Chapter 1 Data Analytics for Accounting and Identifying the Questions
Definieer Data Analytics.
Data analytics is het systematisch analyseren van data om specifieke businessvragen te beantwoorden en
beslissingen te verbeteren.
• Vertrekt vanuit een duidelijke vraag;
• gebruikt data om onderbouwde inschattingen te maken, en patronen en relaties te identificeren;
• om betere beslissingen te nemen.
Big Data verwijst naar datasets waarvan omvang, snelheid of complexiteit traditionele analysemethoden
overstijgen. Big Data kan omschreven worden a.d.h.v. deze 4 V’s:
• Volume (Volume) – omvang van de data
• Verwerkingssnelheid (Velocity) – de snelheid waarmee data worden gegenereerd en verwerkt
• Verscheidenheid (Variety) – de verschillende types data
• Validiteit (Veracity) – de betrouwbaarheid en kwaliteit van de data
Leg uit waarom Data Analytics belangrijk is voor bedrijven en accountants
Data-analyse verbetert de Data-analyse verhoogt de Data-analyse verbetert
kwaliteit en betrouwbaarheid van auditkwaliteit via analyse van de kostenbeheersing en
financiële verslaggeving door volledige populatie in plaats van een rendabiliteitsanalyse en maakt
nauwkeurigere schattingen te maken steekproef. forecasts, budgetten en planningen
op basis van historische patronen. nauwkeuriger.
Ze helpt de auditor het bedrijfsmodel
Ze zorgt ook voor een consistente en de risico’s beter te begrijpen, wat Daardoor kunnen strategische en
toepassing van verslaggevings- leidt tot sterkere relaties en extra operationele beslissingen beter
regels en helpt afwijkingen sneller diensten zoals due diligence en onderbouwd worden.
op te sporen. ESG-assurance.
Beschrijf het Data Analytics Proces met behulp van de IMPACT-cyclus.
Het IMPACT-model is een stapsgewijze aanpak voor data analytics in accountancy waarmee je een vraag
systematisch omzet in bruikbare inzichten en opvolging. Het helpt accountants om niet zomaar data te analyseren,
maar gericht te werken van probleemstelling tot effectmeting.
1. Identify the questions - Begin met een duidelijke vraag of probleem, vb: waar zit het risico op fouten?
2. Master the data - Bekijk welke data beschikbaar is, hoe betrouwbaar ze is en of ze bruikbaar is voor analyse.
3. Perform the test plan - Kies en voer de juiste analysetechniek uit, vb: regressie.
4. Address and refine results - Interpreteer de resultaten en pas de aanpak aan indien onvoldoende duidelijk.
5. Communicate insights - Vertaal de analyse naar duidelijke inzichten en aanbevelingen voor het management.
6. Track outcomes - Volg op of de aanbevelingn/voorspellingn in de praktijk echt werken en stuur bij waar nodig.
Beschrijf de vaardigheden die accountants nodig hebben.
Data-analytische mindset - Weten wanneer en hoe data analytics kan bijdragen aan een businessvraag.
Datapreparatie en data cleaning - Verzamelen, structureren, transformeren en opschonen van data.
Datakwaliteitscontrole - Volledigheid, betrouwbaarheid, validiteit kritisch beoordelen.
Data-manipulatie - Sorteren, filteren, samenvoegen om analyse mogelijk te maken.)
Data-analytische technieken toepassen - Descriptieve, diagnostische, predictieve en prescriptieve analyses
Datavisualisatie en rapportering - Resultaten helder communiceren naar verschillende stakeholders.
Leg uit hoe prompt AI-chatbots en prompt engineering ons kunnen helpen betere vragen te stellen.
Artificial intelligence (AI) is het gebruik van machines AI versnelt de uitvoering:
om menselijke intelligentie na te bootsen bij taken. • Datapreparatie & modellering
• Iteraties & scenarioanalyse
Vb. een model dat voorspelt welke klanten waarschijnlijk • Rapportering
niet zullen betalen (a.d.h.v. een classificatie model of
meer geadvanceerde machine learnig, etc.) AI vervangt analytisch denken niet:
• Context & managementverwachtingen
Generative Artificial intelligence (generative AI) • Probleemdefinitie & methodiek
maakt gebruik van algoritmen om nieuwe content te • Professioneel oordeel
creëren, zoals tekst, afbeeldingen, audio en video.
Eindverantwoordelijkheid rond genomen
Vb. Bijvoorbeeld een managementrapport samenvatten. beslissingen blijft menselijk gegeven.
