Data Analytics in Accountancy
H1: Data analytics in accountancy en bedrijfskunde
o Data analytics = systematisch analyseren v data om specifieke
businessvragen te beantwoorden en beslissingen te verbeteren
- Vertrekt vanuit duidelijke vraag
- Data gebruiken om:
Onderbouwde schattingen te maken
Patronen en relaties identificeren
- Doel = betere beslissingen maken
VOORBEELD: business Angel
€100 investeren of niet?
Succesvol: p = 40% failure
investeren + €300 -€100
Niet investeren €0 €0
=> Verwachte waarde bij investeren:
- EV = 0.4 x 300 + 0.6 x -100 = +60
<=> verwachte waarde bij niet investeren:
- EV = 0
=> WEL investeren
Conclusie: zowel slaagkans als potentiële opbrengsten in rekening brengen
=> anders cognitieve vertekeningen:
- Loss aversion
= verliezen zwaarder laten doorwegen
- Recency bias
= recente gebeurtenissen
- Overconfidence bias
= te veel vertrouwen in eigen oordeel
o Big data
= datasets waarvan omvang, snelheid of complexiteit de traditionele
analysemethoden overstijgen
=> 4 V’s om data te omschrijven
1. Volume
= Omvang v.d. data
2. Velocity - verwerkingssnelheid
= Snelheid waarmee data wordt gegenereerd en verwerkt
3. Variety - verscheidenheid
1
, = De verschillende datatypes
4. Veracity – validiteit
= betrouwbaarheid en kwaliteit v.d. data
Hoe verandert data-analyse het werk v accountants en financiële
professionals
o Financial accountants:
=> hoe beïnvloedt het de financiële verslaggeving
- Nauwkeurige schattingen
=> Betere inschatting v dubieuze … o.b.v. historische patronen
Debiteuren
Afschrijvingen
Waardeverminderingen
Voorzieningen
- Consistente toepassing v verslaggevingsregels
= systematische controle op correcte classificatie v transacties en
snellere detectie v afwijking
=> opsporen v ongebruikelijke boekingen en transacties
o Auditors
- DA verhoogt de auditkwaliteit en diepgang v controle
Voorbeeld: analyse v volledige populatie i.p.v. steekproef van
transacties
- Auditor ontwikkelt beter begrip v bedrijfsmodel en risico’s
=> laat toe duurzame klantenrelaties uit te bouwen en aanvullende
diensten aan te bieden
o Management accountants
- DA verbetert kostenbeheersing en rendabiliteitsanalyse en verhoogt
nauwkeurigheid v forecast
- DA leidt tot beter onderbouwde strategische en operationele
beslissingen
Het impact model
1. identificeer de vraag
2. verken, structureer en begrijp de
data
3. pas het testplan en de bijhorende
analyses toe
4. afweging en verfijning van resultaten
5. Communiceer inzichten
6. Toets en volg resultaten op
2
,STAP 1: identify the questions
=> begrijp het businessprobleem dat moet worden aangepakt
o Aandachtspunten:
- Vraag empirisch te beantwoorden: welke databronnen zijn relevant?
- Is probleemstelling voldoende scherp afgebakend
- Voor wie worden de resultaten geanalyseerd en gerapporteerd?
STAP 2: master the data (zie H2)
=> weten welke data beschikbaar is en hoe je ze kan linken aan het probleem
o 7 elementen:
- Data beschikbaar in interne systemen
ERP
Boekhoudsysteem
- Data beschikbaar in externe netwerken en datawarehouses
- Data dictionaires = beschrijvingen v variabelen en definities
- Evalueer en voor het ETL-proces uit:
Extractie
Transformatie
Laden v data
- Valideer en controleer de volledigheid v data
- Normalisatie en standaardisatie v data
- Datapreparatie en data cleaning
STAP 3: perform the test plan (zie H3)
o selecteer een geschikt model:
- classificatie
- regressie
- gelijkenismatching
- clustering
- co-occurrence grouping = analyse v samen voorkomende items
- linkvoorspelling
- profilering
- datareductie
STAP 4: address and refine results (zie H3)
=> identificeer problemen in de analyses en verfijn het model
o formuleer aanvullende onderzoeksvragen
o voer een diepgaandere data-exploratie uit
o herhaal en verfijn de analyses waar nodig
STAP 5: cummunicate insights & track outcomes (zie H4)
=> Communiceer met duidelijke taal en visualisaties:
o dashboards
o statische rapporten
o managementsamenvattingen
STAP 6: track outcomes (zie H4)
3
, => monitor en evalueer de impact v.d. analyse
o met welke frequentie wordt de analyse herhaald?
o Wijzigen de uitkomsten in de tijd?
o Welke structurele trends worden vastgesteld?
