Discussie Opinie 09 april 2025

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!