Lecture 1
Waarom Data Science voor auditors?
- Meer en meer “Big” data:
- Grote hoeveelheden data (volume)
- Gestructureerde versus ongestructureerde data (variety)
- Snel toenemende data (velocity)
- Interne versus externe data
- Toenemende verwachtingen van auditors: auditkwaliteit en -efficiëntie. Er wordt meer
gebruik gemaakt van data in audits
- Verbreed je vaardigheden:
- Gebruik machine learning en AI in je voordeel
- Verbeter analytisch denken en probleemoplossend vermogen
- Werk in multidisciplinaire teams
- Python-vaardigheid wordt steeds vaker gevraagd
Wisdom Hierarchy: Hoe meer we onze data verrijken met betekenis en context, hoe meer
kennis en inzichten we eruit halen, zodat we betere, geïnformeerde en datagedreven
beslissingen kunnen nemen.
Wat is Data Science? = gebruikt geavanceerde data-analysetechnieken om moeilijke
problemen op te lossen
- het onttrekken of afleiden van kennis en inzichten uit mogelijk ruisende,
gestructureerde en ongestructureerde data.
- Als big data het probleem is, is data science de oplossing.
- Data wrangling is nodig om van ruwe data naar bruikbare business-insights te
komen.
Data Science Workflow
De Data Science-workflow is een algemene probleem-
oplossingsstrategie voor business- en researchunits,
uitgevoerd als een adaptieve levenscyclus. Deze aanpak
staat ook bekend als het Cross-Industry Standard Process
for Data Mining (CRISP-DM).
Core Challenge for Financial Statement Audits
Er zijn contextuele verschillen in belangen en aanpak tussen:
- Bedrijfsperspectief: systeemgestuurde en
geautomatiseerde transactieverwerking
- De financiële verslaggeving is gebaseerd op data die tijdens
transactieverwerking in ERP-systemen wordt aangemaakt, waardoor steeds
grotere hoeveelheden data ontstaan (big data).
- Auditor perspectief: gebaseerd op handmatige controlehandelingen
→ Er ontstaat een disbalans tussen de geautomatiseerde verwerking aan de kant van het
bedrijf en de handmatige controlewerkzaamheden aan de kant van de accountant.
→ Oplossing: Audit data analytics (ADA)
1
,Data-analytics, wanneer gebruikt om controle-informatie te verkrijgen bij een
jaarrekeningcontrole, is de wetenschap en de kunst van het ontdekken en analyseren van
patronen, afwijkingen en inconsistenties met het oog op het plannen en uitvoeren van de
controle.
Data Analytics - voordelen:
- Minder tijd aan routinetaken zoals het verzamelen van bewijs
- Meer inzet voor activiteiten zoals het onderzoeken van outliers, oordeelsvorming en
rapportage
- Voorbeelden: datavisualisatie, trendanalyse, outlierdetectie, data mining, machine
learning, process mining, tekstanalyse (text mining), simulatiemodellen
Controlevoorschriften en data-analyse — onzekerheid binnen het beroep:
- Controlevoorschriften zijn neutraal
- Hoge regeldruk
- Weinig innovatie
Factoren die strategieen van stakeholders in het controleberoep beinvloeden:
Factoren die de adoptie van ADA op bedrijfs-niveau beïnvloeden:
- Paradox: ADA worden in controlevoorstellen aangekondigd, maar worden zelden
toegepast
- Binnen auditkantoren bestaan verschillende sociale groepen: teamleden, managers,
partners. Elke groep wordt door andere factoren verschillend beïnvloed
Wat houdt accountants tegen om ADA te gebruiken?
- Gebrek aan kennis
- Moeilijk in gebruik / lage gebruiksvriendelijkheid
Machine learning, een dynamisch onderdeel van data science, laat systemen patronen
vinden en voorspellingen doen zonder handmatige regels. Met meer data biedt het
schaalbare methoden om informatie om te zetten in inzichten.
Probleem understanding
2
,Elk data-scienceproject begint met vragen. Succes hangt af van het begrijpen van het
probleem, afstemmen op stakeholders en doelen stellen voor uitvoerbare uitkomsten.
- Voorbeeld: tijdens Tweede Wereldoorlog hadden terugkerende vliegtuigen
kogelgaten op romp en vleugels, maar weinig bij motoren — inzicht in framing van
het probleem.