Welke data-analytische vaardigheden heb je nodig?
1. Ontwikkel een data-analytische mindset
= weten wanneer en hoe DA kan bijdragen aan businessvraag
2. Datapreparatie en data cleaning
= verzamelen, structuren, transformeren en opschonen v data
3. Datakwaliteitscontrole
= volledigheid, betrouwbaarheid, validiteit kritisch beoordelen
4. Data-manipulatie
= sorteren, filteren, samenvoegen om analyse mogelijk te maken
5. Data-analytische technieken toepassen
= descriptieve, diagnostische, predictieve en prescriptieve analyses
6. Datavisualisatie en rapportering
= resultaten helder communiceren naar verschillende stakeholders
o DA tools
- Microsoft Track: Excel, Power Query, Power BI
=> waarom Microsoft track gebruiken:
Marktrealiteit in België en EU
= sterke aansluiting bij verwachtingen op de Belgische en
Europese arbeidsmarkt
Natuurlijke opbouw: Excel Power Query Power BI
Excel = basisinstrumenten in accounting en finance
Power Query = gestructureerde data cleaning en
transformatie
Power BI = schaalbare rapportering en dashboarding
Excel Power Query Power BI
Goed Kleine Grote datasets Grote datasets
voor: datasets Data cleaning Geavanceerde
Pivottables Datasets visualisatie
Basis koppelen Dashboards
visualisatie datatransforma presentatie
Basis tie
analyses
Platform: Windows/mac windows windows
AI – chatGPT, gemini, claude, …
4
H1: Data analytics in accountancy en bedrijfskunde
o Data analytics = systematisch analyseren v data om specifieke
businessvragen te beantwoorden en beslissingen te verbeteren
- Vertrekt vanuit duidelijke vraag
- Data gebruiken om:
Onderbouwde schattingen te maken
Patronen en relaties identificeren
- Doel = betere beslissingen maken
VOORBEELD: business Angel
€100 investeren of niet?
Succesvol: p = 40% failure
investeren + €300 -€100
Niet investeren €0 €0
=> Verwachte waarde bij investeren:
- EV = 0.4 x 300 + 0.6 x -100 = +60
<=> verwachte waarde bij niet investeren:
- EV = 0
=> WEL investeren
Conclusie: zowel slaagkans als potentiële opbrengsten in rekening brengen
=> anders cognitieve vertekeningen:
- Loss aversion
= verliezen zwaarder laten doorwegen
- Recency bias
= recente gebeurtenissen
- Overconfidence bias
= te veel vertrouwen in eigen oordeel
o Big data
= datasets waarvan omvang, snelheid of complexiteit de traditionele
analysemethoden overstijgen
=> 4 V’s om data te omschrijven
1. Volume
= Omvang v.d. data
2. Velocity - verwerkingssnelheid
= Snelheid waarmee data wordt gegenereerd en verwerkt
3. Variety - verscheidenheid
1
, = De verschillende datatypes
4. Veracity – validiteit
= betrouwbaarheid en kwaliteit v.d. data
Hoe verandert data-analyse het werk v accountants en financiële
professionals
o Financial accountants:
=> hoe beïnvloedt het de financiële verslaggeving
- Nauwkeurige schattingen
=> Betere inschatting v dubieuze … o.b.v. historische patronen
Debiteuren
Afschrijvingen
Waardeverminderingen
Voorzieningen
- Consistente toepassing v verslaggevingsregels
= systematische controle op correcte classificatie v transacties en
snellere detectie v afwijking
=> opsporen v ongebruikelijke boekingen en transacties
o Auditors
- DA verhoogt de auditkwaliteit en diepgang v controle
Voorbeeld: analyse v volledige populatie i.p.v. steekproef van
transacties
- Auditor ontwikkelt beter begrip v bedrijfsmodel en risico’s
=> laat toe duurzame klantenrelaties uit te bouwen en aanvullende
diensten aan te bieden
o Management accountants
- DA verbetert kostenbeheersing en rendabiliteitsanalyse en verhoogt
nauwkeurigheid v forecast
- DA leidt tot beter onderbouwde strategische en operationele
beslissingen
Het impact model
1. identificeer de vraag
2. verken, structureer en begrijp de
data
3. pas het testplan en de bijhorende
analyses toe
4. afweging en verfijning van resultaten
5. Communiceer inzichten
6. Toets en volg resultaten op
2
,STAP 1: identify the questions
=> begrijp het businessprobleem dat moet worden aangepakt
o Aandachtspunten:
- Vraag empirisch te beantwoorden: welke databronnen zijn relevant?
