Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
Week 1 – Introductie
Waarom Data Science for Auditors?
Steeds meer data
Interne data versus externe data
Gestructureerde data versus ongestructureerde data
Steeds betere tools om data te analyseren en processen te modelleren
Excel, PowerBI
Alteryx, SPSS, SAS, KNIME
R, Python in combinatie met Juyter
Celonis, Disco, UIPath voor process mining
Steeds hogere toegevoegde waarde voor accountant
Kwaliteit van de audit
Efficiency van de audit
Steeds meer inzet van data in de accountantscontrole
Kantoren gaan steeds vaker steeds meer gebruik maken van data. Het is belangrijk dat de IT auditors
en de auditors niet te veel uit elkaar worden gedreven. Het is belangrijk om wat van de data af te
weten voor betere onderlinge communicatie. Door data analyse toe te voegen aan je
werkzaamheden kan je de toegevoegde waarde van jezelf aan de klant kan verhogen.
Het zwarte vlak is alle data in de wereld. Het is of interne data of externe data. Interne data = binnen
de systemin van de klanten die je controleert (emails, ERP systemen). Externe data is buiten de
systemen van de klant. Gestructureerde data is in tabellen, ongestructureerde data is zonder
opmaak. De data die het meest gebruikt wordt is interne gestructureerde data. Als je kijkt naar alle
data in de wereld is de intern gestructureerde data minder dan 1/miljoenste, een spel in de
hooiberg. Wij als accountant zijn in staat om dat druppeltje data te vinden. In de oceaan aan data
voor de accountant zit zoveel data maar we laten nu kansen liggen want onze focus is op de interne
systemen van de klant. Het is logisch dat we ons daarop richten want daarin valt veel te vinden en is
het toegankelijkst.
IAASB = International Auditing and Assurance Standards Board
,Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
Data science (definitie IAASB) = the quality of a financial statement audit can be enhanced by the
use of data analytics. Data analytics, when used to obtain audit evidence in a financial statement
audit, is the science and art of discovering and analyzing patterns, deviations and inconsistencies,
and extracting other useful information in the data underlying or related to the subject matter of an
audit through analysis, modeling and visualization for the purpose of planning or performing the
audit.
Audit standards and data-driven audit planning
Je moet niet als een kip zonder kop aan de slag gaan met de data. Voordat je met data aan de slag
gaat, moet je een plan maken. De volgende stappen worden behandeld:
1. Understanding the entity
2. Risk assessment
3. Risk response
a) Data analytics objectives, approach & tools
b) Integration into the audit plan
4. Determining data requirements
Casus: Havenbedrijf Rotterdam
Docent: Mona de Boer
Data engineering
Voordat je data kunt analyseren, moet je het uit systemen halen en preparen.
Data engineering = data uit systemen halen en preparen. De data zit in verschillende systemen. De
data moet uit de systemen worden gehaald en op elkaar aangesloten worden.
Het prepareren van de data is een ontzettend tijdrovend proces.
De volgende stappen van data engineering worden behandeld:
1. Data identification
2. Data extraction
3. Data quality check
4. Data transformation
Casus: Havenbedrijf Rotterdam
Docent: Galyna Ignatenko
Hypothesis testing, sampling, estimation
Er wordt ingegaan op fundamentale data-analysetechnieken die voor de accountant van groot
belang zijn: steekproeven, toetsen en schatten, en de bijbehorende ISA-standaarden.
Steekproeven (sampling): ISA 530
,Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
o Hoe kan je op basis van een steekproef een redelijke uitspraak doen over een populatie?
o Hoe kan je een optimale steekproefomvang bepalen?
o Hoe weet je of het steekproefrisico tot een aanvaardbaar niveau beperkt blijft?
Schatten (estimation) en toesten (hypothesis testing)
o Hoe kan je op basis van een steekproef een schatting maken met een bepaald
zekerheidsinterval?
o Hoe kan je een hypothese over een populatie toetsen?
Casus: Havenbedrijf Rotterdam
Docenten: Lucas Hoogduin en Marcel Boersma
Predictive analytics: regression analysis
Er wordt behandeld hoe je als accountant gebruik kunt maken van regressie-analyse aan de hand
van de standaard ISA 520. Vragen die hierbij aan de orde komen:
o Wat is correlatie?
o Hoe kun je met regressie-analyse een voorspellend model bouwen?
o Aan welke voorwaarden moet je dan voldoen?
o Hoe kan je toetsen of je model “goed” is?
