Big data analytics : mogelijk gebruik in de controle van de jaarrekening

Bachelorthesis Bsc Accountancy & Control

Stijn Bonder 10793755

Begeleider

Dhr. A.T.A. Koet RA

25-6-2018

Woorden: 9561

Big data analytics

Mogelijk gebruik in de controle van de

Statement of originality

This document is written by Student Stijn Bonder who declares to take full responsibility for the contents of this document. I declare that the text and the work presented in this document is original and that no sources other than those mentioned in the text and its references have been used in creating it. The Faculty of Economics and Business is responsible solely for the supervision of completion of the work, not for the contents.

Inhoudsopgave

Abstract ... 3

1. Inleiding ... 4

2. Theoretisch kader ... 5

2.1. De rol van de auditor bij de financial audit ... 5

2.2. Big data ... 8

2.3. Data analytics ... 9

3. Literatuuronderzoek ... 10

3.1. Big data analytics: tools voor de audit ... 10

3.1.1. Fraude en grote fouten ... 11

3.1.2. Voorspellende kracht ... 14

3.1.3. Correlatie, onafhankelijke benchmark en visualisatie ... 15

3.2. Data-uitdagingen ... 17

3.3. Obstakels van big data analytics ... 20

3.3.1. Scholing en bevooroordeeldheid ... 20

3.3.2. Causaliteit versus correlatie ... 22

3.3.3. Auditingstandaarden en big data analytics ... 22

4. Conclusie en discussie ... 24

Abstract

In dit onderzoek is onderzocht in hoeverre big data analytics zorgt voor een betere controle van de jaarrekening. Door de big 4 accountantskantoren wordt geclaimd dat big data analytics ze gaat helpen bij de audit. Deze claims zijn niet gebaseerd op wetenschappelijk onderzoek, terwijl er wel degelijk wetenschappelijk onderzoek omtrent het onderwerp

verschenen is. Uit deze literatuurstudie van wetenschappelijk onderzoek kan geconcludeerd worden dat big data analytics momenteel niet gebruikt kan worden in de audit. Er is nog onvoldoende wetenschappelijk onderzoek dat heeft aangetoond dat big data analytics gebruikt kan worden om meer zekerheid te geven en er zijn een groot aantal problemen die het gebruik van big data analytics op dit moment belemmeren. Er is veel meer

wetenschappelijk onderzoek nodig waarin claims dat big data analytics gebruikt kan worden bij accountantsonderzoek ondersteunt. Dit onderzoek is belangrijk omdat een synthese van de literatuur omtrent big data analytics en de jaarverslaggeving niet eerder gemaakt is en is van belang voor wetenschappers en auditors.

1. Inleiding

In Augustus 2014 publiceerde de American Institute of Certified Public Accountants (AICPA) een paper waarin gekeken wordt naar de manier waarop een audit zou worden ontworpen als nu de eerste audit ooit gedaan zou worden (2014). Volgens de AICPA (2014) zou er ongetwijfeld gebruik gemaakt worden van moderne technologie. IT wordt binnen de huidige auditingpraktijk al gebruikt om bestaande processen efficiënter te laten verlopen: zo zijn leden van het auditteam breder inzetbaar doordat zij met smartphones en laptops vanuit meerdere plaatsen tegelijk kunnen werken en zijn mensen met een specifieke expertise op meerdere audits tegelijk inzetbaar (American Institute of Certified Public Accountants, 2014) Bijvoorbeeld, een statistiekspecialist kan ingezet worden bij een audit in Amsterdam maar ook in Adelaide (American Institute of Certified Public Accountants, 2014). IT wordt dus momenteel gebruikt om de bestaande processen van de audit efficiënter te maken, maar nog niet om de processen te veranderen of vervangen. Daarom moet er een reuzenstap gemaakt worden met de invoering van IT in auditing, een van de manieren waarmee dit kan is volgens de AICPA (2014) door middel van big data analytics.

Onlangs publiceerden alle big 4 accountantskantoren hun visie over de audit van de toekomst. Volgens EY (2015) zal de manier waarop audits gedaan worden drastisch veranderen door de evolutie van technologie en analyse van data. Zij stellen dat het gebruik van data analytics leidt tot beter inzicht en meer zekerheid, omdat het ervoor zorgt dat er geen steekproeven meer nodig zijn, maar dat de hele populatie geanalyseerd kan worden. Dit zou zorgen voor een hele grote verandering binnen de auditingpraktijk. PWC (2015, p. 9) voegt daaraan toe dat er meer tools komen om data te analyseren en dat er meer soorten data van het gecontroleerde bedrijf, met name niet-financiële data zoals foto’s of mails, gebruikt kunnen worden voor analyse. Volgens de accountantskantoren gaat data analytics en het gebruik van big data zorgen voor een betere audit van de accountant.

Aan de claims van de big 4 ligt nog geen wetenschappelijk onderzoek ten grondslag, er wordt in ieder geval niet verwezen naar wetenschappelijk onderzoek. Desalniettemin zijn over het onderwerp big data analytics wel degelijk onderzoeken verschenen. Om de claims van de big 4 te analyseren, is het van belang om aan te geven wat big data analytics precies is.

In dit onderzoek wordt onderzocht in hoeverre big data analytics zorgt voor een betere controle van de jaarrekening door de auditor. Dit wordt onderzocht door middel van een literatuuronderzoek met daarin een analyse van de al verschenen wetenschappelijke literatuur over big data analytics en de financial audit. Dit artikel is interessant voor de wetenschap, omdat er een synthese wordt gemaakt van de bestaande literatuur, maar ook

voor de auditor: er lijkt nog veel te winnen op het gebied van het gebruik van data analytics in de audit van de jaarrekening.

In het vervolg van dit onderzoek wordt allereerst een theoretisch kader gegeven, waarin eerst de rol van de auditor bij de financial audit en de verschillende fasen van de audit worden uitgelegd. Daarnaast worden zowel de begrippen big data als data analytics uitgelegd en wordt er een relatie gelegd tussen deze begrippen. In het literatuuronderzoek wordt op basis van wetenschappelijk onderzoek een analyse gemaakt van big data analytics in de financial audit. Hierbij wordt eerst onderzocht wat de mogelijkheden van big data analytics en mogelijke methoden in de audit zijn. Vervolgens wordt geanalyseerd wat de data-uitdagingen zijn en of er problemen voor het gebruik van big data analytics bij een controle van de jaarrekening zijn. Ten slotte wordt er een conclusie en discussie gegeven.

2. Theoretisch kader

In het theoretisch kader wordt verduidelijking gegeven van belangrijke begrippen die nodig zijn voor het beantwoorden van de hoofdvraag: in hoeverre zorgt het gebruik van big data analytics voor een betere controle van de jaarrekening door de auditor. Allereerst wordt de rol van de auditor bij de controle van de jaarrekening besproken. Dit wordt gedaan aan de hand van de vier fasen van de audit. Vervolgens wordt besproken wat big data analytics precies is. Hierbij wordt gekeken naar big data, naar data analytics en naar de relatie van deze twee termen. Het is van belang dat deze begrippen verduidelijkt worden, voordat in paragraaf drie het literatuuronderzoek gedaan kan worden.

