Pieter de Kok bericht over de stand van zaken rondom Machine Learning. Geen vervanging, maar wel een hulpmiddel voor auditors.

Discussie Column Vandaag

Zonder zelf na te denken

Even geen AI-hypes, geen Large Language Models, maar terug naar de kern van de revolutie binnen auditing. Nee, we hebben het niet over 'old school' data-analyse (technologie beschikbaar sinds jaren negentig).
Beste collega's, we hebben het over Machine Learning, de technologie die auditors in staat stelt gegevensgericht en volledig geautomatiseerd controlewerkzaamheden uit te voeren.

Nu we toch druk in de fase van herbezinning rondom de audit-opleidingen (CEA) en ons audit-beroepsprofiel (Peter) bezig zijn, dacht ik, laat ik eens in Jip & Janneke-taal uitschrijven waar ik denk dat we met Machine Learning straks staan. Dan kunnen we ook gelijk even checken of de kennisopbouw die we hier moeten opzetten, aansluit op de laatste stand van zaken inzake opleiding en profiel van de auditor van morgen.

Natuurlijk niet nodig, maar toch even een paar disclaimers:

• Dit zijn technieken ter 'ondersteuning' van de auditrol.
• #HI, onze Human Intelligence, blijft leidend (tenzij we ons Kodak-moment hebben gevonden).
• En ja, na mijn eerste HI-pleidooi twijfel ik soms ook of ik de HI-claim (zie alle domme dingen die mensen elkaar momenteel aandoen) nog kan volhouden.
• Nee, ook in mijn clubje zijn we nog niet volledig operationeel met Machine Learning in het auditdossier anno 2025. We inspireren elkaar vooralsnog om te onderzoeken wat kan, om te experimenteren en daar gaan we komende jaren gewoon mee verder.
• Let op, alle modellen hieronder bestaan al, morgen starten, garantie op succes niet iets om direct vanuit te gaan.
• En nee, ik ben GEEN Machine Learning-goeroe, alles wat ik heb geleerd heb ik van mijn data-teamleden en af toe lees ik mijzelf in.
• Dat laatste hadden we liever met wat meer data driven kantoren gedaan, maar de wens van samenwerken en kennisdelen en in elkaars keuken kijken is nog steeds niet bijzonder hoog.

Controleren zonder zelf na te denken? Daar houden auditors toch helemaal niet van?
Dat klopt. En juist daarom is het belangrijk om Machine Learning goed te begrijpen en toe te passen op een manier die controleerbaar, transparant en effectief is.

Van denkwerk naar Machine Learning

Al jarenlang gebruiken auditors data-analyse om afwijkingen en (fraude)risico's op te sporen. Inzake fraude bijzonder weinig succesvol overigens, maar daar heb ik op LinkedIn al iets over geroepen.

Het auditen met old school data-analyse is een resultaat van diepgaand denkwerk:

1. Risicoanalyses uitvoeren
2. Beschikbaarheid en betrouwbaarheid van data beoordelen
3. Randvoorwaarden vaststellen
4. Datamodellen en scripts ontwikkelen
5. Analyse uitvoeren en bevindingen beoordelen
6. Bespreken met management
7. Vastleggen in het auditdossier.

Veel denkwerk, veel handmatige stappen, en – eerlijk is eerlijk – veel tijdrovende processen. In een wereld waarin steeds minder auditors beschikbaar zijn en steeds grotere datasets moeten worden geanalyseerd, wordt Machine Learning geen luxe, maar een noodzaak.

Met de juiste machine learning-modellen kunnen we het denkwerk versnellen en objectiever maken. Meer tijd om te uitkomsten te duiden. Laten we eens kijken naar mogelijke concrete toepassingen in een microlab-omgeving, zoals ik die in mijn hoofd al heb ingericht. Je moet immers toch ergens beginnen, dan maar het beste vanaf je eigen harde schijf.

1. Fraudeopsporing met Unsupervised Learning (Clustering & Anomaliedetectie)

Een inkoopproces wordt door Machine Learning in relatie gebracht met de aard en het karakter van de business, gekoppeld aan interne beheersingsmaatregelen (bijv. autorisaties).
De machine zoekt vervolgens naar outliers en fraudesignalen. Dit is toch waar iedereen inmiddels van droomt en anderen al claimen dit daadwerkelijk in te zetten.

