Het auditlandschap is in ontwikkeling. Data is key. Maar zijn auditors in staat om deze revolutie bij te benen? Een stappenplan zodat je niet verdwaalt in een technologisch doolhof.

Edo Roos Lindgreen wijst al jaren op een zogeheten paradigmaverschuiving in auditing. De hoogleraar Data Science in Auditing aan de Universiteit van Amsterdam laat weten dat er steeds meer nadruk op een data-gedreven aanpak komt te liggen. Het inmiddels welbekende data-analyse.

Edo Roos Lindgren vertelt op Linkedin dat de hoeveelheid beschikbare data sterk is tegenomen. ‘De auditor heeft veel meer data tot zijn beschikking dan vroeger – niet langer alleen interne, gestructureerde data, zoals in een ERP-systeem, maar ook gestructureerde en ongestructureerde data uit externe bronnen die veelal openbaar toegankelijk zijn. Daarnaast komen er steeds krachtiger tools en technieken om die gegevens te kunnen analyseren: van zeer gebruiksvriendelijke statistische analysetools tot geavanceerde algoritmen op basis van machine learning.’

Uit onderzoek van onder andere Wang en Cuthbertson blijkt dat auditors achterblijven bij het adopteren van data-analyse, geautomatiseerde audit tools en algoritmen. Oorzaken zijn onder meer een gebrek aan kennis en vaardigheden, het ontbreken van infrastructuur en tools en een gebrek aan innovatiedrang.

Roos Lindgreen geeft vijf stappen voor een data-driven audits.

 Stap 1: Investeer in kennis en vaardigheden

‘Het analyseren van data vereist specifieke kennis en vaardigheden die nu vaak nog ontbreken. Dit obstakel is relatief makkelijk te overwinnen. Veel auditteams nemen op dit moment dataspecialisten aan: econometristen, biologen, zelfs psychologen, die in hun opleiding hebben geleerd om grote datasets te analyseren. Maar zonder auditvaardigheden heb je weinig aan die specialistische kennis. Om data scientists effectief in audits in te kunnen zetten, is het noodzakelijk dat de auditor zelf over enige kennis op het gebied van data science beschikt en ook de taal van de data scientist spreekt.’

Stap 2: Investeer in infrastructuur en tools

‘De volgende stap is het investeren in de infrastructuur en tooling die nodig zijn om data te kunnen analyseren. Groot hoeft die investering niet te zijn. Met open source programmeeromgevingen voor bijvoorbeeld R en Python kom je een heel eind. Deze omgevingen bieden een zeer krachtig en veelzijdig analyseplatform met uitgebreide packages voor analyse, machine learning en visualisatie. Ze zijn relatief gemakkelijk te leren via online learning omgevingen zoals Coursera of Datacamp. Als het budget het toelaat, kan je investeren in commerciële analysesoftware als SAS, SPSS, Cognos, Tableau of een van de vele andere opties die de markt te bieden heeft. Dat maakt de analyses waarschijnlijk net iets makkelijker en de visualisaties net iets mooier.’

Stap 3: Stel de goede vraag, vind en ontsluit de data

‘Voor data-analyse is het stellen van de goede vraag essentieel, net als het vinden en ontsluiten van data. Vaak kun je die data heel dichtbij vinden, in je eigen organisatie. Maar even vaak blijk je openbare databronnen te kunnen gebruiken, die je extra informatie en zekerheid in je audit kunnen geven. Het ontsluiten en prepareren van data is niet altijd een sinecure. In die gevallen is het inschakelen van een ETL-specialist de makkelijkste weg. Deze zorgt ervoor dat data uit verschillende bronnen en in verschillende formaten wordt samengevoegd tot één homogeen, analyseerbaar bestand.’

Stap 4: Maak de toegevoegde waarde van data-analyse zichtbaar

‘Toegegeven, dit is niet de makkelijkste stap. In disciplines als marketing of logistiek is de toegevoegde waarde van data-analyse direct duidelijk. Een goede analyse kan daar snel leiden tot een stijging van de omzet of een verlaging van de verwerkingssnelheid. Bij auditing is die businesscase vaak minder scherp. Data-analyse kost tijd en moeite, maar wat levert het op? Het effect op de effectiviteit van de audit is doorgaans positief. Door meer data te gebruiken, stijgt de kwaliteit van de audit. Maar het effect op efficiency is minder duidelijk. Data-analyse zelf is misschien efficiënter dan handmatig controleren, maar kan ook leiden tot meer bevindingen, waar dan weer opvolging aan gegeven moet worden. De belangrijkste kracht is dat data-analyse nieuwe inzichten kan geven in de kwaliteit van de bedrijfsvoering, inzichten waar de organisatie haar voordeel mee kan doen. Maak die toegevoegde waarde zoveel mogelijk zichtbaar en meetbaar om de inzet van data-analyse in toekomstige audits te stimuleren.’

Stap 5: Durf te experimenteren

‘Even generaliseren: in vergelijking met hun peers in andere disciplines zijn veel auditors voorzichtig of zelfs behoudend van karakter. Auditors gaan niet over één nacht ijs, houden niet van vervelende verrassingen, houden zich graag aan regels, zijn dol op plannen en documenteren, en trekken geen conclusies zonder hard bewijsmateriaal. Deze karaktereigenschappen zijn niet verrassend; auditors hebben immers niet voor niets voor het auditvak gekozen. Ook hebben veel auditors niet altijd een vanzelfsprekende affiniteit met technologie; logisch, anders waren ze waarschijnlijk wel een bètavak gaan studeren. Desgevraagd geven auditors zelf aan: wij zijn niet de beroepsgroep met de hoogste risk appetite en technology savviness. Iets om rekening mee te houden bij het invoeren van nieuwe audittechnieken op basis van data science. Wie te hard wil gaan, komt vaak van een koude kermis thuis.’