2.1. De rol van de auditor bij de financial audit

In deze paragraaf wordt de rol van de accountant behandeld. In het vervolg van dit onderzoek worden zowel de termen accountant als auditor gebruikt, hiermee wordt hetzelfde bedoeld. Er wordt een kort overzicht van de controle van de jaarrekening, met de bijbehorende fasen, gegeven. Hierbij wordt tevens aangegeven in welke fasen van de audit analytische procedures gevolgd moeten worden. Er wordt zowel gebruik gemaakt van de Amerikaanse als de Nederlandse regelgeving.

Volgens de Amerikaanse auditingstandaarden van de AICPA (2017) is de taak van de accountant bij de controle van de jaarrekening de volgende: de accountant moet een verklaring geven overeenkomstig de generally accepted auditing standards (GAAS) over de jaarrekening in zijn geheel. Hierbij moet verklaard worden dat wat er in de jaarrekening staat vrij is van materiële fouten; hetzij door fraude, hetzij door overige gemaakte fouten.

controle van de jaarrekening overeenkomstig GAAS (American Institute of Certified Public Accountants, 2017). Indien het niet mogelijk is een goedkeurende controleverklaring te geven moet de accountant een andersoortige afwijkende verklaring afgeven. De Nederlandse regelgeving komt in al het hierboven genoemde overeen met de Amerikaanse regelgeving (NBA, 2017). Generally accepted auditing standards zijn een set standaarden en richtlijnen voor de verslaggeving die gebruikt worden door accountants. Ieder land heeft zijn eigen Generally Accepted Auditing Standards, de Nederlandse wordt opgesteld door de Nederlandse Beroepsorganisatie van Accountants en wordt jaarlijks geüpdatet in de Handleiding Regelgeving Accountancy.

Bij het uitvoeren van de audit dient de accountant zich te houden aan een aantal fundamentele beginselen (NBA, 2014). Deze zijn: professionaliteit, integriteit, objectiviteit, vakbekwaamheid en zorgvuldigheid, en vertrouwelijkheid. Bij de objectiviteit van de accountant is het van belang dat de accountant zich niet ongepast laat beïnvloeden en dat hij probeert vrij te zijn van vooroordelen (NBA, 2014). Tevens dient de accountant rekening te houden met de beveiliging en het gebruik van persoonsgegevens aangaande de in 2018 aangepaste privacywetgeving (NBA, 2018).

Bij de audit van de jaarrekening moet de accountant een proces volgen dat is opgesteld door de regelgeving, zodat hij voldoende en geschikte informatie vergaart om zijn verklaring te geven (American Institute of Certified Public Accountants, 2017). In Nederland moet de accountant zich houden aan de NVCOS. Het auditproces bestaat uit vier stappen.

In de eerste stap moet een algehele controleaanpak vastgesteld worden, ook moet een controleprogramma ontworpen worden (NBA, 2017). Hierbij moet er een begrip van het bedrijf, de omgeving van het bedrijf en een begrip van de interne beheersingsmaatregelen verkregen worden. Vervolgens moeten risico-inschattingswerkzaamheden gedaan worden zodat het risico van materiële fouten bepaald kan worden (Public Company Accounting Oversight Board, 2010). Hierbij heeft de accountant tevens de taak om het risico dat er materiële fouten aanwezig zijn door fraude in te schatten (NBA, 2017) (IFAC, 2010). Ook moet bepaald worden welke procedures in het vervolg van de audit gedaan moeten worden (NBA, 2017). Afwijkingen zijn materieel indien kan worden verwacht dat zij een invloed hebben op de economische beslissingen die gebruikers op basis van de financiële overzichten nemen (NBA, 2017). Het controlerisico is het risico dat de accountant een verkeerde verklaring afgeeft als de jaarrekening materiële fouten bevat en is een functie van de risico’s op een afwijking van materieel belang en van het ontdekkingsrisico (NBA, 2017). Het ontdekkingsrisico is het risico dat de werkzaamheden die door de accountant zijn uitgevoerd om het controlerisico terug te brengen een materiële afwijking niet detecteren

(NBA, 2017). Het audit risk model wordt gebruikt om de verschillende risico’s die het afgeven van een goedkeurende verklaring, terwijl er onontdekte materiële fouten aanwezig zijn, in kaart te brengen (Houston, Peters, & Pratt, 1999). Dit risico wordt uitgedrukt in een formule met vier variabelen:

𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 𝑅𝑅𝐷𝐷𝑅𝑅𝑅𝑅 =

_{Inherent Risk x Control Risk}

Acceptable Audit Risk

Het acceptable audit risk is het risico dat accountants willen nemen dat ze een goedkeurende verklaring afgeven terwijl er materiële fouten in de jaarrekening niet ontdekt worden (Houston, Peters, & Pratt, 1999). Het detection risk is het toelaatbare risiconiveau dat de gekozen procedures geen materiële fouten ontdekken (Houston, Peters, & Pratt, 1999). Dit risico is afhankelijk van de andere drie variabelen. Dit risico wordt bepaald door de auditor. Het inherent risk is de kans dat een balanspost of een groep transacties een materiële fout bevat voordat er rekening wordt gehouden met de effectiviteit van het interne-controlesysteem en het control risk is de kans dat een materiële fout niet wordt gesignaleerd door de interne-controlesystemen (Houston, Peters, & Pratt, 1999).

In de planningsfase van de audit zijn accountants verplicht om analytische procedures toe te passen (Public Company Accounting Oversight Board, 2010). Het doel van deze procedures is allereerst om een begrip te krijgen van het bedrijf, van de belangrijke transacties en gebeurtenissen die hebben plaatsgevonden in het controlejaar. Daarnaast helpen de analytische procedures bij het identificeren van risicogebieden voor de audit, zoals onlogische transacties en gebeurtenissen (Public Company Accounting Oversight Board, 2010).

In de tweede fase van de audit wordt de effectiviteit van het interne beheersingssysteem getest (Public Company Accounting Oversight Board, 2010). Volgens standaard 13 van de PCAOB (2010) is de hoeveelheid bewijs die nodig is voor de test van de controle afhankelijk van de hoeveelheid vertrouwen die de accountant hecht aan een goede interne controle. Ten tweede worden, met behulp van verdere controlewerkzaamheden, afwijkingen van materieel belang op het niveau van beweringen getest (NBA, 2017). In de tweede fase van de audit worden geen analytische procedures gedaan, daarom is deze fase minder belangrijk voor dit onderzoek.

In de derde fase van de audit doet de accountant verdere tests die nodig zijn voor het verkrijgen van zekerheid, namelijk verdere analytische procedures en het testen van individuele posten (substantive tests) van de jaarrekening (Arens, Elder, Beasley, & Hogan, 2017). Of de accountant gebruik maakt van analytische procedures of van het testen van

individuele posten en in welke verhouding hij dat doet mag hij zelf bepalen (Public Company Accounting Oversight Board, 2010). Dit is afhankelijk van professionele oordeelsvorming. De accountant kan er ook voor kiezen om bij bepaalde posten een van beide tests te doen.

Nadat de accountant alle procedures heeft voltooid en voldoende informatie heeft verzameld, moet in de vierde fase alle informatie gecombineerd en beoordeeld worden, en wordt er een conclusie met bijbehorende verklaring opgesteld (Arens, Elder, Beasley, & Hogan, 2017). In de vierde fase, ook wel review fase genoemd, is de auditor verplicht om analytische procedures toe te passen om de conclusies met betrekking tot belangrijke accounts en beweringen van de klant te evalueren, en om de verklaring van de accountant over de jaarrekening te ondersteunen (Public Company Accounting Oversight Board, 2010).