Chapter 2 Mastering the Data
,Begrijp hoe data georganiseerd is in informatiesystemen.
Waar komt de data vandaan? (Data source)
Interne data via geïntegreerd ERP systemen Externe data
(Enterprise Resource Planning) • Krediet Ratings
• Boekhoudsysteem of aankoopfacturen • Sectorbenchmarks
• customer relationship management
• human resource management
Hoe is de data opgeslagen? (Data structure)
Flat files (Excel / CSV / TXT / …) Relationele databases (RDBMS)
eenvoudig meerdere tabellen gelinkt via IDs
snel Ondersteuning van interne controles
makkelijk te delen Schaalbaar voor grote datasets
Een versie van de waarheid (minder duplicatie)
– 1 tabel per bestand Automatische integratie data uit bedrijfsprocessen
– duplicatie van data / risico op inconsistentie
– moeilijk linken – Complexer (SQL-query’s noodzakelijk)
Begrijp hoe data wordt opgeslagen in een relationele databank.
Data wordt opgeslagen in tabellen (relaties) waar elke rij een record (tuple) is en elke kolom een attribuut met een
datatype (bijv. INT, VARCHAR).
Primary keys (PK) zijn unieke IDs.
Foreign keys (FK) zijn variabelen die verwijzen naar een primary key in een andere tabel.
Composite keys (CK) zijn keys die bestaan uit meerdere variabelen die samen een record uniek identificeren.
Beschrijvende attributen bevatten alle overige gegevens.
Database Schema: Unified Modeling Language (UML) Data Dictionary (Meta-data)
• Toont hoe tabellen gelinkt zijn • betekenis van variabelen
• Relaties via unieke IDs • datatypes & codes
• verplichte data
• hoeveel data worden opgeslagen
Leg extractie-, transformatie- en laadtechnieken (ETL) uit en pas ze toe.
Een iteratief proces dat uit 5 stappen bestaat:
1. Bepaal het doel en de scope van de data aanvraag (extract)
2. Verzamel de data zelf of via IT-afdeling, afhankelijk van toegangsrechten en vaardigheden (extract)
3. Valideer de data op volledigheid en integriteit (transform)
4. Clean de data op formaat, voorloopnullen, hoofdingen, inconsistenties, etc. (transform)
5. Laad de data voor verdere analyse in Excel, Power BI, etc. (load)
, Begrijpen en toepassen van gestructureerde SQL-query’s.
SELECT
Geeft aan welke kolommen of data je wilt tonen in de output. Gebruik ( SELECT * ) voor alle kolommen, of
specificeer zoals ( SELECT naam, leeftijd ). Volgorde van kolommen in SELECT bepaalt de volgorde in het
resultaat. Om gegevens samen te vatten of statistieken te berekenen gebruikt men aggregatiefuncties (SUM,
COUNT, AVG, MIN, MAX). Vb. ( SELECT AVG leeftijd AS leeftijd_gemiddelde )
FROM
Specificeert de bron tabellen. ( FROM klanten ) haalt data uit tabel ‘klanten’.
WHERE
Filtert rijen vóór verwerking. Gebruikt operators (=, >, <, >=, <=, <>, LIKE, IN, BETWEEN) met logische
AND/OR/NOT. Vb. ( WHERE leeftijd > 18 AND stad = 'Brussel' )
ORDER BY
Sorteert het resultaat ASC (oplaand, default) of DESC (aflopend). Vb. ( ORDER BY naam ASC, leeftijd DESC ).
Meerdere kolommen mogelijk; sorteert links-naar-rechts.
GROUP BY
Groepeert rijen op kolomwaarde voor aggregaties (SUM, COUNT, AVG, MAX).
Vb. ( SELECT customer, COUNT(order_ID) AS total_orders FROM sales_orders GROUP BY customer ).
INNER JOIN
Combineert data uit meerdere tabellen op een gemeenschappelijke sleutel (meestal PK-FK) en toont alleen rijen
waarvoor in beide tabellen een match bestaan.
SELECT * FROM Customers
INNER JOIN Sales_Orders
ON Customers.CustomersID = Sales_Orders.CustomerID )
LEFT/RIGHT JOIN
Combineert data uit meerdere tabellen op een gemeenschappelijke sleutel (meestal PK-FK). Toont alle rijen uit de
Linker/Rechter tabel + vult de rijen aan met de overeenkomstige gegevens uit de Rechter/Linker tabel. (NULL
indien geen match)
SELECT * FROM Customers
RIGHT JOIN Sales_Orders
ON Customers.CustomerID = Sales_Orders.CustomerID
Definieer Data Analytics.
