  Big  data  analytics  

will  surely  fuel  this  debate,  since  big  data  analytics  are  complex,  require  more  judgement  

and  thus  leave  less  space  for  objective  evaluation.  The  literature  around  the  output  

component  led  to  an  interesting  insight,  which  is  the  low  amount  of  trials  with  respect  to  

wrong  audit  opinions,  which  becomes  even  less  meaningful  compared  to  the  amount  of  

audits  performed  each  year.  The  Enron  case  described  in  the  introduction  is  an  extreme  

example.    

  Taking  all  this  into  account,  I’m  of  the  opinion  that  big  data  analytics  in  the  financial  

statement  audit  has  been  overhyped,  demonstrated  for  instance  by  Accounting  Horizon’s  

Big  Data  forum.  Big  data  analytics  does  have  potential  in  several  areas,  but  the  value  for  the  

auditors  in  the  current  state  of  financial  statement  audit  is  negligible.  However,  which  is  also  

one  of  the  limitations  in  this  thesis,  big  data  analytics  is  a  very  recent  development.  Much  

research  is  currently  being  undertaken,  which  could  alter  literature  review  performed  in  this  

thesis.  Another  limitation,  because  of  the  novelty  of  the  subject,  is  the  fact  that  I  had  to  rely  

on  some  unpublished  work,  because  the  most  recent  developments  around  big  data  

analytics  are  not  yet  published  in  scientific  journals.  Furthermore,  this  thesis  is  built  around  

a  theoretical  framework  of  how  financial  statement  audits  ought  to  be  performed,  which  

isn’t  the  same  as  the  real-­‐world  practice  of  auditing.  Hence,  a  suggestion  for  future  research  

would  be  to  perform  case  studies  with  big  data  analytics.  Also,  more  research  should  be  

conducted  in  defining  big  data  in  a  way  that’s  suitable  to  auditing.  Currently,  transaction  

data  is  the  most  important  data  for  auditors,  essentially  making  anything  beyond  transaction  

big  data.  When  a  better  definition  of  big  data  is  established,  future  research  is  likely  to  be  

more  valuable  and  better  directed,  so  that  the  auditing  profession  might  benefit  from  it.  

 

 

 

 

 

 

 

 

 

 

 

 

 

       

References        ACCA.  (2013).  Big  Data.  Retrieved  from:  http://www.accaglobal.com/bigdata    AICPA.  (1989).  The  Auditor’s  Consideration  of  an  Entity’s  Ability  to  Continue  as  a  Going  

Concern.  Retrieved  from:  https://www.aicpa.org/Research/Standards/AuditAttest/DownloadableDocuments/AU-­‐00341.pdf  

AICPA.  (2015).  Audit  Analytics  and  continuous  audit.  Retrieved  from:  http://www.aicpa.org/interestareas/frc/assuranceadvisoryservices/downloadabledocuments/auditanalytics_lookingtowardfuture.pdf    

Al-­‐Khaddash,  H.,  Al  Nawas,  R.,  &  Ramadan,  A.  (2013).  Factors  affecting  the  quality  of  auditing:  The  Case  of  Jordanian  Commercial  Banks.  International  Journal  of  Business  and  Social  science,  4(11),  206-­‐222.  

Allen,  R.  D.,  D.  R.  Hermanson,  T.  M.  Kozloski,  and  R.  J.  Ramsay.  2006.  Auditor  risk  assessment:  Insights  from  the  academic  literature.  Accounting  Horizons,  20(2),  157–177.  

Alles,  M.,  &  Gray,  G,  L.  (2015).  The  pro’s  and  cons  of  using  big  data  in  auditing:  A  synthesis  of  the  literature  and  a  research  agenda.  Retrieved  from:  http://jebcl.com/symposium/wp-­‐content/uploads/2015/09/The-­‐Pros-­‐and-­‐Cons-­‐of-­‐Using-­‐Big-­‐Data-­‐in-­‐Auditing-­‐A-­‐Synthesis-­‐of-­‐the-­‐Literature-­‐UWCISA-­‐Revised.pdf    

Arens,  A,  A.,  Elder,  R,  J.,  &  Beasley,  M,  S.  (2014).  Auditing  and  Assurance  Services.  Harlow,  England:  Pearson  education  limited.    