Welke modellen?

• K-Means Clustering: groepeert transacties in clusters en detecteert afwijkingen.
• Isolation Forest: een anomaly detection model dat uitzonderlijke patronen identificeert zonder menselijke bias.
• Autoencoders: neurale netwerken die zichzelf trainen om normale patronen te herkennen en afwijkingen te signaleren.

Auditvoorbeeld: Detecteer ongewone leveranciersfacturen, dubbele betalingen of ongeautoriseerde goedkeuringen.

De auditor denkt dus zelf niet meer na over fraudefactoren en signalen in data, maar laat zich inspireren door een Machine Learning algoritme. In theorie elke dag, elk moment van de week, wat wenselijk is.

2. Controle van verkooptransacties met Supervised Learning (Regressie & Classificatie)

Een verkoopproces kan door Machine Learning worden gekoppeld aan feitelijke contracten en integraal worden getoetst:

• Zijn tarieven correct toegepast?
• Zijn prestaties correct gefactureerd?
• Is alles juist en volledig verantwoord?

Machine Learning kan afwijkingen signaleren en auditors in staat stellen deze binnen een dag in plaats van weken te beoordelen.

Welke modellen?

• Random Forest Classifier: beoordeelt of transacties binnen verwachte normen vallen.
• Gradient Boosting (XGBoost): voorspelt welke contracten mogelijk onjuist zijn toegepast.
• Neural Networks zoals Autoencoder en LSTM : leren complexe patronen in verkoopdata en detecteren afwijkingen.

Auditvoorbeeld: Een auditor kan geautomatiseerd controleren of verkooptransacties in overeenstemming zijn met contractuele verplichtingen. (Ja, wellicht is data-analyse ook een optie, maar daar zouden we het nu niet over hebben)

3. Voorspellende risicoanalyse (Predictive Analytics)

Waarom wachten tot er fouten of fraude worden ontdekt? Waarom wachten op het moment dat het vraagstuk solvabiliteit erg urgent is geworden? Machine Learning kan (straks) ook proactief risico’s voorspellen.
Door historische data te combineren met nieuwe transacties, kunnen auditors patronen herkennen die duiden op potentiële problemen.

Welke modellen?

• Logistic Regression: voorspelt de kans dat een transactie frauduleus is.
• Time Series Forecasting (ARIMA, LSTM): voorspelt trends in financiële gegevens, waaronder liquiditeit en solvabiliteit
• Decision Trees: visualiseren hoe bepaalde factoren het risico beïnvloeden.

Auditvoorbeeld: Voorspel welke productdivisie het grootste risico loopt op financiële miskleunen en bewaak die productverkopen waar het nodig is.

4. Process Mining voor automatische procesbeoordeling

Process Mining is nu ruim tien jaar oud, ik benoem het gewoon nog een keer, want het is en blijft een geweldige Machine Learning-toepassing. Process Mining combineert Machine Learning met auditkennis, om bedrijfsprocessen volledig automatisch te reconstrueren en te beoordelen.

Welke technieken?

• Conformance Checking: vergelijkt de werkelijke processtappen met het ideale proces.
• Process Discovery (Alpha Algorithm, Heuristic Mining): herleidt hoe een proces écht verloopt.
• BPMN (Business Process Model and Notation) analysis: visualiseert processtromen en knelpunten.

Auditvoorbeeld: Een auditor kan vrij vlot beoordelen of een purchase-to-pay proces afwijkt van de interne richtlijnen.
Let op: deze technieken, anders dan de meeste hierboven beschreven, passen we wel toe.

Machine Learning als gamechanger voor auditors

Machine Learning is geen vervanging, maar een hulpmiddel voor auditors. Het automatiseert repetitieve taken, detecteert afwijkingen objectiever en versnelt het auditproces.
Toch blijft één cruciale vraag over: hoe houden we Machine Learning begrijpelijk, controleerbaar en ethisch verantwoord binnen auditing? Een tweede vraag is: waarom zijn we nog zover?
Voor de beantwoording van deze vragen spelen auditors een sleutelrol en is samenwerking nodig. Machine Learning denkt misschien niet na, maar de auditor moet dat wel blijven doen.

Wil jij Machine Learning als auditor inzetten? Begin klein, test modellen op historische data en bouw het gecontroleerd uit. De toekomst van auditing is nu. Succes iedereen!