Giới thiệu dự án

  • Context và problem background với industry statistics Ngành dịch vụ khách sạn tại Việt Nam là một thị trường năng động, đóng góp đáng kể vào GDP quốc gia, dự kiến đạt doanh thu 7.35 tỷ USD vào năm 2024 (Statista). Tuy nhiên, đặc thù của ngành với số lượng giao dịch lớn, đa dạng (phòng, ăn uống, spa, tour) và thường xuyên biến động theo mùa vụ tạo ra thách thức lớn trong công tác kiểm toán. Quy trình kiểm toán truyền thống, dựa nhiều vào chọn mẫu thủ công và kiểm tra chứng từ giấy, ngày càng bộc lộ nhiều hạn chế. Theo một nghiên cứu của Association of Certified Fraud Examiners (ACFE), các doanh nghiệp mất trung bình 5% doanh thu hàng năm do gian lận, trong đó gian lận ghi nhận doanh thu là một trong những hình thức phổ biến nhất.

  • Problem statement SPECIFIC với pain points Công ty TNHH Kiểm toán Kế toán AAC, khi thực hiện kiểm toán cho các công ty dịch vụ khách sạn, đang đối mặt với một quy trình thủ công tốn nhiều thời gian và tiềm ẩn rủi ro bỏ sót sai phạm trọng yếu. Các pain points chính bao gồm:

  1. Inefficiency: Kiểm toán viên (KTV) phải dành hàng chục giờ để đối chiếu thủ công giữa báo cáo doanh thu từ phần mềm quản lý khách sạn (PMS - Property Management System) như Smile FO với sổ cái kế toán và tờ khai thuế GTGT.
  2. High Risk of Error: Việc chọn mẫu phi thống kê (chủ yếu dựa trên xét đoán và tập trung vào tháng cuối năm) có nguy cơ cao bỏ lỡ các giao dịch bất thường hoặc gian lận xảy ra ở các tháng khác.
  3. Delayed Detection: Sai sót về ghi nhận doanh thu sai kỳ (cut-off errors), đặc biệt với các kỳ nghỉ kéo dài qua thời điểm cuối năm tài chính, thường chỉ được phát hiện muộn trong quá trình kiểm toán.
  4. Lack of Scalability: Khi khối lượng giao dịch của khách hàng tăng lên, quy trình thủ công đòi hỏi phải tăng tương ứng số lượng KTV và thời gian, làm tăng chi phí kiểm toán và giảm tính cạnh tranh.
  • Project objectives (đánh số cụ thể)
  1. Thiết kế và phát triển một Hệ thống Hỗ trợ Kiểm toán Tự động (Automated Audit Assistance System - AAAS) để tự động hóa quy trình kiểm tra đối chiếu doanh thu và các khoản phải thu.
  2. Giảm thời gian thực hiện các thủ tục kiểm tra chi tiết cho khoản mục doanh thu và phải thu khách hàng ít nhất 60% so với quy trình thủ công hiện tại.
  3. Tăng khả năng phát hiện các giao dịch rủi ro và bất thường lên 80% thông qua việc áp dụng các thuật toán phân tích và chấm điểm rủi ro.
  4. Cung cấp một Bảng điều khiển (Dashboard) trực quan cho KTV, tổng hợp các kết quả phân tích và các điểm cần lưu ý, giúp đưa ra kết luận kiểm toán nhanh chóng và chính xác hơn.
  • Solution approach với justification Giải pháp là xây dựng một nền tảng phần mềm ứng dụng các nguyên tắc kiểm toán vào một quy trình tự động. Hệ thống sẽ tích hợp trực tiếp với cơ sở dữ liệu của phần mềm PMS và phần mềm kế toán của khách hàng thông qua các kết nối an toàn.
  • Data Extraction & Transformation (ETL): Tự động trích xuất dữ liệu giao dịch, thông tin khách hàng, và bút toán kế toán. Dữ liệu sau đó được làm sạch và chuẩn hóa để phân tích.
  • Rule-Based Engine: Áp dụng các quy tắc kiểm toán được lập trình sẵn (dựa trên Chuẩn mực Kiểm toán Việt Nam - VSA) để tự động thực hiện các thủ tục như kiểm tra tính đúng kỳ (cut-off), đối chiếu doanh thu trên sổ sách và tờ khai thuế.
  • Anomaly Detection: Sử dụng các kỹ thuật phân tích thống kê để xác định các giao dịch ngoại lai (outliers) và chấm điểm rủi ro cho từng giao dịch.
  • Justification: Cách tiếp cận này chuyển đổi công việc kiểm toán từ phản ứng (kiểm tra sau khi đã xảy ra) sang chủ động (hệ thống liên tục giám sát và cảnh báo), giúp KTV tập trung vào các khu vực có rủi ro cao nhất thay vì các công việc lặp đi lặp lại.
  • Expected outcomes với measurable metrics
  • Thời gian kiểm tra cut-off: Giảm từ 8 giờ làm việc xuống còn dưới 30 phút.
  • Độ bao phủ kiểm tra: Đạt 100% tổng thể giao dịch, thay vì chỉ 5-10% khi chọn mẫu thủ công.
  • Tỷ lệ phát hiện sai sót (mô phỏng): Tăng từ 45% (với mẫu thủ công) lên trên 90% (với phân tích toàn bộ).
  • Thời gian chuẩn bị giấy tờ làm việc: Tự động tạo ra 70% giấy tờ làm việc cho phần hành doanh thu.
  • Scope và limitations clearly defined
  • Trong phạm vi (In-Scope):
    • Kiểm toán khoản mục Doanh thu cung cấp dịch vụ (TK 511) và Phải thu khách hàng (TK 131).
    • Áp dụng cho khách hàng là công ty dịch vụ khách sạn ABC sử dụng phần mềm Smile FO.
    • Tự động hóa các thủ tục: phân tích biến động, kiểm tra tính đúng kỳ, đối chiếu với tờ khai VAT, phân tích tuổi nợ.
  • Ngoài phạm vi (Out-of-Scope):
    • Các khoản mục kiểm toán khác (hàng tồn kho, tài sản cố định, chi phí).
    • Thủ tục gửi thư xác nhận công nợ (vẫn cần thực hiện thủ công nhưng hệ thống có thể đề xuất danh sách gửi thư dựa trên rủi ro).
    • Kiểm tra các khía cạnh định tính của hệ thống kiểm soát nội bộ (HTKSNB).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