Ashton,  A,  H.  (1991).  Experience  and  Error  Frequency  Knowledge  as  Potential  Determinants  of  Audit  Expertise.  The  Accounting  Review,  66(2),  218-­‐239.  

Ashton,  R,  H.  (1984).  Integrating  Research  and  Teaching  in  Auditing:  Fifteen  Cases  on  Judgement  and  Decision  Making.  The  Accounting  Review,  59(1),  78-­‐97.  

Bamber,  E,  M.  (1983).  Expert  Judgement  in  the  Audit  Team:  A  Source  Reliability  Approach.  Journal  of  Accounting  Research,  21(2),  396-­‐412.  

Brickley,  K.  F.(2003).  From  Enron  to  Worlcom  and  beyond:  life  and  crime  after  SOX.  Working  paper,  University  in  St  Louis,  School  of  Law.  

Brown-­‐Liburd,  H.,  Issa,  H.,  &  Lobardi,  D.  (2015).  Behavioral  Implications  of  Big  Data’s  Impact  on  Audit  Judgement  and  Decision  Making  and  Future  Research  Directions.  Accounting  Horizons,  29(2),  451-­‐468.  

Brown-­‐Liburd,  H.,  &  Vasarhelyi,  M,  A.  (2015).  Big  Data  and  Audit  Evidence.  Journal  of  Emerging  Technologies  in  Accounting,  12(1),  1-­‐16.    

Cao,  M.,  Chychyla,  R.,  &  Stewart,  T.  (2015).  Big  Data  Analytics  in  Financial  Statement  Audits.  Accounting  Horizons,  29(2),  423-­‐429.    

Chan,  D,  Y.,  &  Vasarhelyi,  M,  A.  (2011).  Innovation  and  practice  of  continuous  auditing.  International  Journal  of  Accounting  Information  Systems,  12,  152-­‐160.  

Chewning,  G.,  Pany,  K.,  &  Wheeler,  S.  (1989).  Auditor  Reporting  Decisions  Involving  Accounting  Principles  Changes:  Some  Evidence  on  Materiality  Thresholds.  Journal  of  Accounting  Research,  7(3),  78-­‐96.  

Connoly,  S.  (2012).  7  Key  Drivers  for  the  Big  Data  Market.  Blog  posting  14th  of  May.  Retrieved  from:  http://hortonworks.com/blog/7-­‐key-­‐drivers-­‐for-­‐the-­‐big-­‐data-­‐market/    

Curtis,  E.,  Humphrey,  C.,  &  Turley,  S.  (2016)  Standards  on  Innovation  in  Auditing.  Auditing:  A  Journal  of  Practice  &  Theory,  In-­‐Press.  

Curtis,  M,  B.,  &  Payne,  E,  A.  (2008).  An  examination  of  contextual  factors  and  individual  characteristics  affecting  technology  implementation  decisions  in  auditing.  International  Journal  of  Accounting  Information  Systems,  9(2),  104-­‐121.  

Deloitte.  (2013).  Big  Data  challanges  and  succes  factors.  Retrieved  from:  http://www2.deloitte.com/content/dam/Deloitte/it/Documents/deloitte-­‐analytics/bigdata_challenges_success_factors.pdf    

Durtschi,  C.,  Hillison,  W.,  &  Pacini,  C.  (2004).  The  Effective  Use  of  Benford’s  Law  to  Assist  in  Detecting  Fraud  in  Accounting  Data.  Journal  of  Forensic  Acocunting,  5,  17-­‐34.    

Eilifsen,  A.,  Knechel,  W.  R.,  &  Wallage,  P.  (2001).  Use  of  strategic  risk  analysis  in  audit  planning:  A  field  study.  Accounting  Horizons,  15  (3),  193-­‐207.  

European  commission.  (2010).  GREEN  PAPER  Audit  Policy:  Lessons  from  the  Crisis.  Retrieved  from:  http://ec.europa.eu/internal_market/consultations/docs/2010/audit/green_paper_audit_en.pdf    

Francis,  J.  R.  (2011).  A  framework  for  understanding  and  researching  audit  quality.  Auditing:  A  Journal  of  Practice  &  Theory,  30  (2),  125–152.  