- Is er minder kans dat er op de motor wordt geschoten? of keren de
vliegtuigen niet terug als er op de motor is geschoten? → laatste;
dus motor beter beschermen.
- Waarom is deze vraag belangrijk? Welk resultaat of welke impact wordt gewenst,
Hoe kan data science om een zinvolle manier bijdragen?
In de fase probleem understanding moet je:
1. De projectdoelstellingen en vereisten duidelijk vastleggen.
2. Doelstellingen uitsplitsen en concrete verwachtingen en gewenste resultaten
schetsen.
3. Deze doelstellingen vertalen naar een data-scienceprobleem dat met analytische
technieken kan worden aangepakt.
4. Een strategie opstellen om deze doelen te bereiken.
Tips voor Python - kolomnamen (best practices):
- Gebruik betekenisvolle variabelennamen — verbetert leesbaarheid van code.
- Variabelennamen zijn hoodlettergevoelig — gebruik alleen kleine letters
- Variabelennamen mogen letters, cijfers en underscores bevatten.
- Let op geen begin- of afsluitende spaties.
- Vermijd spaties in variabelenamen — werkt slecht met df.query en df.eval.
- Gebruik underscores in plaats van spaties (snake_case).
Concatenation (aaneenschakelen) en merging (samenvoegen) zijn beide methoden om
data of tekst te combineren, maar ze werken fundamenteel anders.
- Concatenation: Plakt data letterlijk aan elkaar zonder naar de inhoud te kijken.
- Dataframes worden verticaal (rijen toevoegen) of horizontaal (kolommen
toevoegen) gestapeld.
- Merging: Combineert data op basis van gedeelde waarden of sleutels.
- vergelijkbaar met de 'VLOOKUP' functie in Excel
- De computer zoekt actief naar overeenkomsten tussen kolommen. Alleen
rijen die aan de voorwaarde voldoen worden gecombineerd
3
,Lecture 2
Kenmerken goede vraag (hoe ziet een goede vraag eruit)
- goede context schetsen ( alsof je aan een stagiair uitlegt en je zelf een half jaar weg
gaat en niet bereikbaar bent voor vragen)
- van tevoren duidelijk weten wat je wil weten → dat duidelijk formuleren.
redeneren vanuit de uitkomst die je nodig hebt.
Data-centricity (of data-centrisch werken) betekent dat een organisatie data als het
belangrijkste uitgangspunt gebruikt voor beslissingen, processen en producten.
Data-centricity verandert → what we audit, how we audit en when we audit.
- Auditors: object van onderzoek en het instrument waarmee we onderzoeken worden
steeds meer datagedreven.
- Wat we controleren: bedrijfsmodellen met data in de kern
- Product → platform: waarde ontstaat uit data (interacties) in plaats van bezit
van activa
- Mens → algoritmes: AI verandert fundamenteel kostenstructuren en
waardeketens
- Lokaal → gedistribueerd: modellen getraind op één locatie leveren
grensoverschrijdende diensten
Drie componenten belangrijk:
1. Data (je onderscheid je met data)
2. Algoritmes (je verdienmodel; onderscheidend vermogen)
3. Intellectual property
Data-analytics = de wetenschap en de kunst van het ontdekken en analyseren van
patronen, afwijkingen en inconsistenties, en het halen van nuttige informatie uit de gegevens
die ten grondslag liggen aan of gerelateerd zijn aan het onderwerp van een controle - door
analyse, modellering en visualisatie - met als doel het plannen of uitvoeren van de controle.
In een dataset zoek je antwoorden op vragen: je wilt auditrelevante patronen
vinden. Je hebt tools nodig en uiteindelijk moet je de uitkomsten kunnen
interpreteren.
Arts & science: de ‘art’ is het creatieve deel.
Het proces:
Begrip van het controle-doel en de gecontroleerde entiteit → doelgerichte
controlevraag (groene tabel) → standaard (audit) analytics-tool of zelfbouw (DIY)
- Eerst: wie/wat auditen en wat wil je bereiken? Welke vraag wil je
beantwoord hebben? Op basis daarvan kies je de tool.
Groene tabel uitgelegd:
4
, - Management Reporting Line Item: een post, bijvoorbeeld: €3 miljoen aan financiële
vaste activa.
