FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
De collegereeks DSA richt zich op het toepassen van data science binnen auditing, waarbij
theoretische inzichten gecombineerd worden met praktische vaardigheden. De onderwerpen
variëren van een introductie tot Python-programmeren en het werken met data tot geavanceerde
concepten zoals regressie, bias-variance trade-off, en audit risicomodellen. Daarnaast wordt
ook aandacht besteed aan ethische aspecten binnen data science en auditing.
De cursus is opgebouwd uit acht colleges (waarvan 1 recap) waarin zowel fundamentele
statistische methoden als recente ontwikkelingen binnen big data en machine learning aan bod
komen. De colleges behandelen onderwerpen zoals exploratieve data-analyse, voorspellende
modellen en het evalueren van modelprestaties, met een sterke nadruk op praktische
toepassingen.
Naast de technische aspecten wordt ook de rol van ethiek in data science besproken, wat
essentieel is in het huidige tijdperk van big data.
1
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Inhoud
1A Introduction to data science in the audit ..............................................................................3
1B Analyzing data with and without statistics ............................................................................8
2A Regression and K-nearest neighbor.................................................................................... 13
2B measures of model performance ...................................................................................... 20
3A bias-variance trade-off...................................................................................................... 22
3B how do statistical models align with auditing standards ..................................................... 27
4A responsible AI................................................................................................................... 33
NBA handreiking 1141 – data analyse ..................................................................................... 35
2
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
1A Introduction to data science in the audit
Data- analyse in iedere fase van het auditproces
COS 315
Data-analyse kan waardevolle inzichten bieden tijdens de risicobeoordelingsfase van een audit.
Data-analyse kan bewijs leveren ter ondersteuning van de beoordeling van risico's. Dit betekent
dat auditors data kunnen gebruiken om de beweringen van het management te controleren en
om gebieden te identificeren waar het risico op een afwijking van materieel belang hoger kan
zijn.
Data-analyse kan inzicht bieden in ongebruikelijke of onverwachte relaties, wat de auditor kan
helpen bij het identificeren van risico's op een afwijking van materieel belang. Door patronen en
anomalieën in de data te analyseren, kunnen auditors potentiële risicogebieden identificeren
die anders misschien niet zouden zijn opgemerkt.
COS 500
COS 500, "Audit Evidence", beschrijft de verantwoordelijkheden van de auditor met betrekking
tot het verkrijgen van voldoende en geschikte controle-informatie. Data-analyse kan op
verschillende manieren worden gebruikt om de auditor te ondersteunen bij het voldoen aan de
doelstellingen van COS 500.
Toetsing van interne beheersingsmaatregelen
Data-analyse kan worden gebruikt om de werking van interne beheersingsmaatregelen te
evalueren. De auditor kan data-analyse gebruiken om te controleren of de beweringen
van de gecontroleerde entiteit over hun interne beheersingsmaatregelen waar zijn.
Voorbeeld: DigiJazz beweert dat inkooporders groter dan €500 moeten worden
geautoriseerd door een medewerker in functie X. De auditor kan data-analyse gebruiken
om te bevestigen dat facturen groter dan €500 inderdaad zijn geautoriseerd door een
medewerker in functie X.
3
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Cijferbeoordeling
Data-analyse kan worden gebruikt voor cijferbeoordeling door relevante items binnen
een populatie te analyseren. Dit omvat het testen van details van transacties en saldi om
te bepalen of ze vrij zijn van materiële fouten.
Voorbeeld: Voor de verkooporders van DigiJazz van het afgelopen jaar is de verwachting:
- Dat ze overeenkomen met verzendingen vanuit het magazijn.
- Dat ze overeenkomen met afschrijvingen in de voorraad.
- Dat ze overeenkomen met posten in het verkoopboek.
- Dat ze overeenkomen met banktransacties.
COS 240
COS 240, "Fraude", behandelt de verantwoordelijkheden van de auditor met betrekking tot
fraude in een controle van financiële overzichten. Data-analyse kan een waardevol hulpmiddel
zijn bij het identificeren en beoordelen van frauderisico's en het verzamelen van controle-
informatie met betrekking tot fraude.
Data-analyse kan worden gebruikt om:
- Ongebruikelijke transacties of patronen te identificeren die kunnen wijzen op
frauduleuze activiteiten.