Fischer,  M,  J.  (1996).  “Real-­‐izing”  the  benefits  of  new  technologies  as  a  source  of  audit  evidence:  an  interpretive  field  study*.  Accounting,  Organizations  and  Society,  21  (2/3),  219-­‐242.    

Gartner,  2014.  Gartner  Survey  Reveals  That  73  Percent  of  organizations  have  invested  is  planning  to  invest  in  Big  Data  in  the  next  two  years.  Press  Release,  September  17th.  Retrieved  from:  http://www.gartner.com/newsroom/id/2848718    

Gray,  L,  G.,  &  Debreceny,  R,  S.  (2014).  A  taxonomy  to  guide  research  on  the  application  of  data  mining  to  fraud  detection  in  financial  statement  audits.  International  Journal  of  Accounting  Information  Systems,  15,  357-­‐380.  

He,  L.  (2015).  Auditor  Industry  Specialization,  Audit  experience  and  Accounting  Restatement.  International  Business  Management,  9(7),  1686-­‐1697.  

Hensen,  C.  (2016,  18th  &  19th  of  June).  Verzekeren  met  grote  precisie.  NRC,  pp.  E10-­‐E11    How  Walmart  uses  Big  Data  Analysis  (2015,  September).  Retrieved  from:  

https://www.dezyre.com/article/how-­‐big-­‐data-­‐analysis-­‐helped-­‐increase-­‐walmart-­‐s-­‐sales-­‐turnover/109  

Hurt,  R,  K.  (2010).  A  development  of  a  Scale  to  Measure  Professional  Skeptisicm.  Auditing:  A  Journal  of  Practice  &  Theory,  29(1),  149-­‐171.    

IAASB.  (2012).  A  Framework  for  Audit  Quality.  Retrieved  from:  https://www.ifac.org/system/files/publications/files/A%20Framework%20for%20Audit%20Quality.pdf    

ICAEW.  (2003).  Reviewing  auditor  independence.  Retrieved  from:  http://www.icaew.com/~/media/corporate/files/technical/audit%20and%20assurance/audit/guidance%20for%20audit%20committees/reviewing%20auditor%20independence.ashx    

Jans,  M.,  Alles,  M,  G.,  &  Vasarhelyi,  M,  A.  (2014).  A  Field  Study  on  the  Use  of  Process  Mining  of  Event  Logs  as  an  Analytical  Procedure  in  Auditing.  The  Accounting  Review,  89(5),  1751-­‐1773.  

Jeppesen,  K,  K.  (1998).  Reinventing,  redefining  consulting  and  independence.  European  Accounting  Review,  7(3),  517-­‐539.  

Kinney,  W,  R.,  &  Uecker,  W,  C.,  (1982).  Mitigating  the  Consequences  of  Anchoring  in  Auditor  Judgements.  The  Accounting  Review,  57(1),  55-­‐69.  

Knechel,  W,  R.  (2007).  The  business  risk  audit:  Origins,  obstacles  and  opportunities.  Organziations  and  Society,  32,  383-­‐408.  

Knechel,  R,  W.,  Krishman,  G,  V.,  Pevzner,  M.,  Shefchik,  L,  B.,  &  Velury,  U,  K.  (2013).  Audit  Quality:  Insights  from  the  Academic  Literature.  Auditing:  A  Journal  of  Practice  &  Theory.  32(1),  385-­‐421.  

McAfee,  A.,  &  Brynjolfsson,  E.  (2012).  Big  data:  The  management  revolution.  Harvard  Business  Review  (October):  60–66.  

McKnight,  C,  A.,  &  Wright,  W,  F.  (2011).  Characteristics  of  Relatively  High-­‐Performance  Auditors.  Auditing:  A  Journal  of  Practice  &  Theory,  30(1),  191-­‐206.    

Moffitt,  K,C.,  &  Vasarhelyi,  M,  A.(2013).  AIS  in  an  Age  of  Big  Data.  Journal  of  information  systems,  27(2),  1-­‐19.  