Casus: American Airlines
Docenten: Lucas Hoogduin en Marcel Boersma
Data analyseren is Excel en dat is anders dan data science. Het is een verwachting opbouwen over
een variabele die op een andere manier tot je komt. Je kijkt of het op elkaar lijkt. Als het verschil te
groot is ga je hier verder op in.
Machine learning en fraud detection
Een nieuwe (hoewel, nieuwe) manier om voorspellende modellen te ontwikkelen is machine
learning. Hierbij gebruikt de accountant algoritmen die op basis van data getraind kunnen worden
om trends te voorspellen, afwijkingen te detecteren, gebeurtenissen en feiten te classificeren of in
een dataverzameling clusters te detecteren.
Onderwerpen die worden besproken:
o Wat is machine learning?
o Wat zijn veelgebruikte machine learning algoritmen?
o Hoe kan machine learning worden gebruikt om bijvoorbeeld fraude te detecteren?
, Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
Casus: tbd
Docenten: Auke Zijlstra + guests
Process mining
Data zit in een ERP systeem. 3 motorkappen verder is data die bij wordt gehouden in event locks op
het allerlaagste micro niveau. Process mining betekent dat je op het allerlaagste niveau opzoek gaat
naar events. Deze ga je intelligent analyseren en dan krijg je een plaatje van de processen binnen de
organisatie. Het is een kracht om de processen van je klant op een snelle manier in kaart te krijgen
en te analyseren.
Process mining = een techniek om de low-level transactiedata van ERP-systemen te analyseren en zo
de processen binnen een onderneming in kaart te brengen.
Onderwerpen die behandeld worden:
o Wat is process mining en waar kun je het voor gebruiken?
o Hoe kun je de “happy flow” in een proces in kaart brengen? Happy flow is de procesgang hoe
deze zou moeten zijn (donkerblauwe lijn). Alle andere blauwe lijnen zijn niet de happy flow maar
gebeuren dus wel eens.
o Wat zijn de belangrijkste tools en technieken voor process mining?
o Aan welke voorwaarden moet je voldoen?
Docent: Michael Werner
Advanced analytics & artificial intelligence
Week 1 – Introductie
Waarom Data Science for Auditors?
Steeds meer data
Interne data versus externe data
Gestructureerde data versus ongestructureerde data
Steeds betere tools om data te analyseren en processen te modelleren
Excel, PowerBI
Alteryx, SPSS, SAS, KNIME
R, Python in combinatie met Juyter
Celonis, Disco, UIPath voor process mining
Steeds hogere toegevoegde waarde voor accountant
Kwaliteit van de audit
Efficiency van de audit
Steeds meer inzet van data in de accountantscontrole
Kantoren gaan steeds vaker steeds meer gebruik maken van data. Het is belangrijk dat de IT auditors
en de auditors niet te veel uit elkaar worden gedreven. Het is belangrijk om wat van de data af te
weten voor betere onderlinge communicatie. Door data analyse toe te voegen aan je
werkzaamheden kan je de toegevoegde waarde van jezelf aan de klant kan verhogen.
Het zwarte vlak is alle data in de wereld. Het is of interne data of externe data. Interne data = binnen
de systemin van de klanten die je controleert (emails, ERP systemen). Externe data is buiten de
systemen van de klant. Gestructureerde data is in tabellen, ongestructureerde data is zonder
opmaak. De data die het meest gebruikt wordt is interne gestructureerde data. Als je kijkt naar alle
data in de wereld is de intern gestructureerde data minder dan 1/miljoenste, een spel in de
hooiberg. Wij als accountant zijn in staat om dat druppeltje data te vinden. In de oceaan aan data
voor de accountant zit zoveel data maar we laten nu kansen liggen want onze focus is op de interne
systemen van de klant. Het is logisch dat we ons daarop richten want daarin valt veel te vinden en is
het toegankelijkst.
IAASB = International Auditing and Assurance Standards Board
,Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
Data science (definitie IAASB) = the quality of a financial statement audit can be enhanced by the
use of data analytics. Data analytics, when used to obtain audit evidence in a financial statement
audit, is the science and art of discovering and analyzing patterns, deviations and inconsistencies,
and extracting other useful information in the data underlying or related to the subject matter of an
audit through analysis, modeling and visualization for the purpose of planning or performing the
audit.