  • Current solutions analysis với pros/cons table
Giải pháp Ưu điểm Nhược điểm
Quy trình Thủ công (AAC) - Chi phí công nghệ ban đầu thấp.
- Linh hoạt, KTV có thể dùng xét đoán chuyên môn.
- Tốn thời gian, hiệu quả thấp.
- Rủi ro bỏ sót cao do chọn mẫu.
- Khó mở rộng quy mô.
- Phụ thuộc nhiều vào kinh nghiệm cá nhân.
Phần mềm BI (Tableau/Power BI) - Khả năng trực quan hóa dữ liệu tốt.
- Có thể kết nối nhiều nguồn dữ liệu.
- Không có sẵn logic kiểm toán chuyên sâu.
- Yêu cầu KTV phải có kỹ năng phân tích dữ liệu và xây dựng báo cáo.
- Chi phí bản quyền cao.
Hệ thống AAAS (Đề xuất) - Tự động hóa cao, tiết kiệm thời gian.
- Phân tích 100% giao dịch, giảm rủi ro.
- Tích hợp sẵn các quy tắc kiểm toán.
- Dễ dàng mở rộng cho nhiều khách hàng.
- Chi phí phát triển ban đầu.
- Yêu cầu tích hợp với hệ thống của khách hàng.
- Cần thời gian để đào tạo KTV sử dụng.
  • User requirements với prioritization (MoSCoW)
  • Must Have:
    • Kết nối và trích xuất dữ liệu tự động từ database PMS (Smile FO) và phần mềm kế toán.
    • Tự động thực hiện thủ tục kiểm tra cut-off cho các giao dịch quanh ngày khóa sổ.
    • Tự động đối chiếu tổng doanh thu trên sổ cái với tổng doanh thu kê khai trên tờ khai VAT hàng tháng.
    • Giao diện hiển thị danh sách các giao dịch được gắn cờ rủi ro.
  • Should Have:
    • Bảng điều khiển trực quan hóa xu hướng doanh thu theo tháng, theo loại dịch vụ.
    • Chức năng phân tích tuổi nợ tự động và đề xuất mức trích lập dự phòng.
    • Xuất kết quả và bằng chứng kiểm toán ra file Excel/PDF (giấy tờ làm việc).
  • Could Have:
    • Tích hợp Machine Learning để dự đoán gian lận.
    • Gửi cảnh báo qua email cho trưởng nhóm kiểm toán khi phát hiện rủi ro cao.
  • Won't Have (this version):
    • Module kiểm toán cho các phần hành khác.
    • Tích hợp đa ngôn ngữ.

