Discussie Opinie

Data-science en machine learning: het verhaal achter het verhaal

In de toekomst wordt data science voor accountants en auditors onmisbaar. Die moeten hun vakkennis combineren met inzichten die uit de statistiek voortkomen.

Joël Mutanga

Stel, ergens aan de andere kant van de tafel zit uw klant: een ondernemer in de evenementenbranche. Het was een goed jaar met veel zon, waardoor de bezoekersaantallen flink toenamen. Samen neemt u de keurig opgestelde jaarrekening door. Achter ieder cijfer schuilt een verhaal en de ondernemer vertelt u precies hoe alles volgens de planningen en berekeningen zou moeten lopen. Maar wij, als accountants, willen weten wat het verhaal achter dit verhaal is. Welke rol zou data-science en machine learning hierin kunnen vervullen?

Ik zie immers hoe we worstelen met de uitdaging om de essentie achter de gegeven verhalen te ontdekken. Naar mijn mening kan data science hier een nieuwe horizon openen. Een horizon waarin grote hoeveelheden informatie - van jaarrekeningen tot transactiedata en alles daartussenin - worden ingezet om verborgen risico's en kansen bloot te leggen. Het doel is helder: ons helpen om dichter bij het échte verhaal achter de cijfers te komen, nog voordat wij zijn gestart met de audit.

Een holistische benadering

Om het volledige plaatje te zien, is een bredere, meer holistische benadering nodig. Dat betekent dat we niet alleen kijken naar de cijfers die voor de jaarrekening van belang zijn, maar ook naar de data eromheen en wellicht ook daarbuiten. Waar zitten patronen en afwijkingen die de klant niet vertelt, of misschien zelf niet eens doorheeft?

Dankzij een holistische benadering kunnen kleine transacties, die in een traditionele controle al snel als niet-materieel worden weggezet, toch in het oog springen, doordat er een afwijkend patroon uit de data naar voren komt. Waar men voorheen deze uitgaven over het hoofd zag vanwege hun lage individuele bedrag, kan de bredere context - zoals de frequentie, tijdstippen en de onderlinge samenhang met andere transacties - een heel ander licht op de zaak werpen. Met een integrale blik op alle data wordt het gemakkelijker om ook subtiele patronen te herkennen, waardoor zelfs de kleinste bedragen niet meer automatisch als ‘onbeduidend’ worden beschouwd. Zo kunnen potentiële risico's, variërend van frauduleuze praktijken tot procesafwijkingen, eerder en effectiever worden opgespoord.

Het gebruik van data-analyse en machine learning

Al jaren werken we als accountants volgens een vaste aanpak: bevragen, steekproeven nemen en transacties opvragen. Dat is van oudsher de manier. Maar de wereld is veranderd en het speelveld is allang niet meer hetzelfde. Er is tegenwoordig zóveel data beschikbaar en er zijn moderne statistische technieken en machine-learning algoritmen die data in kaart kunnen brengen. Daarnaast is computerkracht steeds minder een belemmerende factor.

Met deze methoden kunnen wij enorme datasets analyseren om patronen, trends en mogelijke onregelmatigheden te ontdekken. Mijn eigen aanpak noem ik Deep Audit: een metafoor voor een statistisch gestuurde werkwijze die verborgen risico's in data zichtbaar maakt en kwantificeert. We beginnen met een duidelijke definitie van wat we onder 'risico' verstaan, zodat we onze focus kunnen bepalen. Vervolgens verzamelen we alle relevante data en plaatsen die in een virtuele ruimte, waarbij elk datapunt wordt gewogen naar de mate van risico die het vertegenwoordigt. Zo ontstaat een visuele kaart van waar de echte knelpunten zitten; nog voordat de audit officieel van start gaat.

De kracht van voorspellende modellen

Een belangrijk onderdeel van deze benadering is het bouwen van voorspellende modellen. Met onder andere historische gegevens als uitgangspunt kunnen machine-learning-technieken helpen te bepalen wat 'normaal' is en welke resultaten je had mogen verwachten. Door de uitkomsten van zo'n model te vergelijken met de werkelijke gang van zaken, kunt u mogelijke frauderisico's of onregelmatigheden sneller detecteren.

