Assurance

Het statisch proces model is dood!

Naast big data worden ook machine learning en artifical intelligence steeds vaker ingezet in het assurance domein. Van een statisch proces model naar continue verandering.

Back in the old days…

Al sinds ik begon met mijn opleiding to accountant gaat het bij AO/IB vooral om het procesmodel. Een model waarin alle stappen van een bepaald proces binnen de onderneming zijn uitgewerkt. Het beheersingshandboek van de onderneming, om ervoor te zorgen dat eenieder doet wat hij moet doen en ook nog op de juiste manier. Deze modellen beperken zich vaak tot beschrijven van alleen het ‘Happy Path’. Oké, soms neemt men de moeite ook een uitzondering te beschrijven, zoals het cancelen van een order of het plaatsen van een order in een back-log. Maar heel veel verder gaat het veelal niet.

Today…

Vandaag de dag hebben we data-analyse tools om inzicht te krijgen in processen. Met Minit Process Mining beschikken we binnen Coney over een tool die heel eenvoudig inzicht kan geven in het procesmodel. En dan niet alleen het ‘Happy Path’, maar ook alle olifantenpaadjes, shortcuts, afwijkingen en uitzonderingen. En dan kom je erachter dat orders soms ook verwijderd worden, dat betalingen niet altijd eerst geaccordeerd hoeven te worden en dat in sommige stappen helemaal geen functiescheiding wordt afgedwongen… 

Deze tools geven ons heel snel inzicht in het huidige procesmodel, zoals zich dat op basis van de historische data voordoet. Super waardevol, maar het betreft nog wel een hele degelijke weergave van een statisch procesmodel. Ja, we kunnen zien dat orders in 99 procent van de gevallen eerst worden geaccordeerd door het hoofd inkoop, voordat ze betaalbaar worden gesteld. Fijn. Dan gaat dat goed. Maar weten we op basis van deze informatie ook iets over de kwaliteit van deze processtap en dat accorderen door het hoofd inkoop?

Tools als Minit Proces Mining hebben de optie tot het animeren van een procesmodel op basis van de werkelijke data. En wat zien we dan vaak gebeuren bij dit soort IB-stappen op hoog niveau? De inkoopfacturen verzamelen zich gedurende de hele week in het digitale postvakje van het hoofd inkoop. En op vrijdagmiddag, vlak voor het wekelijkse betaalmoment van de organisatie, accordeert die nog even snel zeshonderd inkoopfacturen in vijf seconden… Tsja, dan is de waarde van je IB-maatregel ver te zoeken.

Forward to the new days…

Ontwikkelingen op het gebied van data analyse en data science gaan snel. De term big data horen we nog steeds veelvuldig, maar ook machine learning en artifical intelligence worden steeds vaker gebruikt. Gelukkig ook steeds vaker in het assurance domein. 

'Hoe zou een procesmodel er met gebruik van de nieuwste technieken binnen een organisatie uit kunnen zien?'

Hoe zou een procesmodel er met gebruik van de nieuwste technieken binnen een organisatie uit kunnen zien? De huidige tools stellen ons prima in staat een nulmeting te doen van een proces. Op basis daarvan kunnen inzichten verkregen worden over de werkelijke werking van processen, op basis van honderd procent van de data. Die inzichten kunnen leiden tot mogelijke aanpassingen in het proces.

De effecten van dergelijke aanpassingen op de effectiviteit en efficiency van het proces zijn nu nog lastiger te meten, maar dat gaat in de toekomst veel makkelijker worden. We kunnen dan steeds valideren of de door ons gemaakte aanpassingen het gewenste effect hebben. Verder kunnen we met behulp van machine learning gaan bepalen welke stappen in het proces belangrijker zijn dan andere. Met andere worden: welke processtappen zijn cruciaal om het proces efficiënt en effectief te laten verlopen en welke stappen zijn hierin van minder waarde.

Met deze kennis kunnen we hele gave dingen gaan doen. We zouden het proces dynamisch kunnen gaan maken, zodat het zich kan aanpassen aan de behoeften van de organisatie op dit moment!