- Description data-driven audit procedure: hoe je het gaat aanpakken en toetsen.
- Nature of test: de aard van de test en de bewijskracht — waarom je het doet. (Test of
Controls, Substantive Analytical Procedures, Test of Details.)
- Transaction Level Reporting Assertion (auditdoelen): C-A-V-EO-CO-PD-RO
completeness*, accuracy, valuation, existence/ occurrence, cut-off, presentation &
disclosure, rights & obligation. Als je een jaarrekening aftekent, moeten alle vakjes
van assertions per financial statement line item geraakt worden.
- Information Processing Objectives (doelen van informatieverwerking) C-A-V-R
completeness*, accuracy, validity, restricted access. Auditors gebruiken deze om te
beoordelen of IT-systemen en interne controles data correct verwerken.
* = Verschil in completeness voor auditdoelen en informatieverwerking doelen:
FS-completeness beoordeelt of de economische transacties volledig en correct in de
jaarrekening zijn verwerkt (hoeveelheid en waarde in de juiste periode). IT-completeness
beoordeelt of de gegevensstromen en technische verwerking compleet zijn (geen verlies of
duplicatie tijdens verwerking/overdracht).
Voorbeeld (groene tabel invullen) — Revenue
- Management reporting line item: Revenue
- Description data driven audit procedure: bijv. controle huurinkomsten binnen omzet
aansluiting huurbedragen met bankbetalingen en contracten.
- Nature of test (keuze): Test of Details inspectie van contracten en afstemming met
bankbetalingen.
- Assertions (meerdere mogelijk): Completeness, Accuracy, Existence.
Audit vragen altijd in deze assertions stellen, anders gaat het je geen antwoord geven op je
vragen. Economisch rationeel auditen gaat erom dat je goede betrouwbare bronnen kiest
(beter 2 goede dan 10 slechte) (denk aan voorbeeld atonomic clock).
Twee benaderingen van data analytics:
1. explanatory → ontwikkelen van business rules
Je weet niet precies wat je zoekt; je ontzoekt en vraagt “what can go
wrong?”
2. confirmative → testen van business rules
Je hebt een verwachting en controleert of de data zich daarbinnen
gedraagt; je zoekt patronen conform verwachting of juist afwijkend
gedrag.
Explanatory data analytics = een aanpak om datasets te analyseren en de belangrijkste
kenmerken samen te vatten.
Kernvragen kunnen zijn:
- Wat wijst de data uit?
- Suggereert de data dat er iets mis is gegaan?
- Waar lijken de risico’s te zitten?
- Zijn er fraudesignalen?
- Op welke assertions moeten we focussen?
5
, - Fase van de controle om explanatory data analytics toe te passen — bij
risicobeoordelingsprocedures, inclusief:
Begrip van de entiteit en haar omgeving
- Identificeren en inschatten van risico’s op materiële afwijkingen
- Ontwerpen van vervolgcontroleprocedures die afgestemd zijn op de geïdentificeerde
risico’s
Confirmative data analytics = het gebruik van data-analytics voor controleprocedures die
de auditor voorzien van voldoende en geschikte controle-informatie met betrekking tot het
ingeschatte risico.
Mogelijke procedures die door data analytics ondersteund kunnen worden:
- Test of controls
- Inspectie of opnieuw uitvoeren van controles: data analytics kan worden
gebruikt om aan te tonen dat een control werkt zoals ontworpen.
- Test of details
- Herberekeningen: analytics kan hele populaties herberekenen in plaats van
slechts steekproeven.
- Reconciliaties en roll-forwards: analytics kan informatie tussen datasets
vergelijken of data van één periode naar de volgende doorrekenen.
- Substantive analytical procedures
- Regressieanalyse: analytics kan relaties tussen variabelen analyseren om
verschillen tussen verwachte en gerapporteerde bedragen te vinden die
nadere aandacht vereisen.
ISA 315R → expliciet gebruik van data-analyse toepassingen
- risico-inschattingswerkzaamheden
- inzicht in de entiteit en haar omgeving
- inzicht verkrijgen in het informatiesysteem van de entiteit
- testen van journaalboekingen
- identificeren van significantie transactiestromen, rekeningsaldi en toelichtingen
- inzicht in gebruik van informatie technologie
→ Er is in de ISA meer aandacht gekomen voor data-analyse.