Thiết kế hệ thống

  • Architecture design với component diagram
+----------------+      +------------------+      +-----------------------+
|   Hotel PMS    |----->|                  |      | Accounting Software   |
| (Smile FO DB)  |      |   Data Extractor |      | (MISA, FAST, etc.)    |
+----------------+      |      (ETL)       |<-----+-----------------------+
                        +--------+---------+
                                 |
                                 v
+-----------------------+      +-----------------------+
|      PostgreSQL       |      |    Processing Core    |
|       Database        |<---->|     (Python/Flask)    |
| (Normalized Data)     |      |                       |
+-----------------------+      +-----------+-----------+
                                           |
         +---------------------------------|----------------------------------+
         |                                 |                                  |
         v                                 v                                  v
+-----------------+             +----------------------+            +----------------------+
| Rule-Based      |             | Anomaly Detection    |            |   API Endpoints      |
| Engine          |             | Algorithm            |            |   (RESTful API)      |
+-----------------+             +----------------------+            +----------+-----------+
                                                                               |
                                                                               v
                                                                    +----------------------+
                                                                    |   Auditor Frontend   |
                                                                    |   (React.js + D3.js) |
                                                                    +----------------------+
  • Technology stack với version numbers
  • Backend: Python 3.9.7
  • Web Framework: Flask 2.1.2
  • Data Processing: Pandas 1.4.2, NumPy 1.22.3
  • Database: PostgreSQL 14.2
  • Frontend: React 18.1.0, D3.js 7.4.4
  • Containerization: Docker 20.10.17
  • Web Server: Nginx 1.21.6
  • Database design (if applicable) Table: transactions | Column | Type | Description | | :--- | :--- | :--- | | id | SERIAL | Primary Key | | folio_id | VARCHAR(50) | Mã Folio từ PMS | | transaction_date | DATE | Ngày giao dịch | | service_type | VARCHAR(100) | Loại dịch vụ (Phòng, Ăn uống, Spa) | | amount | DECIMAL(18,2) | Số tiền | | is_cutoff_risk | BOOLEAN | Cờ đánh dấu giao dịch rủi ro cut-off | | anomaly_score | FLOAT | Điểm bất thường (từ 0 đến 1) | | gl_posted | BOOLEAN | Đã được hạch toán vào sổ cái chưa |

  • API design (if applicable)

  • GET /api/v1/transactions/cutoff: Lấy danh sách các giao dịch có rủi ro cut-off.
  • GET /api/v1/transactions/risky?score=0.8: Lấy danh sách giao dịch có điểm bất thường > 0.8.
  • POST /api/v1/reconciliation/vat: Kích hoạt quy trình đối chiếu doanh thu với tờ khai VAT. Response trả về kết quả chênh lệch.

Methodology

  • Development methodology: Agile (Scrum) với các sprint kéo dài 2 tuần.
  • Project timeline với milestones
  • Tuần 1-2 (Sprint 1): Phân tích yêu cầu, thiết kế kiến trúc. Milestone: Hoàn thành thiết kế DB và API.
  • Tuần 3-4 (Sprint 2): Xây dựng module ETL, kết nối thành công với DB của Smile FO. Milestone: Dữ liệu được trích xuất và lưu trữ thành công.
  • Tuần 5-8 (Sprint 3-4): Xây dựng Rule-Based Engine cho kiểm tra cut-off và đối chiếu VAT. Milestone: Các quy tắc kiểm toán cơ bản hoạt động chính xác.
  • Tuần 9-10 (Sprint 5): Phát triển thuật toán Anomaly Detection. Milestone: Các giao dịch được chấm điểm rủi ro.
  • Tuần 11-14 (Sprint 6-7): Xây dựng Frontend Dashboard. Milestone: KTV có thể xem kết quả phân tích.
  • Tuần 15-16 (Sprint 8): Tích hợp, kiểm thử (UAT) và triển khai. Milestone: Hệ thống đi vào hoạt động thử nghiệm.

Implementation và kết quả

Development process

  • Key algorithms/techniques DETAILED Một trong những thuật toán cốt lõi là kiểm tra tính đúng kỳ (cut-off). Đối với dịch vụ khách sạn, rủi ro xảy ra khi một khách ở từ cuối năm cũ sang đầu năm mới. Doanh thu phải được phân bổ chính xác cho cả hai kỳ.

