THREE ESSAYS FOR THE EXPLOITATION OF BIG DATA IN ACCOUNTING AND AUDITING

Negli ultimi decenni l'innovazione digitale ha dato vita a un enorme progresso che ha creato il fenomeno dei cosiddetti Big data. Si sente spesso dire che "Data is the new oil" e si è diffusa la convinzione che i big data offrano una grande opportunità alle organizzazioni, grandi e piccole, per affrontare diverse problematiche. Come molte altre funzioni aziendali, anche l’accounting è coinvolto in questo processo e viene influenzato dalla presenza dei big data. Questo lavoro si propone di fornire tre saggi utili a comprendere quale impatto stia producendo la convergenza tra big data e contabilità. Il Paper I analizza l'uso e lo sfruttamento dei big data da parte della gestione aziendale, concentrandosi sul loro ruolo nel rimodellare i sistemi informativi contabili. Internet of things e Machine Learning giocano un ruolo fondamentale per estrare valore dalle informazioni in un mondo complesso. Il presente lavoro analizza, da tre prospettive, l'impatto dei big data sul ruolo della contabilità nel supportare i manager e il processo decisionale, anche con l'obiettivo di definire le future linee di ricerca che si potrebbero esplorare. Una prospettiva interna, che si concentra sul modo in cui i big data possono avere un impatto sulla contabilità gestionale; una prospettiva esterna che si concentra su una nuova dimensione del financial accounting e della comunicazione finanziaria; una prospettiva di controllo, infine, che si concentra sull'impatto dei big data sulle procedure di revisione interna ed esterna. Il paper II si concentra su un argomento che ha attirato l'attenzione di molti studiosi negli ultimi decenni: la previsione dei fallimenti. Per sviluppare modelli statistici di previsione del fallimento sono stati utilizzati sia metodi convenzionali che moderni. Le tecniche statistiche convenzionali hanno dei limiti, ma i modelli di apprendimento automatico possono superarli e individuare correttamente le imprese in difficoltà finanziaria in tempi utili. Diversi algoritmi hanno ottenuto buoni risultati in termini di accuratezza della classificazione. Questo studio utilizza il machine learning per definire un modello di previsione del fallimento e confronta diversi algoritmi (Decision Trees, Random Forest, Gradient Boosting, Logistic Regression e Support Vector Machine). Utilizzando un set di dati unico in termini di numero di osservazioni, con 76.464 imprese fallite e 532.255 imprese attive (1.826.157 firm-year observation) e variabili di input (indici finanziari e dati contabili grezzi), si scopre che Random Forest e Gradient Boosting sono i modelli più performanti. Le prestazioni sono migliori utilizzando i dati contabili piuttosto che gli indici finanziari. Per compensare i vincoli posti dallo sbilanciamento delle classi di imprese tra fallite e attive, sono state utilizzate tecniche di resampling: SMOTE e random undersampling. Il Paper III si propone di capire come big data e big data analytics possano avere un impatto sulle operazioni di forensic accountant e fraud examiner, rimodellando il processo di individuazione delle frodi aziendali. Per cogliere gli effetti di questa interazione abbiamo utilizzato un approccio derivato dalla sociomaterialità, la prospettiva dell’affordance theory. Questa ricerca adotta un approccio qualitativo, utilizzando 17 interviste semi-strutturate con forensic accountant e certified fraud examiner. Questo approccio qualitativo ci permette di identificare dispositional e relational affordances. I risultati mostrano che l'interazione tra professionista e big data consente di ottenere alcuni vantaggi significativi. Dal punto di vista dispositional, si scopre che i big data e gli strumenti di big data analytics garantiscono una maggiore profondità dell'analisi che può essere effettuata. Inoltre, si evidenzia il potere della visual analytics nell'individuazione delle frodi. Gli strumenti di visualizzazione sono estremamente importanti anche in merito ai relational affordances.

Digital innovation sparked a huge progress in the past decades that led to the “pervasive phenomenon of big data” which, in recent years, has generated significant hype in economic systems. The claim that “Data is the new oil” is often heard; and the belief is widespread that big data offers a great opportunity for organizations, large and small, to tackle various issues. Big data, the Internet of Things and machine learning are only today starting to be widely used but are already attracting interest as they can generate a significant impact on business management. As many other business function, accounting is involved in this progress it's being affected by the presence of big data. This work aims to provide three essays useful to understand which impact is producing the convergence of big data and accounting. Paper I analyses use and exploitation of big data by business management, focusing on its role in reshaping accounting information systems. Internet of Things and Machine Learning play a key role in obtaining insights and value in this complex world. Like other areas of business, accounting function is showing growing interest in their possible applications. This paper analyze, from three perspectives, how big data impacts on the accounting role in supporting managers and decision making process, also with the aim to define future research lines that scholars could explore. An internal perspective focuses on how big data can impact management accounting; an external perspective focuses on a new dimension of financial accounting and disclosure of information; and a control perspective, focuses on the impact of big data on internal and external audit procedures. Paper II focuses on a topic which has caught the attention of many scholar during recent decades: bankruptcy prediction. Both conventional and modern methods have been used to develop statistical models of bankruptcy prediction. Conventional statistical techniques have limitations, but machine learning models can overcome these and correctly detect financially distressed firms in a useful timeframe. Various algorithms perform well in terms of accuracy of classification. This study uses machine learning to define a bankruptcy prediction model, and compares different algorithms (Decision Trees, Random Forest, Gradient Boosting, Logistic Regression and Support Vector Machine). Using a dataset unique in terms of number of observations, with 76,464 bankrupt firms and 532,255 active firms (1,826,157 firm-year observations) and input variables (financial ratios and raw accounting data), we find that Random Forest and Gradient Boosting are the best performing models. Performance is better using accounting data rather than financial ratios. To overcome constraints of imbalance between the two classes of bankrupt and active firms, we use resampling techniques, SMOTE and random undersampling. Then, Paper III aims to understand how big data and big data analytics could impact the operations of professionals involved in fraud examination and investigation. Especially, this paper aims to analyse how the interaction between forensic accountants and big data could reshape fraud detection process. To capture the effects of this interaction we used an approach derived from sociomateriality, the perspective of affordances enabled by big data. This research adopts a qualitative approach, using 17 semi-structured interviews with forensic accountants and certified fraud examiners in Italy. This qualitative approach allows us to identify dispositional and relational affordances. Findings show that interaction between forensic accountants and big data enables some significant affordances. On the dispositional side, we find that big data and big data analytics tools ensure am higher depth of the analysis that can be done. In addition, it is highlighted the power of visual analytics in fraud detection.