Het belang hiervan wordt nog eens onderstreept door recent onderzoek van de AFM, waaruit blijkt dat het veronderstelde risico op fraude, bijvoorbeeld in de omzetverantwoording, vaak niet wordt onderkend. Te vaak beredeneren we waarom er géén fraude zou zijn, in plaats van te onderzoeken hoe fraude zich zou kunnen manifesteren. Als wij ervaren dat er bij een bepaalde post weinig risico is, lopen we ongemerkt het risico minder nauwkeurig te kijken. Precies hier kan data-analyse een cruciale rol spelen door te wijzen op afwijkende patronen; ook als die zich niet direct in de traditionele risicoanalyse aandienen.

Professioneel oordeel versus data

Nog te vaak baseren auditors hun risicoanalyse en inschattingen op professional judgment. Maar wat is dat eigenlijk? Ervaring, of toch misschien een onderbuikgevoel? Ervaring en intuïtie zijn zeker waardevol. Maar in een tijd waarin we worden overspoeld door data, is het ondoenlijk om op basis van enkel dergelijk oordeel te bepalen waar de grootste risico's liggen. Geavanceerde technieken nemen niets weg van de expertise van de accountant - ze vormen juist een aanvulling en een krachtige ondersteuning om informatie te filteren en te prioriteren.

De toekomst: samenwerken voor méér inzicht

Ik geloof dat de toekomst voor accountants en auditors er een is waarin data science onmisbaar wordt. Dat betekent niet dat u zelf data scientist moet worden, maar wel dat het opbouwen van een netwerk met specialisten - en het durven inzetten van nieuwe technologieën - een groot verschil kan maken. De kracht schuilt in het combineren van uw vakkennis met de inzichten die uit de statistiek voortkomen.

Misschien moeten we iets anders doen dan onze klanten verwachten. Misschien moeten we afwijken van de manier waarop onze voorgangers het altijd deden. Maar door data science en machine learning te omarmen, kunnen we komen tot een realistischer, diepgaander beeld van de onderneming die wij voor ons hebben. En daarmee komen wij dichter bij het verhaal achter het verhaal - het verhaal dat de cijfers zélf vertellen, als wij ze op de juiste manier bevragen.

Kortom, er ligt een rijke wereld aan data voor het oprapen, klaar om die diepere laag in onze audits bloot te leggen. Door de kracht van moderne technologie te benutten, krijgen we meer inzicht in de daadwerkelijke risico's, de verborgen verhaallijnen en de kansen die voor ons en onze klanten klaarliggen. Ik hoop dan ook dat deze boodschap ons inspireert om de mogelijkheden van data science te gaan verkennen. De weg ernaartoe is misschien uitdagend, maar de beloningen - in termen van kwaliteit, efficiëntie en vertrouwen - zijn het meer dan waard. De toekomst is nu!

Wat vindt u van deze opinie?

Reageer Spelregels debat

Joël Mutanga is manager audit en head of data-science bij Prime accountants en belastingadviseurs. Hij werkt aan innovatieve controlesystemen en streeft naar een nieuwe standaard in het controleproces van zowel organisaties als accountantskantoren.

Gerelateerd

9 reacties

Joël Mutanga

@Geert de Jonge

Hartelijk dank voor je mooie reactie op mijn column. Jouw woorden voelen als een warme bevestiging van de richting die ik op wil gaan. Dankzij jouw betrokkenheid voel ik mij gestimuleerd om in de toekomst vaker mijn ideeën en inzichten te delen.

Ik waardeer het dat je de tijd hebt genomen om zo'n constructieve reactie te geven en ik kijk ernaar uit om samen verder te bouwen aan deze dialoog.

Ron Heinen

@Geert de Jonge

Zoals ook in eerdere reacties aangegeven kun je op de link:

https://drive.proton.me/urls/C0HMEF10V8#yd88MPZkYB5a

uitgebreide trainingsdata vinden om de creativiteit en specificiteit te vergroten van het AI-Systeem in de ondersteuning bij het vinden van afwijkingen van materieel belang als gevolg van fraude of fouten in een financiële verantwoording.

Geert de Jonge

Een heel inspirerend verhaal. Het wekt ook nieuwsgierigheid op. Wat wordt er bedoeld met deep audit en data plaatsen in een virtuele ruimte. Ik denk dat dit naar reinforcement learning toegaat. Een agent leren auditen. Net zoals je een agent Go kunt leren spelen. En die agent doet het dan op den duur een stuk beter dan de beste spelers waarvan hij het spel geleerd heeft. Inventariseer de kunde van auditors. Bevraag ze. Wanneer had je het door, hoe zag je het. Train daar een model mee. En train het model met opzettelijke fouten. Wat je in een echte setting niet zo gemakkelijk kunt doen. Maar in een virtuele ruimte natuurlijk wel. Mijn nieuwsgierigheid is gewekt. Hoop dat er een vervolg komt waarin de deep audit uit de doeken wordt gedaan.