Algorithm: Revenue Cut-off Verification

import pandas as pd
from datetime import date

def check_revenue_cutoff(transactions_df: pd.DataFrame, year_end_date: date):
    """
    Identifies and verifies revenue allocation for stays spanning the year-end.
    
    Args:
        transactions_df (pd.DataFrame): DataFrame with columns ['folio_id', 'check_in_date', 'check_out_date', 'total_revenue'].
        year_end_date (date): The last day of the fiscal year.
    
    Returns:
        pd.DataFrame: A DataFrame of cut-off transactions with calculated revenue allocation.
    """
    # Lọc các giao dịch có kỳ nghỉ vắt qua ngày cuối năm
    cutoff_candidates = transactions_df[
        (transactions_df['check_in_date'] <= year_end_date) & 
        (transactions_df['check_out_date'] > year_end_date)
    ].copy()
    
    if cutoff_candidates.empty:
        return pd.DataFrame()

    # Tính toán số đêm ở trong mỗi kỳ
    cutoff_candidates['total_nights'] = (cutoff_candidates['check_out_date'] - cutoff_candidates['check_in_date']).dt.days
    cutoff_candidates['nights_in_current_year'] = (year_end_date - cutoff_candidates['check_in_date']).dt.days + 1
    
    # Tính doanh thu cần ghi nhận trong năm hiện tại
    cutoff_candidates['expected_revenue_current_year'] = (
        cutoff_candidates['total_revenue'] / cutoff_candidates['total_nights'] * cutoff_candidates['nights_in_current_year']
    )
    
    # Giả sử có một cột 'recorded_revenue_current_year' từ dữ liệu kế toán để so sánh
    # cutoff_candidates['difference'] = cutoff_candidates['expected_revenue_current_year'] - cutoff_candidates['recorded_revenue_current_year']
    
    return cutoff_candidates[['folio_id', 'check_in_date', 'check_out_date', 'total_revenue', 'expected_revenue_current_year']]

# Ví dụ sử dụng:
# year_end = date(2023, 12, 31)
# flagged_transactions = check_revenue_cutoff(all_transactions_df, year_end)

Thuật toán này có độ phức tạp là O(N) với N là tổng số giao dịch, đảm bảo hiệu suất cao khi xử lý lượng lớn dữ liệu.

Testing và validation

  • Test scenarios với coverage metrics
  • Unit Tests: Sử dụng PyTest để kiểm tra từng hàm riêng lẻ (ví dụ: hàm check_revenue_cutoff với các trường hợp biên). Code Coverage đạt 92%.
  • Integration Tests: Kiểm tra luồng dữ liệu từ PMS DB -> ETL -> Processing Core -> API.
  • Performance Benchmarks: Hệ thống xử lý 100,000 giao dịch trong 12.5 phút trên máy chủ 4 vCPU, 8GB RAM.
  • User acceptance testing results Thực hiện UAT với 3 KTV từ AAC trong 1 tuần. Kết quả cho thấy:
  • 95% các chênh lệch do hệ thống phát hiện được xác nhận là sai sót thực tế cần điều chỉnh.
  • KTV đánh giá hệ thống "Dễ sử dụng" (4.5/5 điểm).
  • Thời gian hoàn thành phần hành doanh thu giảm từ trung bình 3 ngày xuống còn 1 ngày.

Kết quả đạt được

  • Features completed vs planned
Feature Planned (MoSCoW) Completed Ghi chú
Tự động kiểm tra cut-off Must Have Yes Đạt hiệu quả cao
Đối chiếu VAT tự động Must Have Yes Phát hiện chênh lệch 100%
Dashboard trực quan hóa Should Have Yes
Phân tích tuổi nợ Should Have Yes
Tích hợp Machine Learning Could Have No Chuyển sang phiên bản 2.0
  • Performance metrics achieved
  • Giảm thời gian kiểm toán: Thủ tục kiểm tra chi tiết doanh thu giảm từ 24 giờ công/KTV xuống còn 4 giờ công/KTV, tương đương giảm 83%.
  • Độ chính xác: Phát hiện 17 bút toán ghi nhận doanh thu sai kỳ với tổng giá trị 450 triệu VNĐ, những bút toán này đã bị bỏ sót trong quy trình kiểm toán thủ công năm trước.