2.2. Big data

Om te bepalen wat big data analytics inhoudt, is het allereerst van belang om te kijken wat wordt verstaan onder big data. In de hiernavolgende deelparagraaf wordt uitgelegd wat data analytics is en wordt de koppeling tussen beide begrippen gemaakt. Allereerst worden twee tegengestelde visies getoond.

Volgens de AICPA is big data (2014, p. 7):

‘Big Data is the product of a technological environment in which almost anything can be recorded, measured and captured digitally, and thereby turned into data.’

Ook in de wetenschap worden meerdere definities gebruikt, maar een definitie die door veel wetenschappers wordt geaccepteerd is die van het McKinsey instituut (2011, p. 11):

‘Big data refers to datasets whose size is beyond the ability of typical database software tools to capture, store, manage, and analyse.’

De exacte betekenis van big data is afhankelijk van de complexiteit van de gebruiker. Of bepaalde data ‘big’ zijn of niet wordt bepaald door de vraag of de data de grenzen van de capaciteit van het informatiesysteem te boven gaan (Vasarhelyi, Kogan, & Tuttle, 2015). Volgens Laney (2001) zijn er drie aspecten waar big data aan moet voldoen voordat het big data genoemd mag worden, deze drie kenmerken zorgen ervoor dat de limiet van de informatiesystemen wordt opgezocht en overschreden en zijn: volume, velocity en variety. Er moet een hele grote hoeveelheid data aanwezig zijn, de data moeten snel te genereren en te veranderen zijn, en de data kennen een grote verscheidenheid.

Al de verschillende soorten data zorgen ervoor dat big data voor het grootste deel bestaan uit ongestructureerd data, maar een klein deel is gestructureerd. Het ongestructureerde deel wordt alleen maar groter als de technologie en de sociale media zich verder ontwikkelen en bestaat uit veel soorten data (Warren, Byrnes, & Moffitt, 2015). Dit betreft dan bijvoorbeeld visuele data zoals video’s en foto’s, audiodata als geluidsfragmenten van bijvoorbeeld vergaderingen en tekstdata zoals mails, tweets of webpagina’s. Het grootste deel van nieuwe data is afkomstig van het internet en wordt vooral aangeleverd door organisaties of individuen buiten het bedrijf (Arnaboldi, Busco, & Cuganesan, 2017). Echter bestaan big data niet alleen maar uit nieuwe data (Alles & Gray, 2016). Volgens Alles en Gray (2016) is big data de verzameling van verschillende datasets in een data

warehouse.

Voor dit onderzoek wordt de definitie van Laney met de drie bijbehorende kenmerken gebruikt. Kortom, big data kunnen overal vandaan gehaald worden, heel veel vormen hebben en heel erg groot worden. Echter, met big data alleen kan niets gedaan worden, deze data moeten bewerkt worden voordat er iets mee gedaan kan worden. Dit kan met behulp van big data analytics (afkorting BDA).

2.3. Data analytics

Volgens de IAASB (2016) is data analytics bij de financial audit het ontdekken en analyseren van patronen, afwijkingen en contradicties in data gerelateerd aan de audit. Deze analyses kunnen ervoor zorgen dat data gebruikt kunnen worden als bewijs. Daaronder valt ook het opsporen van andere bruikbare informatie met betrekking tot de planning van de audit door middel van visualisering en modellering (Stewart, 2015). Met visualisering kunnen verbanden tussen verschillende datavariabelen gevonden worden en met modellen kunnen data en fouten in de data voorspeld worden. Een voorbeeld van data analytics is het gebruik van ratio’s om te vergelijken hoe de cliënt presteert ten opzichte van de industrie en zijn concurrenten (Stewart, 2015).

Data analytics binnen de auditing is het analyseren van traditionele accounting data (Alles & Gray, 2016). Big data analytics is veel meer dan dat. Big data analytics is niet alleen het gebruik van meer van dezelfde, gestructureerde en traditionele data, maar juist ook het gebruik van tools om alle verschillende soorten non-financiële en ongestructureerde data die worden verzameld bij big data te analyseren (Alles & Gray, 2016).

Er zijn een aantal manieren waarbij big data analytics gebruikt worden. Deze analysetechnieken worden onderverdeeld in vijf categorieën: tekst analytics, audio analytics, video analytics, social media analytics en predictive analytics (Gandomi & Haider, 2015).

Tekst analytics zijn analysetechnieken die informatie uit tekst zoals vragenlijsten, sociale netwerken, blogs en nieuwsberichten halen, audio analytics zijn analysetechnieken die vooral informatie uit gesproken data extraheren, video analytics is het proces van informatie halen uit video’s als bewakingsbeelden, social media analytics bestaat uit de analysetechnieken die informatie halen uit gestructureerde en ongestructureerde data afkomstig van social media en predictive analytics is de verzamelnaam voor analysetechnieken waarmee toekomstvoorspellingen gedaan kunnen worden op basis van huidige en historische data (Gandomi & Haider, 2015).

In dit theoretisch kader is aangegeven wat de begrippen big data en data analytics inhouden, is de rol van de accountant uitgelegd en is de financial audit met de bijbehorende fasen uitgelegd. Hierbij is nadruk gelegd op de analytische procedures en waar ze in de audit zijn voorgeschreven. Hierdoor is het duidelijk geworden wat onderzocht wordt zodat in het literatuuronderzoek de onderzoeksvraag onderzocht kan worden.

3. Literatuuronderzoek

In het literatuuronderzoek wordt op basis van eerder verschenen wetenschappelijk onderzoek een analyse gemaakt van het mogelijke gebruik van big data analytics voor de audit van de financiële overzichten. Hierbij wordt in de eerste deelparagraaf gekeken of er mogelijkheden zijn voor het gebruik van big data analytics bij de audit. Ook wordt per tool voor zover mogelijk bekeken in welke fase van de audit big data analytics gebruikt kan worden. In de tweede deelparagraaf worden de verschillende uitdagingen van data behandeld. In de derde deelparagraaf worden de beperkingen van het gebruik van big data analytics besproken. Ten slotte wordt er een afweging gemaakt aan de hand van de paragrafen.

3.1. Big data analytics: tools voor de audit

In deze paragraaf worden verschillende big data analytics tools die worden genoemd in de wetenschappelijke literatuur behandeld. Allereerst worden tools behandeld die de auditor mogelijk kunnen helpen bij het inschatten van het frauderisico en het risico op grote fouten. Ten tweede wordt gekeken naar de voorspellende kracht van big data analytics. Ten derde wordt gekeken naar een drietal tools die dermate groot zijn dat ze apart behandeld dienen te worden. De tools die besproken worden zijn correlatie, big data analytics als onafhankelijke benchmark om posten te checken en visualisatie.

3.1.1. Fraude en grote fouten

In de wetenschappelijke literatuur worden een aantal tools besproken waarmee big data analytics de accountant zou kunnen helpen met het opsporen van fraude en overige fouten in de verslaggeving.

Het detecteren van fraude kan volgens Alles en Gray (2016) gedaan worden met behulp van tekst analytics. Volgens hen is het heel moeilijk voor een fraudeur om, naast het verbergen van fraude in de financiële data, de fraude te verbergen in alle non-financiële data. Met behulp van tekst analytics kan al deze data, indien in de vorm van tekst, onderzocht worden en daarnaast helpen bij het vinden van fraude uit het verleden (Alles & Gray, 2016). Het voorbeeld dat zij noemen is: bij het wegsluizen van goederen met behulp van tekst analytics het gewicht van alle containers volgens de factuur en het echte gewogen gewicht vergelijken (Alles & Gray, 2016). Meer uitleg of voorbeelden wordt door hen niet gegeven, daarom kan dit argument niet meegenomen worden in het onderzoek.