Via artificial intellgence zullen we continue gaan voorspellen hoe het proces bijvoorbeeld de komende week het meest optimaal kan worden ingericht, zodat alle (met behulp van predictive analytics) te verwerken orders kunnen worden verwerkt; met behoud van een basis intern beheersingsniveau en kwaliteit. Dit kan betekenen dat, wanneer er extreme drukte wordt verwacht, bepaalde taken uit het proces worden gesneden en de daardoor vrijgekomen capaciteit kan worden ingezet op de bottlenecks binnen het proces.

'Wanneer er extreme drukte wordt verwacht, worden bepaalde taken uit het proces gesneden.'

De kwaliteit van het proces en de beheersing van het proces blijven in ieder geval minstens op het gewenste niveau. De effecten hiervan kunnen steeds worden getoetst en gevalideerd. Realtime, met alerts wanneer de werkelijkheid te veel dreigt af te wijken van de voorspelling. Uiteraard worden deze afwijkingen weer meegenomen in het predictive-model, zodat de verwachtingen volgende keer weer beter bepaald kunnen worden.

De tool gaat dus wekelijks op basis van een voorspelling taken en rollen aan de resources (mensen) toekennen voor het meest optimale proces. Dit betekent dat in drukke periodes minder belangrijke IB-maatregelen zullen verminderen en aandacht gaat naar belangrijker stappen in het proces. Tevens wordt er continue een relatie gelegd tussen uitgevoerde IB-maatregelen en hun impact op vervolgstappen in het proces, zodat ook daarop tijdig kan worden ingespeeld.

Bij iedere IB-maatregel wordt continue bekeken of de frequentie waarmee die wordt toegepast wel nuttig is. Als er nooit afwijkingen worden geconstateerd bij een bepaalde controle, kun je je afvragen of deze controle wel op transactieniveau moet plaatsvinden. Mogelijk kan die ook minder frequent plaatsvinden, zonder gevolgen voor de beheersing van het proces. Hier kan via machine learning (ML) en AI op worden gestuurd. Sterker nog: er kan straks voorspeld worden in welke periodes de frequentie omhoog of omlaag moet.

Wat betekent dit voor een onderneming?

Geen hoofd inkoop meer die het statische procesmodel uitschrijft voor het AO/IC-handboek, maar een dynamisch proces model, bepaald op basis van verschillende ML en AI algoritmes. 

'Mensen doen alleen nog maar datgene, wat er echt toe doet!'

Mensen doen niet dag in dag uit hetzelfde werk, zonder dat iemand binnen de organisatie weet wat de werkelijke waarde is van de uitgevoerde taken binnen het proces, maar mensen worden dagelijks ingezet op die taken die gegeven de omstandigheden het meest waardevol zijn voor de meest effectieve en efficiënte werking van het proces. Anders gezegd: mensen doen alleen nog maar datgene, wat er echt toe doet!

Wat betekent dit voor de assurance?

Er is geen sprake meer van een statisch proces model voor interne beheersing. Afhankelijk van de omstandigheden wordt het proces model continue bijgesteld. Er kan in de audit dus niet meer volstaan worden met het uitvoeren van één lijncontrole. Want er is geen standaard proces meer, maar een continue veranderend proces afhankelijk van de omstandigheden.
Daarnaast is de werking van een proces via deelwaarneming moeilijker te toetsen, want op basis van algoritmes uit ML en AI wordt bepaald hoe het proces zou
moeten werken. Die kennis moet dan wel beschikbaar zijn om hier een oordeel over te kunnen vormen. 

And on that bombshell…

Wat ons betreft kunnen de ontwikkelingen niet snel genoeg gaan. We staan al te popelen om bij dergelijke organisaties aan de slag te gaan. Maar zover is het helaas nog niet. Tot die tijd zullen wij blijven nadenken hoe we technieken als machine learning en AI kunnen toepassen om bedrijfsprocessen nog efficiënter en slimmer te maken.

reacties

Reageren op een artikel kan tot drie maanden na plaatsing. Reageren op dit artikel is daarom niet meer mogelijk.

    Gerelateerd

    Aanmelden nieuwsbrief

    Ontvang elke werkdag (maandag t/m vrijdag) de laatste nieuwsberichten, opinies en artikelen in uw mailbox.

    Bent u NBA-lid? Dan kunt u zich ook aanmelden via uw ledenprofiel op MijnNBA.nl.