Data analytics is het systematisch analyseren van data om specifieke businessvragen te beantwoorden en
beslissingen te verbeteren.
• Vertrekt vanuit een duidelijke vraag;
• gebruikt data om onderbouwde inschattingen te maken, en patronen en relaties te identificeren;
• om betere beslissingen te nemen.
Big Data verwijst naar datasets waarvan omvang, snelheid of complexiteit traditionele analysemethoden
overstijgen. Big Data kan omschreven worden a.d.h.v. deze 4 V’s:
• Volume (Volume) – omvang van de data
• Verwerkingssnelheid (Velocity) – de snelheid waarmee data worden gegenereerd en verwerkt
• Verscheidenheid (Variety) – de verschillende types data
• Validiteit (Veracity) – de betrouwbaarheid en kwaliteit van de data
Leg uit waarom Data Analytics belangrijk is voor bedrijven en accountants
Data-analyse verbetert de Data-analyse verhoogt de Data-analyse verbetert
kwaliteit en betrouwbaarheid van auditkwaliteit via analyse van de kostenbeheersing en
financiële verslaggeving door volledige populatie in plaats van een rendabiliteitsanalyse en maakt
nauwkeurigere schattingen te maken steekproef. forecasts, budgetten en planningen
op basis van historische patronen. nauwkeuriger.
Ze helpt de auditor het bedrijfsmodel
Ze zorgt ook voor een consistente en de risico’s beter te begrijpen, wat Daardoor kunnen strategische en
toepassing van verslaggevings- leidt tot sterkere relaties en extra operationele beslissingen beter
regels en helpt afwijkingen sneller diensten zoals due diligence en onderbouwd worden.
op te sporen. ESG-assurance.
Beschrijf het Data Analytics Proces met behulp van de IMPACT-cyclus.
Het IMPACT-model is een stapsgewijze aanpak voor data analytics in accountancy waarmee je een vraag
systematisch omzet in bruikbare inzichten en opvolging. Het helpt accountants om niet zomaar data te analyseren,
maar gericht te werken van probleemstelling tot effectmeting.
1. Identify the questions - Begin met een duidelijke vraag of probleem, vb: waar zit het risico op fouten?
2. Master the data - Bekijk welke data beschikbaar is, hoe betrouwbaar ze is en of ze bruikbaar is voor analyse.
3. Perform the test plan - Kies en voer de juiste analysetechniek uit, vb: regressie.
4. Address and refine results - Interpreteer de resultaten en pas de aanpak aan indien onvoldoende duidelijk.
5. Communicate insights - Vertaal de analyse naar duidelijke inzichten en aanbevelingen voor het management.
6. Track outcomes - Volg op of de aanbevelingn/voorspellingn in de praktijk echt werken en stuur bij waar nodig.
Beschrijf de vaardigheden die accountants nodig hebben.
Data-analytische mindset - Weten wanneer en hoe data analytics kan bijdragen aan een businessvraag.
Datapreparatie en data cleaning - Verzamelen, structureren, transformeren en opschonen van data.
Datakwaliteitscontrole - Volledigheid, betrouwbaarheid, validiteit kritisch beoordelen.
Data-manipulatie - Sorteren, filteren, samenvoegen om analyse mogelijk te maken.)
Data-analytische technieken toepassen - Descriptieve, diagnostische, predictieve en prescriptieve analyses
Datavisualisatie en rapportering - Resultaten helder communiceren naar verschillende stakeholders.
Leg uit hoe prompt AI-chatbots en prompt engineering ons kunnen helpen betere vragen te stellen.
Artificial intelligence (AI) is het gebruik van machines AI versnelt de uitvoering:
om menselijke intelligentie na te bootsen bij taken. • Datapreparatie & modellering
• Iteraties & scenarioanalyse
Vb. een model dat voorspelt welke klanten waarschijnlijk • Rapportering
niet zullen betalen (a.d.h.v. een classificatie model of
meer geadvanceerde machine learnig, etc.) AI vervangt analytisch denken niet:
• Context & managementverwachtingen
Generative Artificial intelligence (generative AI) • Probleemdefinitie & methodiek
maakt gebruik van algoritmen om nieuwe content te • Professioneel oordeel
creëren, zoals tekst, afbeeldingen, audio en video.
Eindverantwoordelijkheid rond genomen
Vb. Bijvoorbeeld een managementrapport samenvatten. beslissingen blijft menselijk gegeven.