- Is probleemstelling voldoende scherp afgebakend
- Voor wie worden de resultaten geanalyseerd en gerapporteerd?
STAP 2: master the data (zie H2)
=> weten welke data beschikbaar is en hoe je ze kan linken aan het probleem
o 7 elementen:
- Data beschikbaar in interne systemen
ERP
Boekhoudsysteem
- Data beschikbaar in externe netwerken en datawarehouses
- Data dictionaires = beschrijvingen v variabelen en definities
- Evalueer en voor het ETL-proces uit:
Extractie
Transformatie
Laden v data
- Valideer en controleer de volledigheid v data
- Normalisatie en standaardisatie v data
- Datapreparatie en data cleaning
STAP 3: perform the test plan (zie H3)
o selecteer een geschikt model:
- classificatie
- regressie
- gelijkenismatching
- clustering
- co-occurrence grouping = analyse v samen voorkomende items
- linkvoorspelling
- profilering
- datareductie
STAP 4: address and refine results (zie H3)
=> identificeer problemen in de analyses en verfijn het model
o formuleer aanvullende onderzoeksvragen
o voer een diepgaandere data-exploratie uit
o herhaal en verfijn de analyses waar nodig
STAP 5: cummunicate insights & track outcomes (zie H4)
=> Communiceer met duidelijke taal en visualisaties:
o dashboards
o statische rapporten
o managementsamenvattingen
STAP 6: track outcomes (zie H4)
3
, => monitor en evalueer de impact v.d. analyse
o met welke frequentie wordt de analyse herhaald?
o Wijzigen de uitkomsten in de tijd?
o Welke structurele trends worden vastgesteld?
Welke data-analytische vaardigheden heb je nodig?
1. Ontwikkel een data-analytische mindset
= weten wanneer en hoe DA kan bijdragen aan businessvraag
2. Datapreparatie en data cleaning
= verzamelen, structuren, transformeren en opschonen v data
3. Datakwaliteitscontrole
= volledigheid, betrouwbaarheid, validiteit kritisch beoordelen
4. Data-manipulatie
= sorteren, filteren, samenvoegen om analyse mogelijk te maken
5. Data-analytische technieken toepassen
= descriptieve, diagnostische, predictieve en prescriptieve analyses
6. Datavisualisatie en rapportering
= resultaten helder communiceren naar verschillende stakeholders
o DA tools
- Microsoft Track: Excel, Power Query, Power BI
=> waarom Microsoft track gebruiken:
Marktrealiteit in België en EU
= sterke aansluiting bij verwachtingen op de Belgische en
Europese arbeidsmarkt
Natuurlijke opbouw: Excel Power Query Power BI
Excel = basisinstrumenten in accounting en finance
Power Query = gestructureerde data cleaning en
transformatie
Power BI = schaalbare rapportering en dashboarding
Excel Power Query Power BI
Goed Kleine Grote datasets Grote datasets
voor: datasets Data cleaning Geavanceerde
Pivottables Datasets visualisatie
Basis koppelen Dashboards
visualisatie datatransforma presentatie
Basis tie
analyses
Platform: Windows/mac windows windows
AI – chatGPT, gemini, claude, …
4