- Verbanden te leggen tussen verschillende datasets die anders misschien niet zouden
worden opgemerkt, wat kan leiden tot de identificatie van fraude.
- Hypothesen over mogelijke fraudescenario's te testen.
Voorbeelden van hoe data-analyse kan worden gebruikt in de context van COS 240:
Frauduleuze financiële verslaggeving
1. DigiJazz stelt dat alleen personen X en Y boekingen in de financiële administratie
verwerken. De auditor kan data-analyse gebruiken om te achterhalen of er boekingen
zijn gedaan door andere personen dan X en Y. Dit kan wijzen op mogelijke
frauduleuze financiële verslaggeving.
2. Het analyseren van journaalposten op ongebruikelijke boekingsdatums of -
tijdstippen.
3. Het identificeren van transacties die afwijken van de normale omvang of frequentie.
4. Het vergelijken van financiële gegevens met niet-financiële gegevens om
inconsistenties te identificeren.
Verduistering van activa:
1. De auditor kan data-analyse gebruiken om te achterhalen welke bankrekeningen
gekoppeld zijn aan medewerkers en of er betalingen (anders dan salaris) op deze
rekeningen zijn gedaan.
2. Het analyseren van voorraadbewegingen om te controleren op ontbrekende
voorraad.
3. Het identificeren van betalingen aan leveranciers die niet in de goedgekeurde
leverancierslijst staan.
4. Het analyseren van reiskostendeclaraties op ongebruikelijke of frauduleuze uitgaven.
4
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
COS 530
COS 530, "Audit Sampling", beschrijft de doelstellingen en procedures van de auditor bij het
gebruik van steekproeven. Data-analyse kan een waardevolle rol spelen bij het verbeteren van
de efficiëntie en effectiviteit van audit sampling.
Data-analyse kan worden gebruikt om:
- De populatie te analyseren voordat een steekproef wordt getrokken. Dit kan helpen bij het
identificeren van:
- Risicovolle gebieden
- Ongebruikelijke patronen of transacties
- Relevante subpopulaties
- De steekproefomvang te bepalen. Data-analyse kan helpen bij het bepalen van de optimale
steekproefomvang door:
- De variabiliteit in de populatie te analyseren
- Het gewenste betrouwbaarheidsniveau in te stellen
- De verwachte foutmarge te definiëren
- De steekproefselectie te optimaliseren. Data-analyse kan worden gebruikt om steekproefitems
te selecteren op basis van:
- Specifieke kenmerken
- Risicofactoren
- Relevantie voor de auditdoelstellingen
-De resultaten van de steekproef te evalueren. Data-analyse kan helpen bij het extrapoleren van
de steekproefresultaten naar de gehele populatie en bij het beoordelen van de steekproefrisico.
Voorbeeld:
De auditor wil de juistheid van de toegepaste btw-tarieven controleren.
Data-analyse: De auditor kan data-analyse gebruiken om te controleren of er andere
percentages dan 0%, 9% of 21% zijn toegepast.
Steekproef: De auditor kan vervolgens een steekproef nemen uit de transacties met 0%,
9% en 21% btw om te controleren of deze percentages correct zijn toegepast.
5
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Deductive reasoning
Deductief redeneren is een manier van denken waarbij je vanuit een
algemene regel of theorie, specifieke conclusies trekt. Het is een top-
down benadering, waarbij je start met een algemene aanname en
vervolgens kijkt of die aanname klopt in specifieke gevallen.
Een voorbeeld van deductief redeneren in de context van
auditing, specifiek bij het controleren van de juistheid van
toegepaste btw-tarieven:
Theorie: De btw-tarieven zijn correct toegepast.
Voorspelling: Als ik een steekproef neem van toegepaste btw-
tarieven, verwacht ik dat de meeste btw-tarieven correct zijn
toegepast.
Experiment: Neem een steekproef uit de populatie en kijk of de
theorie klopt.
In essentie test je bij deductief redeneren of de waarnemingen (data)
overeenkomen met de voorspellingen die voortvloeien uit een
bestaande theorie.
Deductief redeneren wordt gepositioneerd als een manier om "wisdom"
te verkrijgen uit data.