Chapter 2 Mastering the Data
,Begrijp hoe data georganiseerd is in informatiesystemen.
Waar komt de data vandaan? (Data source)
Interne data via geïntegreerd ERP systemen Externe data
(Enterprise Resource Planning) • Krediet Ratings
• Boekhoudsysteem of aankoopfacturen • Sectorbenchmarks
• customer relationship management
• human resource management
Hoe is de data opgeslagen? (Data structure)
Flat files (Excel / CSV / TXT / …) Relationele databases (RDBMS)
eenvoudig meerdere tabellen gelinkt via IDs
snel Ondersteuning van interne controles
makkelijk te delen Schaalbaar voor grote datasets
Een versie van de waarheid (minder duplicatie)
– 1 tabel per bestand Automatische integratie data uit bedrijfsprocessen
– duplicatie van data / risico op inconsistentie
– moeilijk linken – Complexer (SQL-query’s noodzakelijk)
Begrijp hoe data wordt opgeslagen in een relationele databank.
Data wordt opgeslagen in tabellen (relaties) waar elke rij een record (tuple) is en elke kolom een attribuut met een
datatype (bijv. INT, VARCHAR).
Primary keys (PK) zijn unieke IDs.
Foreign keys (FK) zijn variabelen die verwijzen naar een primary key in een andere tabel.
Composite keys (CK) zijn keys die bestaan uit meerdere variabelen die samen een record uniek identificeren.
Beschrijvende attributen bevatten alle overige gegevens.
Database Schema: Unified Modeling Language (UML) Data Dictionary (Meta-data)
• Toont hoe tabellen gelinkt zijn • betekenis van variabelen
• Relaties via unieke IDs • datatypes & codes
• verplichte data
• hoeveel data worden opgeslagen
Leg extractie-, transformatie- en laadtechnieken (ETL) uit en pas ze toe.
Een iteratief proces dat uit 5 stappen bestaat:
1. Bepaal het doel en de scope van de data aanvraag (extract)
2. Verzamel de data zelf of via IT-afdeling, afhankelijk van toegangsrechten en vaardigheden (extract)
3. Valideer de data op volledigheid en integriteit (transform)
4. Clean de data op formaat, voorloopnullen, hoofdingen, inconsistenties, etc. (transform)
5. Laad de data voor verdere analyse in Excel, Power BI, etc. (load)
, Begrijpen en toepassen van gestructureerde SQL-query’s.
SELECT
Geeft aan welke kolommen of data je wilt tonen in de output. Gebruik ( SELECT * ) voor alle kolommen, of
specificeer zoals ( SELECT naam, leeftijd ). Volgorde van kolommen in SELECT bepaalt de volgorde in het
resultaat. Om gegevens samen te vatten of statistieken te berekenen gebruikt men aggregatiefuncties (SUM,
COUNT, AVG, MIN, MAX). Vb. ( SELECT AVG leeftijd AS leeftijd_gemiddelde )
FROM
Specificeert de bron tabellen. ( FROM klanten ) haalt data uit tabel ‘klanten’.
WHERE
Filtert rijen vóór verwerking. Gebruikt operators (=, >, <, >=, <=, <>, LIKE, IN, BETWEEN) met logische
AND/OR/NOT. Vb. ( WHERE leeftijd > 18 AND stad = 'Brussel' )
ORDER BY
Sorteert het resultaat ASC (oplaand, default) of DESC (aflopend). Vb. ( ORDER BY naam ASC, leeftijd DESC ).
Meerdere kolommen mogelijk; sorteert links-naar-rechts.
GROUP BY
Groepeert rijen op kolomwaarde voor aggregaties (SUM, COUNT, AVG, MAX).
Vb. ( SELECT customer, COUNT(order_ID) AS total_orders FROM sales_orders GROUP BY customer ).
INNER JOIN
Combineert data uit meerdere tabellen op een gemeenschappelijke sleutel (meestal PK-FK) en toont alleen rijen
waarvoor in beide tabellen een match bestaan.
SELECT * FROM Customers
INNER JOIN Sales_Orders
ON Customers.CustomersID = Sales_Orders.CustomerID )
LEFT/RIGHT JOIN
Combineert data uit meerdere tabellen op een gemeenschappelijke sleutel (meestal PK-FK). Toont alle rijen uit de
Linker/Rechter tabel + vult de rijen aan met de overeenkomstige gegevens uit de Rechter/Linker tabel. (NULL
indien geen match)
SELECT * FROM Customers
RIGHT JOIN Sales_Orders
ON Customers.CustomerID = Sales_Orders.CustomerID