Een vorm van tekst analytics, data mining van e-mails (afkorting DME), kan volgens Debreceny en Gray (2011) de auditor helpen fraude op te sporen. Tegenwoordig wordt deze vorm van tekst analytics al gebruikt, maar dit wordt alleen gedaan om meer bewijs te vinden nadat er al een indicatie van fraude is; deze manier van opsporen wordt ex post genoemd. E-mail is een belangrijk en veelgebruikt communicatiemiddel in bedrijven, daarom kan het analyseren van e-mails helpen bij het detecteren van fraude (Debreceny & Gray, 2011). De analyse van e-mails kan de auditor een beter beeld geven van belangrijke gebeurtenissen en de intentie van management bij beslissingen in het controlejaar. Daarnaast kunnen met behulp van een vorm van data mining, social network analysis van e-mailverkeer, relaties tussen werknemers in kaart gebracht worden (Debreceny & Gray, 2011). Hierbij kan de intensiteit van relaties, ook met groepen mensen, onderzocht worden en kunnen onverwachte relaties gevonden worden (Debreceny & Gray, 2011).Deze data mining techniek is door Debreceny en Gray toegepast op al het e-mailverkeer van Enron. Hierbij zijn bepaalde relaties in kaart gebracht die in die tijd relevant waren geweest voor de auditor van Enron, omdat hij daardoor een beter beeld zou hebben gekregen van de gang van zaken in het bedrijf (Debreceny & Gray, 2011). Desondanks is nog niet bewezen dat data mining van e-mails een bruikbare tool is voor het ontdekken van fraude in de audit, het kan de auditor alleen helpen bij vervolgonderzoek indien hij reeds een inschatting van het soort fraude heeft gemaakt.

Naast de analyse van e-mails zijn er een groot aantal andere datasets, waarvan het grootste deel ongestructureerd is, die gebruikt kunnen worden om fraude te ontdekken (Gray & Debreceny, 2014). Welke dit zijn is afhankelijk van de cliënt maar mogelijke data kunnen

afkomstig zijn van bijvoorbeeld onderhoudsrapporten van machines die gebruikt worden voor productie, persconferenties of social media. In al deze datasets kan door middel van data mining fraude ontdekt worden (Gray & Debreceny, 2014). Volgens Gray en Debreceny (2014) kunnen met data mining onder andere neppe, verborgen en aangepaste documenten, en collusie ontdekt worden. Een kanttekening hierbij is dat door Gray en Debreceny niet wordt vermeld welke data mining technieken hiervoor gebruikt worden, ook wordt er geen bewijs geleverd dat de technieken echt tot resultaat leiden. Er kan dus niet aangenomen worden dat deze vormen van data mining echt gebruikt kunnen worden.

Een manier van fraudedetectie die verplicht is door de auditingstandaarden is het onderzoeken van handmatige memoriaalposten (Debreceny & Gray, 2010). Dit is verplicht omdat het gebruik van memoriaalposten een veelgebruikte manier is om fraude te maskeren. Er zijn data analyticstechnieken die de auditor kunnen helpen bij analyses waarmee de kans op fraude wordt ingeschat (Debreceny & Gray, 2010). Debreceny en Gray (2010) hebben bewezen dat aan de hand van het analyseren van verschillende cijfers van memoriaalposten mogelijke fraudegevallen op te sporen zijn. Door het analyseren van de verdeling van de eerste, de laatste, en de laatste drie cijfers van memoriaalboekingen kan de mogelijkheid of er fraude verborgen wordt ingeschat worden (Debreceny & Gray, 2010). De auditor heeft weinig aan een tool die alleen maar een inschatting van de mogelijkheid op fraude kan geven, dit biedt geen zekerheid. Voordat deze techniek gebruikt kan worden, zal eerst bewezen moeten worden dat er meer mee gedaan kan worden.

Een andere manier waarmee auditors een idee kunnen krijgen van verdachte transacties is door met data analytics cashtransacties te analyseren (Brown-Liburd, Issa, & Lombardi, 2015). Vaak is het bij bedrijven zo dat er voor een transactie boven een bepaald bedrag toestemming nodig is. Met data analytics kan onderzocht worden of er bepaalde patronen in de transactiebedragen aanwezig zijn: bijvoorbeeld of er veel transacties net onder het grensbedrag gedaan zijn, of dat bepaalde bedragen uitzonderlijk vaak voorkomen. Hiermee kan data analytics de accountant helpen bij het opsporen van verdachte transacties (Brown-Liburd, Issa, & Lombardi, 2015). De auditor moet om echt fraude te ontdekken dan nog veel werk verzetten en vervolgonderzoek doen, deze vorm van data analytics kan dus alleen maar gebruikt worden als indicatie.

Tegenwoordig wordt bij het opsporen van fraude gebruik gemaakt van steekproeven, maar big data analytics heeft de potentie om door middel van het testen van hele populaties een inschatting van fraude te maken (Alles & Gray, 2016). Door het testen van hele populaties is de kans dat ‘red flags’ en andere grote uitschieters in data worden ontdekt gestegen (Alles & Gray, 2016). Deze afwijkingen in de data kunnen de auditor helpen in te

schatten of er vervolgonderzoek naar fraude gedaan moet worden. Volgens de gekozen definitie van big data analytics voor dit onderzoek is dit gebruik van data analytics geen big data analytics, omdat er alleen maar gebruik wordt gemaakt van meer data in plaats van meerdere soorten data. Of deze tool überhaupt haalbaar is kan daarom buiten beschouwing gelaten worden.

Ten slotte is process mining een vorm van data analytics waarmee fouten en fraude in de verslaggeving opgespoord kan worden (Jans, Alles, & Vasarhelyi, 2014). Process mining is de systematische analyse van data die automatisch worden genereerd door ERP-systemen, en is ontwikkeld door wetenschappers in samenwerking met ontwikkelaars van ERP-systemen met als doel om met een op feiten gebaseerde identificatie problemen in de businessprocessen te ontdekken (Jans, Alles, & Vasarhelyi, 2014). In andere woorden betekent dit dat met process mining in kaart wordt gebracht hoe een proces gelopen is. Process mining voldoet niet aan onze gekozen definitie van big data analytics, omdat er alleen gebruik gemaakt wordt van gestructureerde data afkomstig uit ERP-systemen. Er wordt slechts voldaan aan de definitie van data analytics. Omdat het in de wetenschappelijke literatuur wel wordt geschaard onder big data schijnen wij toch ons licht op process mining.