Wisdom pyramid
6
2-1-25
DATA SCIENCE IN AUDITING / DSA
De collegereeks DSA richt zich op het toepassen van data science binnen auditing, waarbij
theoretische inzichten gecombineerd worden met praktische vaardigheden. De onderwerpen
variëren van een introductie tot Python-programmeren en het werken met data tot geavanceerde
concepten zoals regressie, bias-variance trade-off, en audit risicomodellen. Daarnaast wordt
ook aandacht besteed aan ethische aspecten binnen data science en auditing.
De cursus is opgebouwd uit acht colleges (waarvan 1 recap) waarin zowel fundamentele
statistische methoden als recente ontwikkelingen binnen big data en machine learning aan bod
komen. De colleges behandelen onderwerpen zoals exploratieve data-analyse, voorspellende
modellen en het evalueren van modelprestaties, met een sterke nadruk op praktische
toepassingen.
Naast de technische aspecten wordt ook de rol van ethiek in data science besproken, wat
essentieel is in het huidige tijdperk van big data.
1
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Inhoud
1A Introduction to data science in the audit ..............................................................................3
1B Analyzing data with and without statistics ............................................................................8
2A Regression and K-nearest neighbor.................................................................................... 13
2B measures of model performance ...................................................................................... 20
3A bias-variance trade-off...................................................................................................... 22
3B how do statistical models align with auditing standards ..................................................... 27
4A responsible AI................................................................................................................... 33
NBA handreiking 1141 – data analyse ..................................................................................... 35
2
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
1A Introduction to data science in the audit
Data- analyse in iedere fase van het auditproces
COS 315
Data-analyse kan waardevolle inzichten bieden tijdens de risicobeoordelingsfase van een audit.
Data-analyse kan bewijs leveren ter ondersteuning van de beoordeling van risico's. Dit betekent
dat auditors data kunnen gebruiken om de beweringen van het management te controleren en
om gebieden te identificeren waar het risico op een afwijking van materieel belang hoger kan
zijn.
Data-analyse kan inzicht bieden in ongebruikelijke of onverwachte relaties, wat de auditor kan
helpen bij het identificeren van risico's op een afwijking van materieel belang. Door patronen en
anomalieën in de data te analyseren, kunnen auditors potentiële risicogebieden identificeren
die anders misschien niet zouden zijn opgemerkt.
COS 500
COS 500, "Audit Evidence", beschrijft de verantwoordelijkheden van de auditor met betrekking
tot het verkrijgen van voldoende en geschikte controle-informatie. Data-analyse kan op
verschillende manieren worden gebruikt om de auditor te ondersteunen bij het voldoen aan de
doelstellingen van COS 500.
Toetsing van interne beheersingsmaatregelen
Data-analyse kan worden gebruikt om de werking van interne beheersingsmaatregelen te
evalueren. De auditor kan data-analyse gebruiken om te controleren of de beweringen
van de gecontroleerde entiteit over hun interne beheersingsmaatregelen waar zijn.
Voorbeeld: DigiJazz beweert dat inkooporders groter dan €500 moeten worden
geautoriseerd door een medewerker in functie X. De auditor kan data-analyse gebruiken
om te bevestigen dat facturen groter dan €500 inderdaad zijn geautoriseerd door een
medewerker in functie X.
3
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Cijferbeoordeling
Data-analyse kan worden gebruikt voor cijferbeoordeling door relevante items binnen
een populatie te analyseren. Dit omvat het testen van details van transacties en saldi om
te bepalen of ze vrij zijn van materiële fouten.
Voorbeeld: Voor de verkooporders van DigiJazz van het afgelopen jaar is de verwachting:
- Dat ze overeenkomen met verzendingen vanuit het magazijn.
- Dat ze overeenkomen met afschrijvingen in de voorraad.
- Dat ze overeenkomen met posten in het verkoopboek.
- Dat ze overeenkomen met banktransacties.
COS 240
COS 240, "Fraude", behandelt de verantwoordelijkheden van de auditor met betrekking tot
fraude in een controle van financiële overzichten. Data-analyse kan een waardevol hulpmiddel
zijn bij het identificeren en beoordelen van frauderisico's en het verzamelen van controle-
informatie met betrekking tot fraude.
Data-analyse kan worden gebruikt om:
- Ongebruikelijke transacties of patronen te identificeren die kunnen wijzen op
frauduleuze activiteiten.