6
Waarom Data Science voor auditors?
- Meer en meer “Big” data:
- Grote hoeveelheden data (volume)
- Gestructureerde versus ongestructureerde data (variety)
- Snel toenemende data (velocity)
- Interne versus externe data
- Toenemende verwachtingen van auditors: auditkwaliteit en -efficiëntie. Er wordt meer
gebruik gemaakt van data in audits
- Verbreed je vaardigheden:
- Gebruik machine learning en AI in je voordeel
- Verbeter analytisch denken en probleemoplossend vermogen
- Werk in multidisciplinaire teams
- Python-vaardigheid wordt steeds vaker gevraagd
Wisdom Hierarchy: Hoe meer we onze data verrijken met betekenis en context, hoe meer
kennis en inzichten we eruit halen, zodat we betere, geïnformeerde en datagedreven
beslissingen kunnen nemen.
Wat is Data Science? = gebruikt geavanceerde data-analysetechnieken om moeilijke
problemen op te lossen
- het onttrekken of afleiden van kennis en inzichten uit mogelijk ruisende,
gestructureerde en ongestructureerde data.
- Als big data het probleem is, is data science de oplossing.
- Data wrangling is nodig om van ruwe data naar bruikbare business-insights te
komen.
Data Science Workflow
De Data Science-workflow is een algemene probleem-
oplossingsstrategie voor business- en researchunits,
uitgevoerd als een adaptieve levenscyclus. Deze aanpak
staat ook bekend als het Cross-Industry Standard Process
for Data Mining (CRISP-DM).
Core Challenge for Financial Statement Audits
Er zijn contextuele verschillen in belangen en aanpak tussen:
- Bedrijfsperspectief: systeemgestuurde en
geautomatiseerde transactieverwerking
- De financiële verslaggeving is gebaseerd op data die tijdens
transactieverwerking in ERP-systemen wordt aangemaakt, waardoor steeds
grotere hoeveelheden data ontstaan (big data).
- Auditor perspectief: gebaseerd op handmatige controlehandelingen
→ Er ontstaat een disbalans tussen de geautomatiseerde verwerking aan de kant van het
bedrijf en de handmatige controlewerkzaamheden aan de kant van de accountant.
→ Oplossing: Audit data analytics (ADA)
1
,Data-analytics, wanneer gebruikt om controle-informatie te verkrijgen bij een
jaarrekeningcontrole, is de wetenschap en de kunst van het ontdekken en analyseren van
patronen, afwijkingen en inconsistenties met het oog op het plannen en uitvoeren van de
controle.
Data Analytics - voordelen:
- Minder tijd aan routinetaken zoals het verzamelen van bewijs
- Meer inzet voor activiteiten zoals het onderzoeken van outliers, oordeelsvorming en
rapportage
- Voorbeelden: datavisualisatie, trendanalyse, outlierdetectie, data mining, machine
learning, process mining, tekstanalyse (text mining), simulatiemodellen
Controlevoorschriften en data-analyse — onzekerheid binnen het beroep:
- Controlevoorschriften zijn neutraal
- Hoge regeldruk
- Weinig innovatie
Factoren die strategieen van stakeholders in het controleberoep beinvloeden:
Factoren die de adoptie van ADA op bedrijfs-niveau beïnvloeden:
- Paradox: ADA worden in controlevoorstellen aangekondigd, maar worden zelden
toegepast
- Binnen auditkantoren bestaan verschillende sociale groepen: teamleden, managers,
partners. Elke groep wordt door andere factoren verschillend beïnvloed
Wat houdt accountants tegen om ADA te gebruiken?
- Gebrek aan kennis
- Moeilijk in gebruik / lage gebruiksvriendelijkheid
Machine learning, een dynamisch onderdeel van data science, laat systemen patronen
vinden en voorspellingen doen zonder handmatige regels. Met meer data biedt het
schaalbare methoden om informatie om te zetten in inzichten.
Probleem understanding
2
,Elk data-scienceproject begint met vragen. Succes hangt af van het begrijpen van het
probleem, afstemmen op stakeholders en doelen stellen voor uitvoerbare uitkomsten.
- Voorbeeld: tijdens Tweede Wereldoorlog hadden terugkerende vliegtuigen
kogelgaten op romp en vleugels, maar weinig bij motoren — inzicht in framing van
het probleem.