Jans et al. (2014) hebben bewezen dat process mining de accountant kan helpen bij het opsporen van fouten en fraude in de financiële gegevens. Zij deden dit door middel van een praktijkonderzoek bij een grote Europese bank waarbij met process mining onderzoek werd gedaan, nadat de interne accountants hun werk hadden gedaan. Zij vonden onder andere dat er betalingen gedaan waren zonder in het systeem aanwezige toestemming en zonder dat er een factuur was vastgelegd. Ook vonden zij een groot aantal verschillende fouten met betrekking tot aankopen, onder andere met betrekking tot het schenden van de controletechnische functiescheiding. Of deze fouten intentioneel (fraude) of per ongeluk gemaakt zijn kan met process mining niet bewezen worden, maar er moet door de auditor altijd vervolgonderzoek gedaan worden nadat process mining gedaan is (Jans, Alles, & Vasarhelyi, 2014). Process mining kan, volgens Jans et al. (2014), het best gebruikt worden bij het onderzoeken van transacties. Ook kan het gebruikt worden bij de planning, waar het de auditor kan helpen om een idee te krijgen van de werkelijke gang van zaken ten aanzien van de interne controle.

Tot op heden is er veel onderzoek gedaan naar data analytics tools die mogelijke posten waar fraude is gepleegd signaleren. Desalniettemin is er bij geen enkele tool bewezen dat er echt fraude opgespoord kan worden, en wat de effectiviteit is van de tools. Er is slechts bewezen dat mogelijke fraudes opgespoord kunnen worden met behulp van een aantal van de big data analytics tools. De auditor zal dus altijd vervolgonderzoek moeten

doen om te kijken of er daadwerkelijk sprake is van fraude. Een deel van de besproken tools lijkt op dit moment helemaal niet bruikbaar of nog niet bruikbaar. De tools die wel enigszins bruikbaar zijn kunnen het best bij de planning gebruikt worden. De accountant kan een beter beeld krijgen van mogelijke fraudegevallen bij de cliënt door middel van het analyseren van e-mails, de auditor kan geholpen worden bij de inschatting van de kans op fraude met de analyse van memoriaalboekingen en met process mining kan een betere inschatting van de interne controle gemaakt worden. Daarnaast kan process mining gebruikt worden bij vervolgonderzoek, als de auditor al een vermoeden van fraude heeft. De kanttekening moet gemaakt worden dat process mining geen big data analytics is volgens onze definitie. De accountant kan zich, indien hij gebruik wenst te maken van data analytics bij fraude en het vinden van fouten, het best beroepen op de analytische tests die gebruikt kunnen worden in de eerste fase.

3.1.2. Voorspellende kracht

Volgens Alles en Gray (2016) heeft big data analytics de potentie om voorspellingen over de cliënt te doen. Deze voorspellingen kunnen gedaan worden door het analyseren van niet-financiële ongestructureerde data. Zo heeft big data analytics de potentie om de auditor te helpen bij het bepalen van de continuïteit van het bedrijf voor het nieuwe controlejaar, doordat met big data analytics betere modellen voor het voorspellen van sales en andere belangrijke kosten ontwikkeld kunnen worden (Alles & Gray, 2016). Welke modellen dit zijn wordt door de onderzoekers niet vermeld. Daarom kan dit argument niet meegenomen worden in het onderzoek.

Na dit uitgebreide literatuuronderzoek zijn er in auditing nog geen voorbeelden bekend waarbij big data analytics gebruikt wordt om voorspellingen te doen. Daarom bespreken Cao, Chychyla en Stewart (2015) een aantal gebruiken van data analytics uit andere disciplines, waarvan zij denken dat die gebruikt kunnen worden in de audit. Met data analytics kan op basis van een aantal gemoedstoestanden op twitter de gemiddelde aandelenkoers van de Amerikaanse Dow Jones beurs voorspeld worden (Bollen, Mao, & Zeng, 2011). Walmart gebruikt de voorspellingen voor orkanen om verkoopcijfers van zaklampen en ontbijtgranen te voorspellen en bij Ayata worden verschillende soorten data als video’s, foto’s en audio gebruikt om de optimale boorlocatie voor olie en gas te bepalen (Cao, Chychyla, & Stewart, 2015). Volgens Cao et al. (2015) hebben dit soort methodes de potentie om de auditor te helpen bij het analyseren van sommige memoriaalboekingen of met het inschatten van de continuïteit van het te controleren bedrijf. Er is nog geen wetenschappelijk bewijs te vinden dat deze methodes echt gebruikt kunnen worden in de audit. Het is dus nog maar de vraag in hoeverre deze methodes geïmplementeerd kunnen worden, daar is vervolgonderzoek voor nodig.

3.1.3. Correlatie, onafhankelijke benchmark en visualisatie

In deze deelparagraaf worden drie tools behandeld waarvan in de wetenschappelijke literatuur aangegeven wordt dat ze gebruikt kunnen worden in de audit. Het gaat om het gebruik van correlatie, van big data analytics als onafhankelijke benchmark en van het gebruik van visualisatietechnieken.

Met big data analytics kunnen er binnen allemaal verschillende soorten en tussen verschillende soorten ongestructureerde data verbanden gevonden worden met behulp van correlatie (Alles & Gray, 2016). Correlatie wordt gedaan met behulp van algoritmes, die ontworpen kunnen worden om bepaalde verbanden op te sporen. Met big data analytics kunnen verschillende databases samengevoegd worden, waarna er met correlatie uit deze grotere dataset verbanden gevonden kunnen worden (Alles & Gray, 2016). Daarnaast kan de accountant in verschillende databases op zoek gaan naar verbanden, relaties en patronen die hij eerder niet kon zoeken, omdat deze in een enkele dataset of in kleinere datasets niet te vinden zijn (Alles & Gray, 2016). Met behulp van deze verbanden en patronen zou de auditor beter inzicht kunnen krijgen waardoor onregelmatigheden, zowel door fouten als door fraude, herkend kunnen worden. Voorbeelden worden door Alles en Gray verder niet genoemd, dit doet ernstig afbreuk aan de geloofwaardigheid van hun argument.

Een voorbeeld van het gebruik van correlatie in combinatie met big data is te vinden in de gezondheidszorg: daar wordt al veel gebruikt gemaakt van deze techniek, omdat het soms minder belangrijk is om te weten waarom iets gebeurt dan te weten dat iets gebeurt of gaat gebeuren (Cao, Chychyla, & Stewart, 2015). Er is bijvoorbeeld software ontwikkeld die dokters kan helpen beslissingen te nemen over te vroeg geboren kinderen (Mayer-Schönberger & Cukier, 2013). Zestien verschillende soorten data als hartslag en bloeddruk worden continu gemonitord en verwerkt en er worden voorspellingen gedaan door de software die de dokter kan helpen bij het nemen van een beslissing over de geboorte (Mayer-Schönberger & Cukier, 2013). Voorbeelden van het gebruik van dit soort modellen bij de audit zijn nog niet aanwezig in de wetenschappelijke literatuur, dus ook hier is het de vraag of de potentie van correlatie waargemaakt kan worden.

Bij het gebruik van correlatie moet de kanttekening gemaakt worden dat er wel verbanden en patronen gevonden kunnen worden, maar dat correlatie niet aantoont wat de precieze verbanden tussen verschillende soorten data zijn en wat oorzaak en gevolg is. In paragraaf 3.2 zal meer over de nadelen van correlatie gepraat worden. Momenteel kan er op basis van wetenschappelijk onderzoek nog niet vertrouwd worden op correlatie als bewijsvorm, omdat er geen bewijs is dat het kan helpen bij het geven van assurance. Ook is

het niet duidelijk in welke fase correlatie gebruikt kan worden, als het eventueel in de toekomst gebruikt zou worden.