Audit standards and data-driven audit planning
Je moet niet als een kip zonder kop aan de slag gaan met de data. Voordat je met data aan de slag
gaat, moet je een plan maken. De volgende stappen worden behandeld:
1. Understanding the entity
2. Risk assessment
3. Risk response
a) Data analytics objectives, approach & tools
b) Integration into the audit plan
4. Determining data requirements
Casus: Havenbedrijf Rotterdam
Docent: Mona de Boer
Data engineering
Voordat je data kunt analyseren, moet je het uit systemen halen en preparen.
Data engineering = data uit systemen halen en preparen. De data zit in verschillende systemen. De
data moet uit de systemen worden gehaald en op elkaar aangesloten worden.
Het prepareren van de data is een ontzettend tijdrovend proces.
De volgende stappen van data engineering worden behandeld:
1. Data identification
2. Data extraction
3. Data quality check
4. Data transformation
Casus: Havenbedrijf Rotterdam
Docent: Galyna Ignatenko
Hypothesis testing, sampling, estimation
Er wordt ingegaan op fundamentale data-analysetechnieken die voor de accountant van groot
belang zijn: steekproeven, toetsen en schatten, en de bijbehorende ISA-standaarden.
Steekproeven (sampling): ISA 530
,Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
o Hoe kan je op basis van een steekproef een redelijke uitspraak doen over een populatie?
o Hoe kan je een optimale steekproefomvang bepalen?
o Hoe weet je of het steekproefrisico tot een aanvaardbaar niveau beperkt blijft?
Schatten (estimation) en toesten (hypothesis testing)
o Hoe kan je op basis van een steekproef een schatting maken met een bepaald
zekerheidsinterval?
o Hoe kan je een hypothese over een populatie toetsen?
Casus: Havenbedrijf Rotterdam
Docenten: Lucas Hoogduin en Marcel Boersma
Predictive analytics: regression analysis
Er wordt behandeld hoe je als accountant gebruik kunt maken van regressie-analyse aan de hand
van de standaard ISA 520. Vragen die hierbij aan de orde komen:
o Wat is correlatie?
o Hoe kun je met regressie-analyse een voorspellend model bouwen?
o Aan welke voorwaarden moet je dan voldoen?
o Hoe kan je toetsen of je model “goed” is?
Casus: American Airlines
Docenten: Lucas Hoogduin en Marcel Boersma
Data analyseren is Excel en dat is anders dan data science. Het is een verwachting opbouwen over
een variabele die op een andere manier tot je komt. Je kijkt of het op elkaar lijkt. Als het verschil te
groot is ga je hier verder op in.
Machine learning en fraud detection
Een nieuwe (hoewel, nieuwe) manier om voorspellende modellen te ontwikkelen is machine
learning. Hierbij gebruikt de accountant algoritmen die op basis van data getraind kunnen worden
om trends te voorspellen, afwijkingen te detecteren, gebeurtenissen en feiten te classificeren of in
een dataverzameling clusters te detecteren.
Onderwerpen die worden besproken:
o Wat is machine learning?
o Wat zijn veelgebruikte machine learning algoritmen?
o Hoe kan machine learning worden gebruikt om bijvoorbeeld fraude te detecteren?
, Universiteit van Amsterdam - PMA Data Science for Auditors Quinty Cok
Casus: tbd
Docenten: Auke Zijlstra + guests
Process mining
Data zit in een ERP systeem. 3 motorkappen verder is data die bij wordt gehouden in event locks op
het allerlaagste micro niveau. Process mining betekent dat je op het allerlaagste niveau opzoek gaat
naar events. Deze ga je intelligent analyseren en dan krijg je een plaatje van de processen binnen de
organisatie. Het is een kracht om de processen van je klant op een snelle manier in kaart te krijgen
en te analyseren.
Process mining = een techniek om de low-level transactiedata van ERP-systemen te analyseren en zo
de processen binnen een onderneming in kaart te brengen.
Onderwerpen die behandeld worden:
o Wat is process mining en waar kun je het voor gebruiken?
o Hoe kun je de “happy flow” in een proces in kaart brengen? Happy flow is de procesgang hoe
deze zou moeten zijn (donkerblauwe lijn). Alle andere blauwe lijnen zijn niet de happy flow maar
gebeuren dus wel eens.
o Wat zijn de belangrijkste tools en technieken voor process mining?
o Aan welke voorwaarden moet je voldoen?
Docent: Michael Werner
Advanced analytics & artificial intelligence