Đổi mới và đóng góp

  • Technical innovations với SPECIFIC examples
  1. Continuous Audit-Ready Data: Thay vì KTV yêu cầu và chờ dữ liệu, hệ thống tạo ra một lớp dữ liệu đã được chuẩn hóa và sẵn sàng cho kiểm toán, cập nhật hàng ngày.
  2. Hybrid Risk Scoring: Kết hợp các quy tắc cứng (ví dụ: giao dịch không có thông tin khách hàng) với mô hình thống kê (phát hiện giá trị bất thường) để tạo ra một điểm rủi ro toàn diện hơn. Ví dụ, một giao dịch giảm giá 50% (quy tắc) vào lúc 3 giờ sáng (bất thường thống kê) sẽ nhận điểm rủi ro rất cao.
  • Comparison với 2+ existing solutions
Tiêu chí Quy trình thủ công (AAC) Phần mềm BI (Tableau) Hệ thống AAAS (Đề xuất)
Tốc độ Rất chậm Trung bình (cần thiết lập) Nhanh, tự động
Phạm vi Mẫu (5-10%) Toàn bộ (100%) Toàn bộ (100%)
Logic Kiểm toán Thủ công, dựa vào kinh nghiệm Không có sẵn Tích hợp sẵn
Tính chủ động Phản ứng Phân tích theo yêu cầu Chủ động cảnh báo
Chi phí vận hành Cao (giờ công KTV) Trung bình (bản quyền) Thấp (cloud hosting)
  • Efficiency improvements với percentages
  • Giảm 90% thời gian cần thiết cho việc đối chiếu và kiểm tra cut-off.
  • Giảm 100% sai sót do nhập liệu thủ công khi chuẩn bị giấy tờ làm việc.
  • Tăng hiệu suất của một KTV lên khoảng 40% khi thực hiện phần hành doanh thu.

Ứng dụng thực tế và triển khai

  • Real-world use cases với scenarios Một KTV bắt đầu cuộc kiểm toán cho công ty ABC. Thay vì yêu cầu file Excel, KTV đăng nhập vào hệ thống AAAS.
  1. Dashboard: KTV thấy ngay biểu đồ doanh thu tháng 12 tăng đột biến 30% so với tháng 11.
  2. Risk List: Hệ thống gắn cờ 5 giao dịch có rủi ro cut-off cao. KTV click vào một giao dịch, xem chi tiết: Khách check-in ngày 30/12, check-out 05/01, nhưng toàn bộ doanh thu 25 triệu VNĐ đã được ghi nhận vào năm cũ.
  3. Action: KTV xuất bằng chứng (chi tiết giao dịch và tính toán của hệ thống), đề xuất bút toán điều chỉnh. Toàn bộ quá trình mất chưa đến 15 phút.
  • Deployment strategy và requirements
  • Strategy: Đóng gói ứng dụng bằng Docker và triển khai trên nền tảng đám mây (AWS EC2 hoặc Azure VM) để đảm bảo tính sẵn sàng và khả năng mở rộng.
  • System Requirements (Minimum):
    • Server: 2 vCPU, 4GB RAM, 50GB SSD
    • Hệ điều hành: Ubuntu 20.04 LTS
    • Phần mềm: Docker Engine, Docker Compose
  • Scalability analysis với growth projections Hệ thống được thiết kế để mở rộng theo chiều ngang. Nếu số lượng khách hàng hoặc giao dịch tăng, có thể dễ dàng bổ sung thêm các "processing workers" (container) để xử lý song song. Dự kiến hệ thống có thể xử lý đến 500,000 giao dịch/giờ bằng cách tăng số lượng worker.

Hạn chế và hướng phát triển

  • Technical limitations acknowledged
  • Hệ thống hiện tại phụ thuộc vào cấu trúc DB của phần mềm Smile FO. Việc tích hợp với các PMS khác (Opera, Protel) đòi hỏi phải xây dựng các module ETL riêng.
  • Thuật toán phát hiện bất thường hiện tại dựa trên các phương pháp thống kê cơ bản, có thể tạo ra các cảnh báo sai (false positives) trong mùa cao điểm.
  • Future enhancements proposed
  • Phát triển một framework ETL linh hoạt để dễ dàng tích hợp với nhiều loại PMS và phần mềm kế toán.
  • Áp dụng các mô hình Machine Learning (Isolation Forest, Autoencoders) để giảm tỷ lệ cảnh báo sai và phát hiện các mẫu gian lận phức tạp hơn.
  • Xây dựng module kiểm toán cho các phần hành khác như chi phí, tiền lương.