Een andere manier waarmee big data analytics de auditor kan gaan helpen bij de audit is door het gebruik van big data als complementair bewijs (Yoon, Hoogduin, & Zhang, 2015). Big data analytics kan gebruikt worden als complementair bewijs doordat het kan fungeren als onafhankelijke benchmark om posten te controleren met behulp van externe, niet-financiële data (Yoon, Hoogduin, & Zhang, 2015). Volgens Yoon et al. (2015) kan big data bijvoorbeeld fungeren als onafhankelijke benchmark bij het inschatten van de verkoopcijfers door middel van het gebruik van analytische tests om trends te vinden in externe data als nieuwsartikelen, rapporten van analisten en rapporten van de overheid. Deze trends afkomstig van externe data kunnen dan vergeleken worden met verkoopgegevens van de organisatie. Of het echt mogelijk is om big data analytics te gebruiken als onafhankelijke benchmark is niet te controleren, aangezien deze methode puur hypothetisch en speculatief is.

Een belangrijke analysetechniek voor de accountant om een beter inzicht te krijgen in big data gerelateerd aan het controlebedrijf is het gebruik van visualisatie (Borthick & Pennington, 2017). De verschillende soorten big data kunnen beter gepresenteerd en begrepen worden met behulp van visualisatietools (Rose, Rose, Sanderson, & Thibodeau, 2017). Visualisatietools zijn soorten grafieken, diagrammen en andere afbeeldingen (Arnaboldi, Busco, & Cuganesan, 2017). Voorbeelden hiervan zijn een grafiek met daarin het aantal tweets met hashtag naar het controlebedrijf en naar de vier grootste concurrenten met daarnaast een diagram van de wekelijkse sales van deze vijf bedrijven, of een afbeelding met daarin de meest gebruikte woorden op social media om een product te beschrijven (Rose, Rose, Sanderson, & Thibodeau, 2017). Grote accountantskantoren gebruiken visualisatie reeds om inzicht te krijgen in data en zetten steeds vaker visualisatieafdelingen op (Rose, Rose, Sanderson, & Thibodeau, 2017).

Volgens Rose et al. (2017) wordt big data visualisatie nu voornamelijk gebruikt in de planningsfase van de audit, zodat er meer inzicht in de cliënt verkregen kan worden. Echter wordt visualisatie nu op verschillende momenten in de planningsfase gebruikt. Rose et al. (2017) hebben, met behulp van een experiment met 127 senior auditors afkomstig van twee van de big 4 accountantskantoren, onderzocht wat de invloed van de timing van het gebruik van visualisatie op het professionele oordeel en de planning van de audit is. Zij hebben aangetoond dat het auditors niet lukt om cruciale informatie uit visualisaties van big data te halen indien zij de visualisaties beoordelen voordat er een begrip van het bedrijf verkregen is met behulp van analytische procedures. Als auditors visualisatie gebruiken nadat een begrip

van de entiteit verkregen is en de informatie afkomstig van visualisatie tegengesteld is aan de informatie van traditionele ratio’s en andere accountingdata, verhogen zij de gebudgetteerde audituren en hebben zij meer vrees voor fouten in de verslaggeving (Rose, Rose, Sanderson, & Thibodeau, 2017).

In deze paragraaf zijn tools uit de wetenschap waarmee big data analytics de accountant kan helpen besproken. Hiervan lijkt een groot deel momenteel nog niet erg geschikt. Door wetenschappers worden vaak de termen potentie en mogelijkheid gebruikt, maar of deze potentie omgezet kan worden is niet bewezen. De tool die het best gebruikt kan worden lijkt de visualisatietool, bij de planning van de audit. Hierbij moet vermeld worden dat visualisatie alleen nuttig is als er andere big data analytics tools gebruikt worden. Als dat niet het geval is, heeft het geen zin om inzicht te krijgen in big data. Verder kunnen bij de planning een aantal tools gebruikt worden die de auditor kunnen helpen bij het inschatten en opsporen van mogelijke fraudegevallen. Deze tools zijn data mining van e-mails, analyse van memoriaalboekingen en process mining. De kanttekening moet gemaakt worden dat deze tools wel hulpmiddelen zijn, maar geen assurance geven: dat wordt pas geleverd bij bewijs uit vervolgonderzoek. Verder kan process mining gebruikt worden bij vervolgonderzoek, indien de auditor fraude reeds op het spoor is. Ook kan process mining gebruikt worden tijdens het onderzoek, want opvallende transacties worden met process mining gevonden. Zoals eerder vermeld is process mining in dit onderzoek geen big data analytics tool. Indien een andere definitie wordt aangehouden kan process mining wel een big data analytics tool zijn. Voor het gebruik van big data analytics om te voorspellen, als onafhankelijke benchmark en voor het gebruik van correlatie met big data is nog geen bewijs gevonden. In de volgende twee paragraven worden de problemen van big data analytics besproken en wordt geëvalueerd in hoeverre big data analytics van waarde kan zijn voor de auditor.

3.2. Data-uitdagingen

In deze paragraaf komen drie verschillende problemen met betrekking tot big data aan de orde. Allereerst wordt het probleem van onbeperkte toegang en de beveiliging van alle big data besproken, ten tweede wordt het privacy-probleem besproken en ten derde worden verschillende problemen met de kwaliteit van big data behandeld.

Indien auditors gebruik willen maken van big data hebben zij directe en ongelimiteerde toegang nodig tot alle data van de cliënt (Alles & Gray, 2016). Hieronder valt ook gepatenteerde en andere gevoelige informatie die de cliënt niet wenst te verstrekken (Yoon, Hoogduin, & Zhang, 2015). Voor het gebruik van sommige big data analysetechnieken is niet-publieke informatie, die normaliter niet verstrekt wordt, nodig (Cao,

alleen moeten rechtvaardigen dat ze alle data van de cliënt nodig hebben, maar ook het beleid voor het gebruik van de data moeten verantwoorden (Huerta & Jensen, 2017). Daarnaast ontmoedigt de juridische afdeling van een accountantskantoor, volgens Alles en Gray (2016), directe toegang tot alle cliëntdata wegens vrees voor gecorrumpeerde data. Zowel de auditor als het onderzochte bedrijf zullen volledig open moeten staan voor het gebruik van big data, wil big data gebruikt kunnen worden bij de audit. De auditor zal namelijk toestemming moeten vragen voor alle data die hij wil gebruiken en het onderzochte bedrijf zal dit moeten verstrekken.

Omdat de auditor bij big data analytics veel data gebruikt, wordt het moeilijker om al deze data goed te beveiligen (Huerta & Jensen, 2017). Waar voorheen alle data die de accountant gebruikte op papier stond, is nu het grootste deel digitaal. Dit zorgt ervoor dat de beveiliging van alle data niet meer fysiek is, maar zich verplaatst naar cybersecurity (Huerta & Jensen, 2017). Bij gebruik van big data moeten auditors niet alleen meer data beveiligen, maar ook veel meer gedetailleerde en gevoelige informatie beveiligen, die zich ook nog eens veelal online in de cloud kan bevinden (Huerta & Jensen, 2017). Omdat er persoonlijke gegevens bewaard worden, is het gevolg van een lek in de beveiliging ook nog groter. Doordat de gegevens zich online bevinden, moet de auditor vertrouwen op de veiligheid van de aanbieders van online services, zoals de aanbieders van de cloud (Huerta & Jensen, 2017).

