Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Samenvatting
Data Science in Auditing
Nyenrode Business Universiteit
Master Accountancy
Collegejaar: 2025-2026
,Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Inleiding
Voor deze samenvatting is gebruikgemaakt van de volgende literatuur:
• Slides Data Science in Auditing;
• Cheatsheets Data Science in Auditing;
• Artikel: Push-left principle;
• Artikel: Statistiek voor Audit & Controlling.
Bij het studieonderdeel Data Science in Auditing (DSA) – en dus in deze samenvatting - zullen
de volgende onderwerpen behandeld worden:
• Introduction
o Confirmative Deductive & Exploratory Inductive
o Gartner’s framework
o Introductie Python
o Pythontermen
o Functions, conditions en visualization in Python
• Regressie & K-Nearest Neighbor
o Regressieanalyse
o K-Nearest Neighbor
o Confusionmatrix
o Prestatiemeting
o Toepassing in Python
• Bias-variance trade-off & alignment with standards
o Bias-variance trade-off
o Koppeling met standaarden
o Audit Sampling
o Hypothesis Testing
o Type I & Type II fouten
• AI
o AI-audits
o Vergelijking met financiële audits
o Fundamentele uitgangspunten
In deze samenvatting is alle theorie behandeld die volgens de weekplanning DSA als
tentamenstof staat voorgeschreven (gebaseerd op de slides van het vak). Wanneer theorie uit
de weekplanning niet wordt opgenomen in deze samenvatting zal dit hieronder te vinden zijn
onder de opmerkingen. Aangezien veel in dit vak in Engelse benamingen wordt aangeleerd, is
in deze samenvatting ook veel gebruik gemaakt van Engelse benamingen (tekst).
Maak naast deze samenvatting gebruik van de oefenopgaven zoals deze zijn voorgeschreven
in de weekplanning, en van het proeftentamen Data Science in Auditing (DSA).
Veel succes met de voorbereiding voor het tentamen!
,Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Inhoudsopgave
Hoofdstuk 1: Introduction ................................................................................................................ 4
1.1 Introduction to data science................................................................................................ 4
1.2 Introduction to Python ....................................................................................................... 5
1.3 Functions, conditions and data Visualization .........................................................................12
Hoofdstuk 2: Regression & K-Neareast Neighbore ...............................................................................16
2.1 Regression analyse...........................................................................................................16
2.2 K-Nearest Neighbors (KNN)................................................................................................23
2.3 Measures of model performance ........................................................................................27
Hoofdstuk 3: Bias-variance trade-off & alignment with standards ..........................................................32
3.1 Bias-variance trade off ......................................................................................................32
3.2 Alignment with the audit standards ....................................................................................40
3.3 Het Push-left principe .......................................................................................................45
Hoofdstuk 4: AI..............................................................................................................................48
4.1 AI-audits ........................................................................................................................48
, Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Hoofdstuk 1: Introduction
1.1 Introduction to data science
Twee belangrijke begrippen bij data science betreffen:
• Confirmative deductive;
• Exploratory inductive.
Confirmative deductive
Confirmative deductive betekent dat wordt geredeneerd vanuit de theorie naar de data. Denk
bijvoorbeeld aan btw-percentages binnen een administratie. In een Nederlandse administratie
zouden we de percentages 0%, 9% of 21% verwachten. Dit betreft een verwachting vanuit ons kennis
over btw-percentages welke we gaan vergelijken met de data set. Dit betreft confirmative deductive.
Belangrijk: je leert niet van de data bij deductive!
Een voorbeeld van deductive is bijvoorbeeld:
‘Samantha knows that all machines exposed to high humidity are prone to electrical failures. Machine
A operates in a high-humidity environment. She concludes that Machine A is at risk of electric failure’
Exploratory inductive
Exploratory inductive redeneert tegenovergesteld van confirmative deductive. Hierbij kijken we
vanuit de dataset terug naar de theorie. Er wordt meer gefocust op de dataset, dan wat theoretisch
het antwoord zou moeten zijn. De focus ligt hierbij meer op patronen vinden in de dataset. Beide
vormen kunnen onderstaand samengevat worden in de ‘Wisdom Pyramid’. Belangrijk: je leert van
de data bij inductive!
Een voorbeeld van inductive is bijvoorbeeld:
‘You use a regression analysis to find out which factors (e.g., day of week, store size, discount) are
associated with total sales’.
