Professional judgment, feilbaar denken (1)
Professional judgment speelt in de accountantscontrole bij onder meer de keuze van de materialiteit, het inschatten van inherent risico, de vraag 'steunen op de IB?', de keuze voor een (statistische?) steekproef en het bepalen van de omvang van gegevensgerichte controles. Kortom, professional judgement is cruciaal.
Ed Broeze
In een drieluikje wil ik daar kanttekeningen bij plaatsen.
'Feilbaar denken' . De lezer herkent er de titel in van het boek van Daniel Kahneman 'Thinking, Fast and Slow', vertaald met 'Ons Feilbare Denken'. De vertalers hebben niet voor niets voor die niet-letterlijke vertaling gekozen.
Het boek laat zien hoe feilbaar ons denken is: hoe gevoelig voor een veelheid aan al dan niet bewuste, misleidende invloeden zoals: de volgorde waarin informatie tot ons komt, blijven vasthouden aan eerdere informatie, zelfs al is die waarneembaar nergens op gebaseerd, de wijze waarop informatie wordt aangeboden (het met de verkiezingscampagnes weer eens extra in de aandacht gebrachte framing), het onvermogen om kansen in te schatten, de gevoeligheid voor de mate waarin informatie in het bewustzijn beschikbaar is (vliegen gevaarlijker dan autorijden?), enz.
Kahnemans boek roept de vraag op hoe betrouwbaar professional judgment kan zijn in het licht en met de wetenschap van zoveel valkuilen. In deze aflevering van mijn drieluikje over dat denken zal ik een zeer onvolledige schets geven van Kahnemans benadering van het denken. Die benadering heeft hij samen met Amos Tversky ontwikkeld. Ik vind hun werk tot het boeiendste uit de literatuur behoren.*
In Kahnemans (en Tversky's) theorie over probleemoplossend denken gaat het over een snel denken (systeem 1 genoemd) en een langzaam denken (systeem 2).
Systeem 1 komt snel tot conclusies, is het systeem van de intuïtie. En daarmee een zeer functioneel deel van ons denken, bij onder meer: een auto besturen, snel de juiste schaakzet zien (als je grootmeester bent).
Systeem 2, het trage denken, is het systeem van de rationaliteit. Systeem 1 reageert op een enquête waarin 60% voorkeur uitspreekt voor een premier niet anders wanneer het aantal respondenten 100 is dan wanneer het 1000 is. Systeem 1 houdt niet van onzekerheid en zo werkt de wet van de kleine aantallen: mensen doen (vaak) alsof een kleine steekproef even goed is als een grote. En systeem 2 verbindt er vervolgens conclusies aan.
Systeem 1 wordt vergaand buiten het bewustzijn om beïnvloed, maar heeft vervolgens invloed op systeem 2.
Tversky en Kahneman laten dat (ook) zien in een experiment, waarin een beschrijving is opgenomen van Linda. Een vrouw van 31, slim, openhartig, sociaal betrokken, fel op discriminatie, actief antikernenergie. Studenten moesten inschatten wat waarschijnlijker was: dat zij bankbediende was of bankbediende en actief in de vrouwenbeweging. Rond de 85% koos voor de tweede optie, ook ondanks allerlei pogingen deze evident foute inschatting te voorkomen. (Immers: er zijn meer bankbedienden dan feministische bankbedienden). De waardering van Linda als representatief voor feminisme (een systeem 1 inschatting) won het van de logica!
Als ons denken zo feilbaar is, hoe is het dan met professional judgement? Eén geruststelling: professionals blijken valkuilen te kunnen ontlopen (al kiest ook 85% van de statistiekstudenten bij Linda de verkeerde optie). Maar er valt veel meer over te zeggen: zie daarvoor afleveringen 2 en 3 van dit drieluikje.
In de volgende column, deel 2, zal ik ingaan op het vermogen van mensen om kansen in te schatten, in eenvoudige (en ook berekenbare) kans-situaties.
In de derde column zal ik ingaan op hoe dat ligt als er ook nog een niet zomaar in een kansmodel om te zetten situatie vraagt om de inschatting van een kans, zoals in risicoanalyse. Zoals u weet tellen die inschattingen flink mee in de uiteindelijke kwantificering van het accountantscontrolerisico.
Noot
* Het artikel over Heuristics and Biases (Science, Vol 185, 1974) is in vertaling in 'Ons Feilbare Denken' opgenomen; zie ook onder andere: Tversky, A. & D. Kahneman (1981): The Framing of Decisions and the Psychology of Choice. Science, Vol 211. En Kahneman, D. (2003): A Perspective on Judgment and Choice, Mapping Bounded Rationality. American Psychologist Vol 58.
Gerelateerd
Machine learning in de audit: uitschieters bij vastgoedwaardering
Regressie is een vorm van machine learning met als doel het voorspellen van cijfers op basis van een aantal kenmerken. Met open-sourcesoftware kun je zonder programmeerkennis...
Machine learning in de audit: voorspellen van klantverloop
Het doel van machine learning is om voorspellingen te maken aan de hand van data. Binnen dit veld worden doorgaans drie hoofdtoepassingen onderscheiden: classificatie,...
De steekproefomvang ontmaskerd - deel 5
In vorige columns hebben we verschillende manieren besproken om tot een steekproefomvang te kunnen komen. Deze column is de laatste van de serie waarin we verschillende...
De steekproefomvang ontmaskerd - deel 4
Een accountant die gebruikmaakt van software om een steekproefomvang te berekenen, moet zeker weten dat die software dat goed doet. Daarvoor moet je de rekenmethode...
Symposium: Machine Learning in de audit
Hoe is het momenteel gesteld met de toepassing van Machine Learning in de audit? Aankondiging van een symposium.