Dit is wat data science voor (interne) audits oplevert

Auditors krijgen steeds meer te maken met digitale data, soms in grote hoeveelheden. Welke mogelijkheden liggen er om daarmee het auditproces te optimaliseren – en waar liggen de uitdagingen? Hoogleraar Edo Roos Lindgreen vertelt hoe (interne) auditors data science effectief kunnen inzetten.

“De afgelopen tien jaar hebben zich enorme technologische veranderingen voorgedaan op het terrein van data. Er zijn steeds grotere hoeveelheden digitale gegevens beschikbaar en de systemen om deze data te verzamelen, verwerken en analyseren zijn veel beter geworden”, zegt Edo Roos Lindgreen, hoogleraar data science in auditing aan de Amsterdam Business School van de Universiteit van Amsterdam.

“Accountants en (interne) auditors voeren nog veel handmatige controles uit. Maar door een slim gebruik van data kunnen audits sneller worden afgerond – en leveren ze meer inzichten op. Data science is hierbij het aangewezen instrument. Auditors kunnen met kennis van data science dus in kortere tijd een betere controle uitvoeren.”

Wat is data science precies?

Welke soorten data-analyse zijn er? Wat gebeurt er op het vlak van predictive analytics, data engineering en visualisatie van data? Welke rol speelt data-ethiek in het werk van auditors? Het zijn vragen waarop Roos Lindgreen – samen met andere gerenommeerde academici en topprofessionals van onder meer PwC, KPMG, Rabobank en Shell – in de Masterclass de antwoorden geeft. Daarbij wordt steeds de verbinding gelegd tussen wetenschappelijke inzichten en de dagelijkse werkpraktijk van interne auditors, IT auditors en controllers.

Laagdrempelig

“Data science is veel laagdrempeliger dan mensen doorgaans denken”, licht Roos Lindgreen toe, die zelf jarenlang bij KPMG werkte voordat hij hoogleraar werd. “Er zijn heel praktische tools en technieken om inzichten uit data te halen. Daarmee gaan we in de Masterclass ook daadwerkelijk aan de slag. Bijvoorbeeld aan de hand van praktische voorbeelden in de programmeertalen R, Python en Knime.”

Speciaal voor de Masterclass ontwikkelde de Universiteit van Amsterdam een unieke online leeromgeving waarin de deelnemers met concrete cases kunnen oefenen. “Deelnemers kunnen dan op een speelse manier ervaren hoe programmeren werkt in praktijk. We laten zien dat het niet ingewikkeld is om bijvoorbeeld een dataset in te lezen, data te bewerken voor analyse en een inzichtelijke visualisatie van data te maken. We willen echt de vrees wegnemen voor datatechnologie: veel auditors er zijn onwennig over, of ze zijn bang dat het heel moeilijk is, en beginnen er daardoor niet mee.” Dat is eeuwig zonde, vindt Roos Lindgreen. “Er ligt een hele wereld aan data en technologie die de moeite waard is om ontdekt te worden.”

Basics om effectief te communiceren met experts

In de Masterclass Data science voor (interne) auditors komt een scala aan onderwerpen aan bod waarmee auditors in hun werkpraktijk aan de slag kunnen. “Hoe kan je een data-driven auditplan opstellen? Hoe kan je bepalen welke data nodig zijn? Hoe kan je de gegevens uit verschillende gestructureerde databases ophalen en in een nieuwe uniforme dataset wegzetten (een proces dat in data science bekend staat als Extraction, Transformation and Load, of kortweg ETL)? Hoe kan je data op zo’n manier visualiseren dat je er waardevolle inzichten kunt uithalen?”, somt Roos Lindgreen op. Ook de basics van programmeren en statistiek komen aan bod. Net als actuele thema’s zoals fraudedetectie, machine learning en kunstmatige intelligentie.

“Natuurlijk kunnen we auditors niet in vier lesdagen tot data science experts omscholen”, zegt Roos Lindgreen. “Maar we kunnen auditors wel het vocabulaire van data scientists bijbrengen – en de basics van het werk dat zij doen en de programmeertalen die zij gebruiken. Op die manier kunnen auditors effectief met data science specialisten communiceren, de juiste vragen stellen en de noodzakelijke specialistische expertise betrekken bij auditplannen.” Met de kennis uit de Masterclass kunnen auditors bijvoorbeeld een onderscheid maken tussen text mining, dat waardevolle informatie uit grote hoeveelheden data haalt, en process mining, dat gestructureerde data gebruikt om processen van begin tot einde in kaart te brengen.

Data-driven auditing

Wat moeten auditors zeker weten als het gaat om data science? “Het belangrijkste bij de toepassing van data science in het auditproces is om te bepalen wat je precies wilt weten voordat je met data aan de slag gaat. Welke hypothese wil je toetsen, of welke kpi wil je meten?”, vertelt Roos Lindgreen. “De volgende opgave is om een praktisch plan te maken, waarbij je rekening houdt met de mogelijkheden van data-analyse.” Tijdens de Masterclass Data science voor (interne) auditors werken de deelnemers een eigen data-driven auditplan uit.

Ga gewoon met data science werken, is de oproep van Roos Lindgreen aan auditors. “Ga bijvoorbeeld het gesprek aan met de data scientists in je organisatie, zodat zij kunnen meedenken over je data-driven auditplan. Maar kom ook gewoon zelf in actie, want er zijn heel veel activiteiten waarvoor je eigenlijk geen expert nodig hebt. Je kunt bijvoorbeeld zelf visualisaties maken, of een model bouwen dat voorspellingen doet. Data science is uiteindelijk veel gemakkelijker toepasbaar dan de meeste mensen denken.”