Bij het doen van de audit is het voor de auditor van belang dat hij niet te veel informatie openbaar maakt, want dit zorgt dan voor privacy-problemen (Krahel & Titera, 2015). Binnen de Europese unie en de Verenigde Staten is strenge regelgeving met betrekking tot de bescherming van privacy bij IT. Het niet nakomen daarvan leidt tot hoge boetes (Dzuranin & Malaescu, 2016). Privacy is het vermogen van een individu om informatie over zichzelf te beheersen (Stone, Gardner, Guetal, & McClure, 1983). Volgens Yoon et al. (2015) huist in privacy een groot probleem voor het gebruik van big data en big data analytics als bewijs bij de financial audit. Zowel werknemers als klanten moeten toestemming geven voor het gebruik van e-mails, gps-data en andere big data voordat er gebruik gemaakt van kan worden (Yoon, Hoogduin, & Zhang, 2015). Google heeft onder vuur gelegen en is nauwkeurig onderzocht door de Europese Unie over het gebruik van big data en daaraan gerelateerde privacy-issues. Accountingonderzoekers geven toe dat privacy een belangrijke issue is voor het gebruik van data analytics, maar de accountants hebben tot op heden maar weinig gedaan om dit probleem op te lossen (Schneider, Dai, Janvrin, Ajayi, & Raschke, 2015).

Ook bij een grote bijeenkomst van het Journal of Information Systems met 46 academici werd over het privacy-probleem van big data gesproken (Huerta & Jensen, 2017). Volgens de experts (2017) moeten auditors zich bezighouden met de vraag of het legaal is om data te gebruiken en of de methodes van datagebruik gepast zijn. Het is volgens hen van belang dat personen of groepen personen anoniem zijn en dat de identiteit van die personen niet te achterhalen is met behulp van andere data. Ook moet met zorg omgegaan worden met persoonlijke informatie. Waar precies de grens ligt van welke informatie precies gebruikt en openbaar gemaakt mag worden is nog vaag, in ieder geval is er in de Verenigde Staten geen duidelijke grens (Huerta & Jensen, 2017). Toch is het voor auditors belangrijk dat zij rekening houden met het privacy-probleem, voordat zij gebruik maken van big data analytics.

Een derde probleem heeft te maken met de kwaliteit van big data bij het gebruik van big data analytics als bewijs voor de audit. Vanwege de immense omvang en diversiteit van big data is het voor auditors moeilijk om te weten welke data het relevantst is en of de kwaliteit van de data hoog genoeg is om te gebruiken als bewijs (Brown-Liburd, Issa, & Lombardi, 2015). Door de drie karakteristieken van big data moet de gebruiker opgeven dat hij alleen maar pure en voorzichtig geselecteerde data tot zijn beschikking heeft en ‘messy’, rommelige en vuile data accepteren (Mayer-Schönberger & Cukier, 2013). Omdat big data zo messy van aard is, is het voor de auditor moeilijk te bepalen wat de kwaliteit van het bewijs is en hoeveel bewijs hij nodig heeft voordat hij voldoende en geschikt bewijs heeft verzameld zodat een verklaring afgegeven kan worden (Appelbaum, Kogan, & Vasarhelyi, 2017). Een voorbeeld van het kwaliteitsprobleem wordt beschreven door Arnaboldi, Busco en Cuganesan (2017). Volgens hen wordt bij het gebruik van social media in combinatie met data analytics vaak de kwaliteit van informatie afkomstig van social media overschat. Aanbieders van social media als Facebook en Twitter leveren wel services waarmee data gedownload kan worden, maar garanderen niet dat de gehele populatie van data beschikbaar is (Arnaboldi, Busco, & Cuganesan, 2017). Hierdoor kan social media als indicatie voor bewijs gebruikt worden maar kan er niet op vertrouwd worden als bewijs (Arnaboldi, Busco, & Cuganesan, 2017). Auditors moeten bij het gebruik van big data analytics dus ernstig rekening houden met het feit dat de kwaliteit van de informatie die ze gebruiken niet goed en niet te controleren is.

Het onbeperktetoegangsprobleem en het beveiligingsprobleem zijn problemen voor het gebruik van big data analytics. Er is nog niet aangetoond dat hierop geanticipeerd kan worden. Het privacy-probleem en het kwaliteitsprobleem zijn de grootste problemen en zijn obstakels voor het gebruik van big data analytics.

3.3. Obstakels van big data analytics

In deze paragraaf worden de tekortkomingen en de problemen van het gebruik van big data analytics bij de controle van de jaarrekening behandeld. Deze problemen hebben te maken met de bekwaamheid van auditors, het gebruik van correlatie en de huidige

accountingstandaarden Ten eerste de deskundigheid: zijn accountants voldoende

deskundig, hebben zij de juiste opleiding en zijn ze onbevooroordeeld bij het gebruik van big data analytics? Ten tweede wordt het probleem van correlatie versus causaliteit besproken. Ten slotte wordt het probleem met de huidige regelgeving besproken. Aan het eind wordt een samenvatting van deze problemen en een conclusie van het gehele literatuuronderzoek gegeven.

3.3.1. Scholing en bevooroordeeldheid

In deze paragraaf worden nog twee andere uitdagingen bij het gebruik van big data analytics van de auditor besproken. Het eerste probleem heeft te maken met de competentie van auditors. Dit probleem is tweeledig: de auditors die opgeleid worden krijgen niet genoeg vakken waarbij analytische skills ontwikkeld worden en een groot deel van de huidige auditors missen de juiste competenties om big data analytics te kunnen toepassen. Volgens Alles (2015) wordt het voor accountantskantoren een groot probleem om accountants met goede analytische skills en de kwaliteit om resultaten te interpreteren, te rekruteren. Dat dit probleem al speelt laat de Amerikaanse associatie van businessscholen AACSB (2014) zien: deze introduceerde in 2013 reeds standaard A7, waarin aangegeven wordt dat bij de opleiding van accountants veel meer aandacht moet zijn voor alles wat met data te maken heeft. Hierbij zijn door de AACSB richtlijnen opgesteld die er voor moeten zorgen dat auditors beter leren hoe ze data moeten creëren, delen, analyseren, onderzoeken, rapporteren en opslaan zodat er gebruik gemaakt kan worden van IT bij de besluitvorming. Bij de conferentie van de Journal of Information Systems wordt geconcludeerd dat het opleidingsprobleem groot is, dat er sinds 2013 weinig veranderd is in de curricula van universiteiten en dat er te weinig vakken zijn waar analytische vaardigheden ontwikkeld worden (Huerta & Jensen, 2017). De auditor mist de bekwaamheid om gebruik te maken van big data analytics.