Ron Heinen

@Joël Mutanga

Dank voor je reactie.

Met mijn reactie wil ik zeggen dat de natuur met 13.8 miljard jaar experimenteren de ultieme statistische machine heeft uitgevonden, namelijk het brein.

Aansluitend op jou holistische benadering is het bekijken van:

https://drive.proton.me/urls/WB7KH226R0#36mgZ0nOgwXm

mogelijk ook informatief voor je.

Alle wetmatigheden op onze wereld zijn met elkaar verbonden met wiskunde als fundament.

Joël Mutanga

@Ron Heinen

Ik ben het niet met je standpunt eens dat AI de ultieme toepassing van statistiek is. AI/machine learning is een spectaculair veld dat de grenzen van wat technisch mogelijk is voortdurend verlegt. Tegelijkertijd maakt het slechts een (weliswaar opvallende) tak uit van de brede en diepe boom der statistiek. Wie beweert dat AI/machine learning de “ultieme” toepassing van statistiek is, doet mijns inziens daarmee tekort aan de veelzijdige, rijke en nog altijd cruciale rol van klassieke statistische methoden in zowel wetenschap als praktijk.

Bedankt voor je artikelen, is zal deze de komende tijd even rustig doornemen om te kijken wat ik hiervan kan leren.

Ron Heinen

@Joël Mutanga

Dank voor je reactie.

Zoals je weet is AI de ultime toepassing van statistiek.

https://drive.proton.me/urls/PJFCP0P34W#tC4YZfKyrDin

is een recent voorbeeld hoe je de tekst van financiele publicaties kunt interpreteren met AI.

https://drive.proton.me/urls/GR4F1HFYC4#cMONrlDKAO3s

is een recent voorbeeld hoe je met AI in minuten een verklaring kunt krijgen van de publieke opinie.

Joël Mutanga

@Sander van Duinen
Allereest wil ik benadrukken dat ik je vraag erg kan waarderen.
Ik hoop met mijn bijdrage statistiek, machine learning en data science beter toegankelijk te maken voor het brede publiek. Mijn bijdrage is niet (enkel) bedoeld voor de liefhebber of de afdeling vaktechniek. Ik wil de gemiddelde financial bereiken en enthousiast maken. Gezien mijn doel is het mijns inziens nú nog niet het juiste moment op met oplossingen/een roadmap te komen. Ik denk dat het meer waardevol is om eerst samen ons probleem te definiëren en dit probleem eigen maken om daarna samen tot de beste oplossing te komen. Ik wil niet met dé oplossing op de proppen komen, voordat we door hebben wat het probleem is. We zijn namelijk pas bereid om verandering in gang te zetten als we ervaren dat we een probleem hebben. Ik ben voornemens om mijn publiek langzaam deelgenoot te maken van mijn visie om zo het brede publiek te kunnen voorzien van een oplossing en antwoord op de vragen. Vertaalt in de termen van Omdenken: “Als je iets wilt oplossen moet je gek genoeg niet zoeken naar de juiste oplossing, maar naar het juiste probleem.” Ga je mee op zoek?
Om op je tweede vraag een antwoord te geven. Het klinkt misschien tegenstrijdig van mijn kant, maar ik vind dat er voldoende aanbod van statistiek is in de opleiding. De vraag is alleen wat we er daarna mee doen? Vaak zijn wij blij dat het achter de rug is en gaan we over tot de orde van de dag. Maar wellicht een aandachtspunt voor een toekomstige bijdrage.

Ron Heinen

@Sander van Duinen

https://www.accountant.nl/vaktechniek/2024/6/machine-learning-in-de-audit-uitschieters-bij-vastgoedwaardering/

en de reacties hierop geven ook antwoorden op je vraag.

Sander van Duinen

Hi Joël,
Een column waar ik het volmondig mee eens ben! Naar aanleiding van jouw schrijven ben ik benieuwd naar de 'roadmap' richting data-gedreven audit. Wat zijn volgens jou stappen die de beroepsgroep kan zetten?

Als ik zelf een duit in het zakje mag doen zou ik pleiten voor een vak 'statistiek2' of een specialisatie in de opleiding welke ingaat op data-science en machine learning. Op dit moment blijft statistiek voor accountants hangen op t-testen/de onderbouwing voor een steekproef.

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

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.