Samenvatting
Data Science in Auditing
Nyenrode Business Universiteit
Master Accountancy
Collegejaar: 2025-2026
,Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Inleiding
Voor deze samenvatting is gebruikgemaakt van de volgende literatuur:
• Slides Data Science in Auditing;
• Cheatsheets Data Science in Auditing;
• Artikel: Push-left principle;
• Artikel: Statistiek voor Audit & Controlling.
Bij het studieonderdeel Data Science in Auditing (DSA) – en dus in deze samenvatting - zullen
de volgende onderwerpen behandeld worden:
• Introduction
o Confirmative Deductive & Exploratory Inductive
o Gartner’s framework
o Introductie Python
o Pythontermen
o Functions, conditions en visualization in Python
• Regressie & K-Nearest Neighbor
o Regressieanalyse
o K-Nearest Neighbor
o Confusionmatrix
o Prestatiemeting
o Toepassing in Python
• Bias-variance trade-off & alignment with standards
o Bias-variance trade-off
o Koppeling met standaarden
o Audit Sampling
o Hypothesis Testing
o Type I & Type II fouten
• AI
o AI-audits
o Vergelijking met financiële audits
o Fundamentele uitgangspunten
In deze samenvatting is alle theorie behandeld die volgens de weekplanning DSA als
tentamenstof staat voorgeschreven (gebaseerd op de slides van het vak). Wanneer theorie uit
de weekplanning niet wordt opgenomen in deze samenvatting zal dit hieronder te vinden zijn
onder de opmerkingen. Aangezien veel in dit vak in Engelse benamingen wordt aangeleerd, is
in deze samenvatting ook veel gebruik gemaakt van Engelse benamingen (tekst).
Maak naast deze samenvatting gebruik van de oefenopgaven zoals deze zijn voorgeschreven
in de weekplanning, en van het proeftentamen Data Science in Auditing (DSA).
Veel succes met de voorbereiding voor het tentamen!
,Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Inhoudsopgave
Hoofdstuk 1: Introduction ................................................................................................................ 4
1.1 Introduction to data science................................................................................................ 4
1.2 Introduction to Python ....................................................................................................... 5
1.3 Functions, conditions and data Visualization .........................................................................12
Hoofdstuk 2: Regression & K-Neareast Neighbore ...............................................................................16
2.1 Regression analyse...........................................................................................................16
2.2 K-Nearest Neighbors (KNN)................................................................................................23
2.3 Measures of model performance ........................................................................................27
Hoofdstuk 3: Bias-variance trade-off & alignment with standards ..........................................................32
3.1 Bias-variance trade off ......................................................................................................32
3.2 Alignment with the audit standards ....................................................................................40
3.3 Het Push-left principe .......................................................................................................45
Hoofdstuk 4: AI..............................................................................................................................48
4.1 AI-audits ........................................................................................................................48
, Samenvatting Data Science in Auditing (DSA) | AC-M-DSA | Master Accountancy | Nyenrode
Hoofdstuk 1: Introduction
1.1 Introduction to data science
Twee belangrijke begrippen bij data science betreffen:
• Confirmative deductive;
• Exploratory inductive.
Confirmative deductive
Confirmative deductive betekent dat wordt geredeneerd vanuit de theorie naar de data. Denk
bijvoorbeeld aan btw-percentages binnen een administratie. In een Nederlandse administratie
zouden we de percentages 0%, 9% of 21% verwachten. Dit betreft een verwachting vanuit ons kennis
over btw-percentages welke we gaan vergelijken met de data set. Dit betreft confirmative deductive.
Belangrijk: je leert niet van de data bij deductive!
Een voorbeeld van deductive is bijvoorbeeld:
‘Samantha knows that all machines exposed to high humidity are prone to electrical failures. Machine
A operates in a high-humidity environment. She concludes that Machine A is at risk of electric failure’
Exploratory inductive
Exploratory inductive redeneert tegenovergesteld van confirmative deductive. Hierbij kijken we
vanuit de dataset terug naar de theorie. Er wordt meer gefocust op de dataset, dan wat theoretisch
het antwoord zou moeten zijn. De focus ligt hierbij meer op patronen vinden in de dataset. Beide
vormen kunnen onderstaand samengevat worden in de ‘Wisdom Pyramid’. Belangrijk: je leert van
de data bij inductive!
Een voorbeeld van inductive is bijvoorbeeld:
‘You use a regression analysis to find out which factors (e.g., day of week, store size, discount) are
associated with total sales’.
