Terkadang jumlah data yang besar tidak otomatis menjamin kualitas informasi. Kesalahan dalam data sumber dapat terjadi karena input yang tidak lengkap, transaksi ganda, perbedaan format, ketidakkonsistenan kode akun, integrasi sistem yang buruk, atau lemahnya pengendalian akses. Sebagai contoh, analisis umur piutang dapat memberikan kesimpulan yang salah apabila tanggal faktur tidak akurat atau pembayaran pelanggan belum dicatat. Demikian pula, analisis profitabilitas produk dapat menyesatkan apabila metode alokasi biaya tidak mencerminkan konsumsi sumber daya yang sebenarnya. Dalam keadaan tersebut, analitik hanya memproses kesalahan dengan lebih cepat dan dalam skala yang lebih besar.
Big data juga dapat mengandung bias. Data historis yang digunakan dalam model prediksi mungkin mencerminkan kebijakan, kondisi pasar, atau perilaku organisasi tertentu yang tidak lagi relevan. Sebuah model untuk memprediksi risiko gagal bayar, misalnya, dapat menghasilkan penilaian yang tidak tepat apabila data pelatihannya tidak mewakili karakteristik pelanggan saat ini. Selain itu, akuntan dapat mengalami confirmation bias, yaitu kecenderungan untuk lebih memperhatikan hasil yang mendukung keyakinan awal. Kajian mengenai tantangan perilaku dalam penggunaan audit data analytics menunjukkan bahwa sikap auditor terhadap teknologi, karakteristik data, cara anomali ditampilkan, pola pikir auditor, dan konteks sosial dapat memengaruhi penerapan skeptisisme profesional.
Risiko lainnya adalah automation bias, yaitu kecenderungan untuk terlalu mempercayai rekomendasi sistem karena dianggap berasal dari proses yang lebih canggih dan objektif. Apabila sebuah aplikasi tidak menandai transaksi sebagai anomali, akuntan mungkin menyimpulkan bahwa transaksi tersebut tidak bermasalah. Padahal, sistem hanya dapat mengenali pola berdasarkan parameter yang telah ditentukan. Transaksi dapat lolos dari deteksi jika dilakukan tepat di bawah batas nominal, menggunakan akun yang terlihat normal, atau mengikuti pola transaksi sebelumnya. Sebaliknya, transaksi yang sah dapat ditandai sebagai anomali karena jarang terjadi. Oleh sebab itu, keluaran sistem merupakan indikator untuk ditindaklanjuti, bukan bukti final yang dapat langsung dijadikan dasar kesimpulan.
Referensi:
