Hoofdstuk 1: Introductie
KU Leuven · HIR/TEW – Accounting & Finance
1. Waarom Data Analytics?
De wereld produceert meer data dan ooit tevoren. Data analytics is daarmee niet langer een luxe,
maar een strategische noodzaak, zeker voor accountants en financiële professionals.
1.1 De cijfers spreken voor zich
Waarom data analytics nu zo belangrijk is
Datavolume: Tegen 2027 zal het wereldwijde datavolume meer dan verdubbelen t.o.v. de 129
zettabytes in 2023. Groei van data is exponentieel.
CEO's: Meer dan 80% van de CEO's (PwC Global CEO Survey) beschouwt data analytics als
een cruciale strategische rol in hun organisatie.
Economische waarde: Data en analytics leveren wereldwijd tussen $9,5 en $15,4 biljoen aan
economische waarde per jaar (McKinsey Global Institute).
Regelgevers: Verwachten steeds vaker data-gedreven controle en rapportering: continuous
auditing, ESG-reporting, fraudedetectie.
Arbeidsmarkt: Data analytics behoort tot de meest gevraagde vaardigheden in finance- en
accountingprofielen.
1.2 Impact per vakgebied
Data analytics transformeert drie centrale domeinen binnen de accountancy:
Domein Wat verandert er? Concreet voorbeeld
Financial Accounting 1. Nauwkeurigere schattingen Betere inschatting van dubieuze
(Financiële debiteuren, afschrijvingen,
verslaggeving) waardevermindering op basis van
historische patronen.
2. Consistente toepassing van Automatische detectie van
verslaggevingsregels en snellere ongebruikelijke boekingen of
detectie van afwijkingen en fraude. incorrecte classificaties.
Auditing 1. Verhoogde auditkwalitiet door Analyse van volledige populaties
kwalitatievere en diepgaandere i.p.v. steekproeven.
controles
2. Beter begrip van bedrijfsmodel Due diligence bij M&A, ESG
en risico's, wat toelaat om een assurance, continue
duurzame klantenrelatie uit te auditrapporten.
, bouwen en aanvullende diensten
aan te bieden.
Management Betere kostenbeheersing, Predictieve modellen voor
Accounting nauwkeurigere forecasts en productieplanning en
budgetten, onderbouwde verkoopsforecast.
strategische beslissingen.
2. Wat is Data Analytics?
2.1 Definitie
Definitie: Data analytics is het systematisch analyseren van data om specifieke businessvragen
te beantwoorden en beslissingen te verbeteren.
De essentie van data analytics steunt op vier pijlers:
• Vertrekt altijd vanuit een duidelijke, empirisch te beantwoorden vraag.
• Gebruikt data om onderbouwde inschattingen te maken.
• Identificeert patronen en relaties in de data.
• Het uiteindelijke doel is altijd: betere beslissingen nemen.
2.2 Voorbeeld: De Investeringsbeslissing
Een business angel overweegt €100.000 te investeren in een start-up. Hij weet niet of de startup
succesvol zal zijn, maar schat de kansen in:
Situatie Berekening verwachte waarde
Kans op succes: 40% EV (investeren) = 0,4 × 300.000 + 0,6 × (–
Kans op falen: 60% 100.000)
Winst bij succes: +€300.000 = 120.000 – 60.000 = +€60.000
Verlies bij falen: -€100.000 EV (niet investeren) = €0
→ Rationeel: investeer, want EV > 0
In de praktijk moeten zowel de kansen als de verwachte opbrengsten worden ingeschat. Hier
speelt data analytics een cruciale rol: het helpt menselijke vertekeningen te verminderen.
Cognitieve vertekeningen (Cognitive Biases)
Beslissingen gebaseerd op intuïtie kunnen systematisch vertekend zijn:
• Loss aversion: verliezen wegen psychologisch zwaarder door dan winsten van dezelfde
omvang.
• Recency bias: recente gebeurtenissen krijgen te veel gewicht in onze beoordeling.
• Overconfidence bias: te veel vertrouwen in het eigen oordeel en de eigen inschatting.
, Data analytics helpt met betere inschattingen van kansen en verwachte kasstromen mits
het model zorgvuldig wordt ontworpen en kritisch geëvalueerd.
2.3 Big Data: De 4 V's
Big Data verwijst naar datasets waarvan de omvang, snelheid of complexiteit traditionele
analysemethoden overstijgt. Je onthoudt de kenmerken via de 4 V's:
Letter Begriff (NL/EN) Uitleg
V1 — Volume Omvang / Volume De hoeveelheid data die gegenereerd en opgeslagen
wordt. Denk aan miljoenen transacties per dag.
V2 — Velocity Snelheid / Speed De snelheid waarmee data worden gegenereerd én
verwerkt. Realtime streaming vs. dagelijkse batch-
verwerking.
V3 — Variety Verscheidenheid / De verschillende types data: gestructureerd (tabellen),
Variety ongestructureerd (tekst, video, afbeeldingen), semi-
gestructureerd (JSON, XML).
V4 — Veracity Validiteit / De betrouwbaarheid en kwaliteit van de data. Foute of
Reliability incomplete data leidt tot verkeerde conclusies.
3. Het IMPACT-Model
Het IMPACT-model is het centrale raamwerk voor
data analytics. Het beschrijft zes opeenvolgende
stappen die leiden van een ruwe businessvraag
naar concrete, geïmplementeerde inzichten. Het is
een cyclisch model: na stap 6 kan je opnieuw
beginnen met bijgestelde vragen.
Bron: Isson, J.P. & Harriott, J.S. Win with Advanced
Business Analytics (Wiley, 2013).
# Stap (EN / NL) Wat doe je in deze stap?
I Identify the Questions Begrijp het businessprobleem. Formuleer een scherpe,
empirisch te beantwoorden vraag. Bepaal voor wie je analyseert
en welke databronnen je nodig hebt.
M Master the Data Weet welke data beschikbaar is en ken de betekenis van de data
(data dictionary). Voer het ETL-proces uit (Extract, Transform,
Load). Valideer, normaliseer en clean de data.
, P Perform the Test Plan Selecteer een geschikt analytisch model (classificatie, regressie,
clustering, …) en voer de analyses uit.
A Address & Refine Identificeer tekortkomingen, formuleer aanvullende
Results onderzoeksvragen en herhaal analyses waar nodig.
C Communicate Insights Presenteer bevindingen via dashboards, rapporten of
managementsamenvattingen aangepast aan de doelgroep.
T Track Outcomes Monitor de impact van de analyse in de tijd.
Met welke frequentie wordt de analyse herhaald? Wijzigen de
uitkomsten in de tijd? Kunnen structurele trends worden
vastegeld?
3.1 Stap 1: Identify the Questions
Dit is de meest bepalende stap: een slecht geformuleerde vraag leidt tot nutteloze analyses.
Aandachtspunten bij het formuleren van de vraag:
• Is de vraag empirisch te beantwoorden met beschikbare data?
• Is de probleemstelling voldoende scherp afgebakend?
• Voor wie worden de resultaten geanalyseerd en gerapporteerd?
• Welke databronnen zijn nodig?
Voorbeeldvragen die accountants stellen en met data beantwoord kunnen worden
• Omzeilen werknemers de interne controles rond betalingen?
• Zijn er verdachte reis- en representatiekosten?
• Betalen onze klanten tijdig?
• Hoe kunnen we de voorziening voor kredietverliezen op bankleningen voorspellen?
• Wie autoriseert betalingen boven €100.000?
• Hoe kunnen fouten systematisch worden opgespoord?
3.2 Stap 2: Master the Data
Je moet weten welke data beschikbaar is en hoe ze gekoppeld kan worden aan het probleem. Er
zijn 7 aandachtspunten:
• Data beschikbaar in interne systemen (ERP, boekhoudsysteem, enz.)
• Data beschikbaar in externe netwerken en datawarehouses
• Raadpleeg Data Dictionaries: beschrijvingen van variabelen en definities
• Evalueer en voer het ETL-proces uit: Extract → Transform → Load
• Valideer en controleer de volledigheid van de data
• Normalisatie en standaardisatie van data
• Datapreparatie en data cleaning
KU Leuven · HIR/TEW – Accounting & Finance
1. Waarom Data Analytics?
De wereld produceert meer data dan ooit tevoren. Data analytics is daarmee niet langer een luxe,
maar een strategische noodzaak, zeker voor accountants en financiële professionals.
1.1 De cijfers spreken voor zich
Waarom data analytics nu zo belangrijk is
Datavolume: Tegen 2027 zal het wereldwijde datavolume meer dan verdubbelen t.o.v. de 129
zettabytes in 2023. Groei van data is exponentieel.
CEO's: Meer dan 80% van de CEO's (PwC Global CEO Survey) beschouwt data analytics als
een cruciale strategische rol in hun organisatie.
Economische waarde: Data en analytics leveren wereldwijd tussen $9,5 en $15,4 biljoen aan
economische waarde per jaar (McKinsey Global Institute).
Regelgevers: Verwachten steeds vaker data-gedreven controle en rapportering: continuous
auditing, ESG-reporting, fraudedetectie.
Arbeidsmarkt: Data analytics behoort tot de meest gevraagde vaardigheden in finance- en
accountingprofielen.
1.2 Impact per vakgebied
Data analytics transformeert drie centrale domeinen binnen de accountancy:
Domein Wat verandert er? Concreet voorbeeld
Financial Accounting 1. Nauwkeurigere schattingen Betere inschatting van dubieuze
(Financiële debiteuren, afschrijvingen,
verslaggeving) waardevermindering op basis van
historische patronen.
2. Consistente toepassing van Automatische detectie van
verslaggevingsregels en snellere ongebruikelijke boekingen of
detectie van afwijkingen en fraude. incorrecte classificaties.
Auditing 1. Verhoogde auditkwalitiet door Analyse van volledige populaties
kwalitatievere en diepgaandere i.p.v. steekproeven.
controles
2. Beter begrip van bedrijfsmodel Due diligence bij M&A, ESG
en risico's, wat toelaat om een assurance, continue
duurzame klantenrelatie uit te auditrapporten.
, bouwen en aanvullende diensten
aan te bieden.
Management Betere kostenbeheersing, Predictieve modellen voor
Accounting nauwkeurigere forecasts en productieplanning en
budgetten, onderbouwde verkoopsforecast.
strategische beslissingen.
2. Wat is Data Analytics?
2.1 Definitie
Definitie: Data analytics is het systematisch analyseren van data om specifieke businessvragen
te beantwoorden en beslissingen te verbeteren.
De essentie van data analytics steunt op vier pijlers:
• Vertrekt altijd vanuit een duidelijke, empirisch te beantwoorden vraag.
• Gebruikt data om onderbouwde inschattingen te maken.
• Identificeert patronen en relaties in de data.
• Het uiteindelijke doel is altijd: betere beslissingen nemen.
2.2 Voorbeeld: De Investeringsbeslissing
Een business angel overweegt €100.000 te investeren in een start-up. Hij weet niet of de startup
succesvol zal zijn, maar schat de kansen in:
Situatie Berekening verwachte waarde
Kans op succes: 40% EV (investeren) = 0,4 × 300.000 + 0,6 × (–
Kans op falen: 60% 100.000)
Winst bij succes: +€300.000 = 120.000 – 60.000 = +€60.000
Verlies bij falen: -€100.000 EV (niet investeren) = €0
→ Rationeel: investeer, want EV > 0
In de praktijk moeten zowel de kansen als de verwachte opbrengsten worden ingeschat. Hier
speelt data analytics een cruciale rol: het helpt menselijke vertekeningen te verminderen.
Cognitieve vertekeningen (Cognitive Biases)
Beslissingen gebaseerd op intuïtie kunnen systematisch vertekend zijn:
• Loss aversion: verliezen wegen psychologisch zwaarder door dan winsten van dezelfde
omvang.
• Recency bias: recente gebeurtenissen krijgen te veel gewicht in onze beoordeling.
• Overconfidence bias: te veel vertrouwen in het eigen oordeel en de eigen inschatting.
, Data analytics helpt met betere inschattingen van kansen en verwachte kasstromen mits
het model zorgvuldig wordt ontworpen en kritisch geëvalueerd.
2.3 Big Data: De 4 V's
Big Data verwijst naar datasets waarvan de omvang, snelheid of complexiteit traditionele
analysemethoden overstijgt. Je onthoudt de kenmerken via de 4 V's:
Letter Begriff (NL/EN) Uitleg
V1 — Volume Omvang / Volume De hoeveelheid data die gegenereerd en opgeslagen
wordt. Denk aan miljoenen transacties per dag.
V2 — Velocity Snelheid / Speed De snelheid waarmee data worden gegenereerd én
verwerkt. Realtime streaming vs. dagelijkse batch-
verwerking.
V3 — Variety Verscheidenheid / De verschillende types data: gestructureerd (tabellen),
Variety ongestructureerd (tekst, video, afbeeldingen), semi-
gestructureerd (JSON, XML).
V4 — Veracity Validiteit / De betrouwbaarheid en kwaliteit van de data. Foute of
Reliability incomplete data leidt tot verkeerde conclusies.
3. Het IMPACT-Model
Het IMPACT-model is het centrale raamwerk voor
data analytics. Het beschrijft zes opeenvolgende
stappen die leiden van een ruwe businessvraag
naar concrete, geïmplementeerde inzichten. Het is
een cyclisch model: na stap 6 kan je opnieuw
beginnen met bijgestelde vragen.
Bron: Isson, J.P. & Harriott, J.S. Win with Advanced
Business Analytics (Wiley, 2013).
# Stap (EN / NL) Wat doe je in deze stap?
I Identify the Questions Begrijp het businessprobleem. Formuleer een scherpe,
empirisch te beantwoorden vraag. Bepaal voor wie je analyseert
en welke databronnen je nodig hebt.
M Master the Data Weet welke data beschikbaar is en ken de betekenis van de data
(data dictionary). Voer het ETL-proces uit (Extract, Transform,
Load). Valideer, normaliseer en clean de data.
, P Perform the Test Plan Selecteer een geschikt analytisch model (classificatie, regressie,
clustering, …) en voer de analyses uit.
A Address & Refine Identificeer tekortkomingen, formuleer aanvullende
Results onderzoeksvragen en herhaal analyses waar nodig.
C Communicate Insights Presenteer bevindingen via dashboards, rapporten of
managementsamenvattingen aangepast aan de doelgroep.
T Track Outcomes Monitor de impact van de analyse in de tijd.
Met welke frequentie wordt de analyse herhaald? Wijzigen de
uitkomsten in de tijd? Kunnen structurele trends worden
vastegeld?
3.1 Stap 1: Identify the Questions
Dit is de meest bepalende stap: een slecht geformuleerde vraag leidt tot nutteloze analyses.
Aandachtspunten bij het formuleren van de vraag:
• Is de vraag empirisch te beantwoorden met beschikbare data?
• Is de probleemstelling voldoende scherp afgebakend?
• Voor wie worden de resultaten geanalyseerd en gerapporteerd?
• Welke databronnen zijn nodig?
Voorbeeldvragen die accountants stellen en met data beantwoord kunnen worden
• Omzeilen werknemers de interne controles rond betalingen?
• Zijn er verdachte reis- en representatiekosten?
• Betalen onze klanten tijdig?
• Hoe kunnen we de voorziening voor kredietverliezen op bankleningen voorspellen?
• Wie autoriseert betalingen boven €100.000?
• Hoe kunnen fouten systematisch worden opgespoord?
3.2 Stap 2: Master the Data
Je moet weten welke data beschikbaar is en hoe ze gekoppeld kan worden aan het probleem. Er
zijn 7 aandachtspunten:
• Data beschikbaar in interne systemen (ERP, boekhoudsysteem, enz.)
• Data beschikbaar in externe netwerken en datawarehouses
• Raadpleeg Data Dictionaries: beschrijvingen van variabelen en definities
• Evalueer en voer het ETL-proces uit: Extract → Transform → Load
• Valideer en controleer de volledigheid van de data
• Normalisatie en standaardisatie van data
• Datapreparatie en data cleaning