- Is er minder kans dat er op de motor wordt geschoten? of keren de
vliegtuigen niet terug als er op de motor is geschoten? → laatste;
dus motor beter beschermen.
- Waarom is deze vraag belangrijk? Welk resultaat of welke impact wordt gewenst,
Hoe kan data science om een zinvolle manier bijdragen?
In de fase probleem understanding moet je:
1. De projectdoelstellingen en vereisten duidelijk vastleggen.
2. Doelstellingen uitsplitsen en concrete verwachtingen en gewenste resultaten
schetsen.
3. Deze doelstellingen vertalen naar een data-scienceprobleem dat met analytische
technieken kan worden aangepakt.
4. Een strategie opstellen om deze doelen te bereiken.
Tips voor Python - kolomnamen (best practices):
- Gebruik betekenisvolle variabelennamen — verbetert leesbaarheid van code.
- Variabelennamen zijn hoodlettergevoelig — gebruik alleen kleine letters
- Variabelennamen mogen letters, cijfers en underscores bevatten.
- Let op geen begin- of afsluitende spaties.
- Vermijd spaties in variabelenamen — werkt slecht met df.query en df.eval.
- Gebruik underscores in plaats van spaties (snake_case).
Concatenation (aaneenschakelen) en merging (samenvoegen) zijn beide methoden om
data of tekst te combineren, maar ze werken fundamenteel anders.
- Concatenation: Plakt data letterlijk aan elkaar zonder naar de inhoud te kijken.
- Dataframes worden verticaal (rijen toevoegen) of horizontaal (kolommen
toevoegen) gestapeld.
- Merging: Combineert data op basis van gedeelde waarden of sleutels.
- vergelijkbaar met de 'VLOOKUP' functie in Excel
- De computer zoekt actief naar overeenkomsten tussen kolommen. Alleen
rijen die aan de voorwaarde voldoen worden gecombineerd
3
,Lecture 2
Kenmerken goede vraag (hoe ziet een goede vraag eruit)
- goede context schetsen ( alsof je aan een stagiair uitlegt en je zelf een half jaar weg
gaat en niet bereikbaar bent voor vragen)
- van tevoren duidelijk weten wat je wil weten → dat duidelijk formuleren.
redeneren vanuit de uitkomst die je nodig hebt.
Data-centricity (of data-centrisch werken) betekent dat een organisatie data als het
belangrijkste uitgangspunt gebruikt voor beslissingen, processen en producten.
Data-centricity verandert → what we audit, how we audit en when we audit.
- Auditors: object van onderzoek en het instrument waarmee we onderzoeken worden
steeds meer datagedreven.
- Wat we controleren: bedrijfsmodellen met data in de kern
- Product → platform: waarde ontstaat uit data (interacties) in plaats van bezit
van activa
- Mens → algoritmes: AI verandert fundamenteel kostenstructuren en
waardeketens
- Lokaal → gedistribueerd: modellen getraind op één locatie leveren
grensoverschrijdende diensten
Drie componenten belangrijk:
1. Data (je onderscheid je met data)
2. Algoritmes (je verdienmodel; onderscheidend vermogen)
3. Intellectual property
Data-analytics = de wetenschap en de kunst van het ontdekken en analyseren van
patronen, afwijkingen en inconsistenties, en het halen van nuttige informatie uit de gegevens
die ten grondslag liggen aan of gerelateerd zijn aan het onderwerp van een controle - door
analyse, modellering en visualisatie - met als doel het plannen of uitvoeren van de controle.
In een dataset zoek je antwoorden op vragen: je wilt auditrelevante patronen
vinden. Je hebt tools nodig en uiteindelijk moet je de uitkomsten kunnen
interpreteren.
Arts & science: de ‘art’ is het creatieve deel.
Het proces:
Begrip van het controle-doel en de gecontroleerde entiteit → doelgerichte
controlevraag (groene tabel) → standaard (audit) analytics-tool of zelfbouw (DIY)
- Eerst: wie/wat auditen en wat wil je bereiken? Welke vraag wil je
beantwoord hebben? Op basis daarvan kies je de tool.
Groene tabel uitgelegd:
4
, - Management Reporting Line Item: een post, bijvoorbeeld: €3 miljoen aan financiële
vaste activa.