Normandeau,  K.  (2013).  Retrieved  from:  http://insidebigdata.com/2013/09/12/beyond-­‐volume-­‐variety-­‐velocity-­‐issue-­‐big-­‐data-­‐veracity/    

PCAOB.  (2013).  Audit  Quality  Indicators.  Retrieved  from:  https://pcaobus.org//news/events/documents/05152013_sagmeeting/audit_quality_indicators.pdf    

Power,  M,K.  (2003).  Auditing  and  the  production  of  legitimacy.  Accounting,  organizations  and  society,  28,  379-­‐394.    

Reynolds,  J,  K.,  Deis,  D,  R.,  &  Francis,  J,  R.  (2004).  Professional  Service  Fees  and  Auditor  Objectivity.  Auditing:  A  Journal  of  Practice  &  Theory,  23(1),  29-­‐52.    

Rosenfeld,  M.  Retrieved  on  1st  of  June  from:  http://www.dallasiia.org/PDF/040512_pre.pdf  Rosli,  K.,  Yeow,  P.,  &  Eu-­‐gene,  S.(2013).  Adoption  of  audit  technology  in  audit  firms.  

Retrieved  from:  http://researchbank.rmit.edu.au/view/rmit:160987 Rossi,  B.  (2015,  September)  75%  of  the  businesses  will  invest  in  big  data  analytics  in  the  next  

two  years-­‐Gartner.  Retrieved  from:  http://www.information-­‐age.com/technology/information-­‐management/123460178/75-­‐businesses-­‐will-­‐invest-­‐big-­‐data-­‐next-­‐two-­‐years-­‐gartner  

Russom,  P.  (2011).  Big  Data  Analytics.  TDWI  best  practices  report  (fourth  quarter).  Retrieved  from:http://www.tableau.com/sites/default/files/whitepapers/tdwi_bpreport_q411_big_data_analytics_tableau.pdf    

Schroeder,  R,  G.,  Reinstein,  A.,  &  Schwartz,  B,  N.  (1996).  Audit  technology  structures’  effect  on  probabilistic  judgement.  Mangerial  Auditing  Journal,  11(3),  17-­‐24.  

Simunic,  D.  (1980).  The  Pricing  of  Audit  Services:  Theory  and  Evidence.  Journal  of  Accounting  Research,  18,  161–190.  

Sharma,  A.,  &  Panigrahi,  P,  K.  (2012).  A  Review  of  Financial  Accounting  Fraud  Detection  Based  on  Data  Mining  Techniques.    

Smith,  J,  F.,  &  Kida,  T.  (1991).  Heuristics  and  Biases:  Expertise  and  Task  Realism  in  Auditing.  Psychological  Bulletin,  109(3),  472-­‐489.  

Teeter,  R,  A.  (2014).  ESSAYS  ON  THE  ENHANCED  AUDIT  (Doctoral  dissertation).  Retrieved  from:  http://scholar.google.nl/scholar_url?url=https://rucore.libraries.rutgers.edu/rutgers-­‐lib/43916/PDF/1/&hl=nl&sa=X&scisig=AAGBfm39bPLHoUC_qHUH5_ncV07Yj1muag&nossl=1&oi=scholarr&ved=0ahUKEwjPnfCWnPfMAhVqCsAKHbwQCUIQgAMIGygAMAA  

Titera,  W,  R.  (2013).  Updating  Audit  Standard-­‐Enabling  Audit  Data  Analysis.  Journal  of  Information  Systems,  27(1),  325-­‐331.  

Varian,  H,  S.  (2014).  Big  Data:  new  tricks  for  econometrics.  Retrieved  from:  http://people.ischool.berkeley.edu/~hal/Papers/2013/ml.pdf    

Vasarhelyi,  M.  A.,  Alles,  M,  G.,  &  Williams  K,  T.  (2010).  Continuous  Assurance  for  the  Now  Economy.  Sydney,  Australia:  Institute  of  Chartered  Accountants  in  Australia.  

Vasarhelyi,  M.,  &  Romero,  S.  (2014).  Usage  of  Technology  in  Audit:  A  Case  Study.  Journal  of  Managerial  accounting,  29(4),  350-­‐365.    

Wu,  X.,  Zhu,  X.,  Wu,  G.,  &  Ding,  W.  (2014).  Data  mining  with  Big  Data.  IEEE  Transactions  on  knowledge  and  data  engineering,  26(1),  97-­‐107.