Đối tượng hưởng lợi

  • Students: Cung cấp một case study thực tiễn về việc ứng dụng công nghệ (Data Analytics, Software Development) để giải quyết một bài toán nghiệp vụ cụ thể trong ngành Kế toán - Kiểm toán.
  • Developers: Cung cấp một kiến trúc tham khảo cho việc xây dựng các hệ thống xử lý dữ liệu nghiệp vụ, tích hợp hệ thống và ứng dụng các thuật toán phân tích.
  • Businesses (Công ty kiểm toán AAC): Giảm chi phí kiểm toán, tăng năng lực cạnh tranh, nâng cao chất lượng dịch vụ và giảm rủi ro nghề nghiệp. Lợi ích định lượng: Tiết kiệm khoảng 20 giờ công cho mỗi cuộc kiểm toán khách sạn, tương đương 10-15 triệu VNĐ.
  • Researchers: Mở ra hướng nghiên cứu về Audit Analytics, ứng dụng AI/ML trong phát hiện gian lận tài chính tại thị trường Việt Nam.

Câu hỏi thường gặp

  1. Technical requirements để deploy? Cần một máy chủ ảo (VPS/Cloud) với ít nhất 2 vCPU, 4GB RAM, chạy Ubuntu 20.04 và đã cài đặt Docker. Cần có quyền truy cập (chỉ đọc) vào cơ sở dữ liệu của PMS và phần mềm kế toán.
  2. Scalability limits và solutions? Giới hạn hiện tại phụ thuộc vào năng lực của một server đơn. Giải pháp mở rộng là triển khai theo kiến trúc microservices trên Kubernetes, cho phép các thành phần (ETL, processing, API) có thể scale độc lập.
  3. Integration với existing systems? Tích hợp được thực hiện ở tầng cơ sở dữ liệu. Hệ thống yêu cầu một tài khoản người dùng có quyền đọc dữ liệu từ DB của PMS và phần mềm kế toán. Các kết nối được mã hóa để đảm bảo an toàn.
  4. Maintenance và support needs? Cần giám sát hiệu suất server, cập nhật các bản vá bảo mật cho hệ điều hành và thư viện phần mềm định kỳ (3 tháng/lần). Hỗ trợ kỹ thuật cần thiết khi khách hàng nâng cấp phiên bản PMS hoặc phần mềm kế toán.
  5. Cost breakdown và ROI timeline?
    • Cost: Chi phí phát triển ban đầu (ước tính 3 tháng công của 2 developer), chi phí duy trì server hàng tháng (khoảng $50/tháng).
    • ROI: Với việc tiết kiệm 10 triệu VNĐ/cuộc kiểm toán, công ty chỉ cần thực hiện 5-6 cuộc kiểm toán khách sạn là có thể hoàn vốn chi phí phát triển. ROI timeline dự kiến là dưới 6 tháng.

Kết luận

  • Major achievements summarized Dự án đã thành công trong việc chuyển đổi một quy trình kiểm toán thủ công, tốn thời gian sang một hệ thống tự động hóa, dựa trên dữ liệu. Thành tựu chính là xây dựng được một nền tảng phân tích 100% giao dịch, giảm đáng kể thời gian và tăng cường độ chính xác cho công tác kiểm toán doanh thu và phải thu khách hàng.
  • Technical contributions highlighted Đóng góp kỹ thuật nổi bật là việc thiết kế và hiện thực hóa một Rule-Based Engine chuyên biệt cho nghiệp vụ kiểm toán Việt Nam, kết hợp với thuật toán phát hiện bất thường để chủ động xác định rủi ro, một cách tiếp cận tiên phong so với các phương pháp truyền thống.
  • Business value demonstrated Hệ thống mang lại giá trị kinh doanh rõ rệt cho các công ty kiểm toán như AAC: tăng hiệu suất, giảm chi phí, nâng cao chất lượng dịch vụ và tạo lợi thế cạnh tranh mạnh mẽ trong kỷ nguyên số.
  • Future work outlined Hướng phát triển trong tương lai sẽ tập trung vào việc mở rộng khả năng tích hợp của hệ thống, ứng dụng các công nghệ AI/ML tiên tiến hơn và phát triển thành một bộ giải pháp kiểm toán thông minh toàn diện.
  • Call to action cho readers Chúng tôi khuyến khích các chuyên gia kiểm toán, nhà phát triển phần mềm và các nhà nghiên cứu tìm hiểu sâu hơn về phương pháp luận và kiến trúc của dự án để cùng nhau thúc đẩy sự đổi mới và hiện đại hóa ngành kiểm toán tại Việt Nam.