- Description data-driven audit procedure: hoe je het gaat aanpakken en toetsen.
- Nature of test: de aard van de test en de bewijskracht — waarom je het doet. (Test of
Controls, Substantive Analytical Procedures, Test of Details.)
- Transaction Level Reporting Assertion (auditdoelen): C-A-V-EO-CO-PD-RO
completeness*, accuracy, valuation, existence/ occurrence, cut-off, presentation &
disclosure, rights & obligation. Als je een jaarrekening aftekent, moeten alle vakjes
van assertions per financial statement line item geraakt worden.
- Information Processing Objectives (doelen van informatieverwerking) C-A-V-R
completeness*, accuracy, validity, restricted access. Auditors gebruiken deze om te
beoordelen of IT-systemen en interne controles data correct verwerken.
* = Verschil in completeness voor auditdoelen en informatieverwerking doelen:
FS-completeness beoordeelt of de economische transacties volledig en correct in de
jaarrekening zijn verwerkt (hoeveelheid en waarde in de juiste periode). IT-completeness
beoordeelt of de gegevensstromen en technische verwerking compleet zijn (geen verlies of
duplicatie tijdens verwerking/overdracht).
Voorbeeld (groene tabel invullen) — Revenue
- Management reporting line item: Revenue
- Description data driven audit procedure: bijv. controle huurinkomsten binnen omzet
aansluiting huurbedragen met bankbetalingen en contracten.
- Nature of test (keuze): Test of Details inspectie van contracten en afstemming met
bankbetalingen.
- Assertions (meerdere mogelijk): Completeness, Accuracy, Existence.
Audit vragen altijd in deze assertions stellen, anders gaat het je geen antwoord geven op je
vragen. Economisch rationeel auditen gaat erom dat je goede betrouwbare bronnen kiest
(beter 2 goede dan 10 slechte) (denk aan voorbeeld atonomic clock).
Twee benaderingen van data analytics:
1. explanatory → ontwikkelen van business rules
Je weet niet precies wat je zoekt; je ontzoekt en vraagt “what can go
wrong?”
2. confirmative → testen van business rules
Je hebt een verwachting en controleert of de data zich daarbinnen
gedraagt; je zoekt patronen conform verwachting of juist afwijkend
gedrag.
Explanatory data analytics = een aanpak om datasets te analyseren en de belangrijkste
kenmerken samen te vatten.
Kernvragen kunnen zijn:
- Wat wijst de data uit?
- Suggereert de data dat er iets mis is gegaan?
- Waar lijken de risico’s te zitten?
- Zijn er fraudesignalen?
- Op welke assertions moeten we focussen?
5
, - Fase van de controle om explanatory data analytics toe te passen — bij
risicobeoordelingsprocedures, inclusief:
Begrip van de entiteit en haar omgeving
- Identificeren en inschatten van risico’s op materiële afwijkingen
- Ontwerpen van vervolgcontroleprocedures die afgestemd zijn op de geïdentificeerde
risico’s
Confirmative data analytics = het gebruik van data-analytics voor controleprocedures die
de auditor voorzien van voldoende en geschikte controle-informatie met betrekking tot het
ingeschatte risico.
Mogelijke procedures die door data analytics ondersteund kunnen worden:
- Test of controls
- Inspectie of opnieuw uitvoeren van controles: data analytics kan worden
gebruikt om aan te tonen dat een control werkt zoals ontworpen.
- Test of details
- Herberekeningen: analytics kan hele populaties herberekenen in plaats van
slechts steekproeven.
- Reconciliaties en roll-forwards: analytics kan informatie tussen datasets
vergelijken of data van één periode naar de volgende doorrekenen.
- Substantive analytical procedures
- Regressieanalyse: analytics kan relaties tussen variabelen analyseren om
verschillen tussen verwachte en gerapporteerde bedragen te vinden die
nadere aandacht vereisen.
ISA 315R → expliciet gebruik van data-analyse toepassingen
- risico-inschattingswerkzaamheden
- inzicht in de entiteit en haar omgeving
- inzicht verkrijgen in het informatiesysteem van de entiteit
- testen van journaalboekingen
- identificeren van significantie transactiestromen, rekeningsaldi en toelichtingen
- inzicht in gebruik van informatie technologie
→ Er is in de ISA meer aandacht gekomen voor data-analyse.
6