- Verbanden te leggen tussen verschillende datasets die anders misschien niet zouden
worden opgemerkt, wat kan leiden tot de identificatie van fraude.
- Hypothesen over mogelijke fraudescenario's te testen.
Voorbeelden van hoe data-analyse kan worden gebruikt in de context van COS 240:
Frauduleuze financiële verslaggeving
1. DigiJazz stelt dat alleen personen X en Y boekingen in de financiële administratie
verwerken. De auditor kan data-analyse gebruiken om te achterhalen of er boekingen
zijn gedaan door andere personen dan X en Y. Dit kan wijzen op mogelijke
frauduleuze financiële verslaggeving.
2. Het analyseren van journaalposten op ongebruikelijke boekingsdatums of -
tijdstippen.
3. Het identificeren van transacties die afwijken van de normale omvang of frequentie.
4. Het vergelijken van financiële gegevens met niet-financiële gegevens om
inconsistenties te identificeren.
Verduistering van activa:
1. De auditor kan data-analyse gebruiken om te achterhalen welke bankrekeningen
gekoppeld zijn aan medewerkers en of er betalingen (anders dan salaris) op deze
rekeningen zijn gedaan.
2. Het analyseren van voorraadbewegingen om te controleren op ontbrekende
voorraad.
3. Het identificeren van betalingen aan leveranciers die niet in de goedgekeurde
leverancierslijst staan.
4. Het analyseren van reiskostendeclaraties op ongebruikelijke of frauduleuze uitgaven.
4
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
COS 530
COS 530, "Audit Sampling", beschrijft de doelstellingen en procedures van de auditor bij het
gebruik van steekproeven. Data-analyse kan een waardevolle rol spelen bij het verbeteren van
de efficiëntie en effectiviteit van audit sampling.
Data-analyse kan worden gebruikt om:
- De populatie te analyseren voordat een steekproef wordt getrokken. Dit kan helpen bij het
identificeren van:
- Risicovolle gebieden
- Ongebruikelijke patronen of transacties
- Relevante subpopulaties
- De steekproefomvang te bepalen. Data-analyse kan helpen bij het bepalen van de optimale
steekproefomvang door:
- De variabiliteit in de populatie te analyseren
- Het gewenste betrouwbaarheidsniveau in te stellen
- De verwachte foutmarge te definiëren
- De steekproefselectie te optimaliseren. Data-analyse kan worden gebruikt om steekproefitems
te selecteren op basis van:
- Specifieke kenmerken
- Risicofactoren
- Relevantie voor de auditdoelstellingen
-De resultaten van de steekproef te evalueren. Data-analyse kan helpen bij het extrapoleren van
de steekproefresultaten naar de gehele populatie en bij het beoordelen van de steekproefrisico.
Voorbeeld:
De auditor wil de juistheid van de toegepaste btw-tarieven controleren.
Data-analyse: De auditor kan data-analyse gebruiken om te controleren of er andere
percentages dan 0%, 9% of 21% zijn toegepast.
Steekproef: De auditor kan vervolgens een steekproef nemen uit de transacties met 0%,
9% en 21% btw om te controleren of deze percentages correct zijn toegepast.
5
, FIEKE SCHEPENS | NYENRODE
2-1-25
DATA SCIENCE IN AUDITING / DSA
Deductive reasoning
Deductief redeneren is een manier van denken waarbij je vanuit een
algemene regel of theorie, specifieke conclusies trekt. Het is een top-
down benadering, waarbij je start met een algemene aanname en
vervolgens kijkt of die aanname klopt in specifieke gevallen.
Een voorbeeld van deductief redeneren in de context van
auditing, specifiek bij het controleren van de juistheid van
toegepaste btw-tarieven:
Theorie: De btw-tarieven zijn correct toegepast.
Voorspelling: Als ik een steekproef neem van toegepaste btw-
tarieven, verwacht ik dat de meeste btw-tarieven correct zijn
toegepast.
Experiment: Neem een steekproef uit de populatie en kijk of de
theorie klopt.
In essentie test je bij deductief redeneren of de waarnemingen (data)
overeenkomen met de voorspellingen die voortvloeien uit een
bestaande theorie.
Deductief redeneren wordt gepositioneerd als een manier om "wisdom"
te verkrijgen uit data.
Wisdom pyramid
6