Naast het opleidingsprobleem is er nog een tweede probleem voor de auditor, namelijk bevooroordeeldheid. Bij gebruik van big data bestaat er de kans dat auditors ervan uitgaan dat analyses, resultaten en beslissingen op basis van big data analytics onbevooroordeeld zijn omdat ze gebaseerd zijn op feiten, in plaats van op subjectieve beslissingen (Huerta & Jensen, 2017). Big data systemen zijn namelijk ontworpen om patronen in grote hoeveelheden ongestructureerde data te vinden en om met data analytics

tools resultaten te vinden (Huerta & Jensen, 2017). Hierbij wordt door auditors de fout gemaakt dat alleen gebruik gemaakt van feitelijke informatie. Echter, er zijn twee soorten bevooroordeeldheid waar de auditor rekening mee dient te houden: cognitieve bevooroordeeldheid en systeembevooroordeeldheid (Huerta & Jensen, 2017). Cognitieve bevooroordeeldheid is de bevooroordeeldheid van de auditor en is het resultaat van menselijke beperkingen bij het verwerken van informatie (Huerta & Jensen, 2017). Bij het gebruik van IT hebben gebruikers vaak de houding dat wat computer-gegenereerd is juist is (Schneider, Dai, Janvrin, Ajayi, & Raschke, 2015). Volgens Schneider et al. (2015) moet de auditor bij het gebruik van data analytics waken voor overschatting, want de kwaliteit van de uitkomst is alleen maar zo goed als de kwaliteit van de input. Uit de vorige deelparagraaf blijkt dat de kwaliteit van big data niet vast te stellen is. Ook bestaat er het gevaar dat de auditor wordt overladen met data, omdat big data zo immens, veelzijdig en ongestructureerd is. Indien de auditor wordt overladen met data, bestaat de kans dat hij slechts een deel van de data gebruikt en de rest van de data negeert (Brown-Liburd, Issa, & Lombardi, 2015). Er zijn meerdere wetenschappelijke studies uit de 20e _{eeuw die aantonen dat de precisie en}

beslissingstijd negatief worden beïnvloed wanneer de hoeveelheid en verscheidenheid van informatie toeneemt (Schneider, Dai, Janvrin, Ajayi, & Raschke, 2015). Volgens de deelnemers aan de conferentie van de Journal of Information Systems (2017) moeten auditors daarnaast rekening houden met bevooroordeeldheid bij het gebruik van big data. Allereerst moeten auditors volgens hen rekening houden met bevooroordeeldheid bij keuze van de input: welke data te gebruiken, welke methodes om ongestructureerde data om te zetten in gestructureerde data te gebruiken. Ten tweede moeten auditors rekening houden met de verwerking van big data. Deze verwerking wordt vaak gedaan met behulp van algoritmes die ontworpen zijn door anderen; auditors moeten rekening houden met de bevooroordeeldheid van de ontwerpers van de algoritmes (Huerta & Jensen, 2017). Ook moeten auditors rekening houden met hun eigen bevooroordeeldheid bij de keuze van analytische technieken. Ten slotte moeten auditors rekening houden met de output van data analytics: wat bewijst het eigenlijk (Huerta & Jensen, 2017). Er worden vaak visualisatietools gebruikt om de uitkomst van big data analytics beter te interpreteren zodat hierboven genoemde vooroordelen weggenomen worden (Huerta & Jensen, 2017). Bij het gebruik van deze visualisatietools moet, net als bij de input en verwerking van data analytics, rekening worden gehouden met bevooroordeeldheid van de auditor (Huerta & Jensen, 2017). De auditor moet rekening houden met de eigen vooroordelen over verschillende visualisatietools bij de keuze van een tool. Daarbij komt dat visualisatie alleen werkt om bevooroordeeldheid weg te nemen als het instrument ook echt goed uitgevoerd wordt (Huerta & Jensen, 2017).

Indien de auditor rekening houdt met deze bevooroordeeldheid zou hij gebruik maken van big data analytics. Het opleidingsprobleem is echter een stuk moeilijker op te lossen. Auditors moeten voldoende kennis hebben voordat zij gebruik kunnen maken van big data analytics. De auditor is momenteel niet deskundig genoeg om big data analytics te gebruiken.

3.3.2. Causaliteit versus correlatie

In paragraaf 3.1 werden de voordelen van correlatie besproken, maar er zijn ook nadelen voor het gebruik van correlatie. Bij correlatie worden verbanden gevonden in data. Deze verbanden geven inzicht in data en kunnen goed gebruikt worden bij de ontwikkeling van marketingstrategieën en om ziektes te ontdekken, auditors hebben echter meer nodig (Alles & Gray, 2016). Auditors kunnen, zoals in paragraaf 3.1 is besproken, correlatie gebruiken om onderzoeksgebieden te vinden, maar omdat met correlatie alleen verbanden aangegeven kunnen worden, kunnen zij correlatie niet gebruiken als bewijs (Alles & Gray, 2016). Bij het geven van assurance moet bewijs verifieerbaar en geloofwaardig zijn (Alles & Gray, 2016). Met correlatie is het niet mogelijk om te bepalen wat de significantie van het bewijs is, en wat de precieze betekenis van het verband is (Alles & Gray, 2016). Voor het geven van

assurance hebben auditors oorzaak en gevolg nodig (Brown-Liburd, Issa, & Lombardi, 2015). Bij causale verbanden worden niet alleen een verband, maar ook oorzaak en gevolg gevonden (Brown-Liburd, Issa, & Lombardi, 2015). Het is van belang dat het onderscheid tussen causaliteit en correlatie duidelijk is. Als auditors analytische tests willen gebruiken om assurance te geven, kunnen zij beter analytische tests gebruiken waarbij causale verbanden vastgesteld dienen te worden. Correlatie kan wel gebruikt worden in de audit, maar meer als indicatie voor wat er nader onderzocht moet worden.

3.3.3. Auditingstandaarden en big data analytics

De auditingstandaarden zijn grotendeels gebaseerd op fundamentele concepten die zijn bedacht in een tijd waar veel minder informatie beschikbaar was voor de accountant dan nu (Krahel & Titera, 2015). Tegenwoordig is er veel meer informatie beschikbaar en met de introductie van big data is de hoeveelheid data en informatie waar de auditor over zou kunnen beschikken enorm gestegen. Volgens Krahel en Titera (2015) is de huidige regelgeving gedateerd en moet die aangepast worden aan alle technologische

ontwikkelingen die hebben plaatsgevonden en aan de blijvend groeiende datasets, zodat er in de jaarverslaggeving meer inzicht wordt gegeven in de cliënt. Bij de huidige standaarden ligt de focus, met betrekking tot analytische procedures, op (incomplete) analyses met de beschikbare data (Krahel & Titera, 2015). Hierbij gaat het om het vinden van duidelijke fouten, terwijl er met big data analytics foutgevoelige interne processen en trends in data gevonden kunnen worden (Krahel & Titera, 2015). Echter worden er met big data analytics

geen fouten opgespoord. Daarnaast wordt in de huidige standaarden slechts gesproken over analytische tests met gekwantificeerde data, terwijl big data analytics de mogelijkheid geeft om verschillende soorten ongestructureerde data te kwantificeren (Krahel & Titera, 2015). Volgens Krahel en Titera (2015) moeten de huidige standaarden aangepast worden, zodat big data analytics beter gebruikt kan worden.

Appelbaum, Kogan en Vasarhelyi (2017) voegen toe dat het gebruik van data

analytics niet wordt verboden, maar dat het gebruik daarvan door de standaarden zeker niet wordt aangespoord. Auditors moeten binnen de hevig competitieve industrie hun

gecompliceerde audit binnen de gebudgetteerde uren afmaken (Appelbaum, Kogan, & Vasarhelyi, 2017). Hierbij is er geen tijd en geld om gebruik te maken van data analytics (Appelbaum, Kogan, & Vasarhelyi, 2017). Volgens beide onderzoeken is het wenselijk dat de regelgeving de weg vrij maakt voor het gebruik van meer analytische tests en big data

analytics. Op basis van dit onderzoek lijkt het te vroeg voor een aanpassing van de

standaarden, feit blijft wel dat de huidige standaarden een obstakel kunnen vormen voor het gebruik van big data analytics.

In deze paragraaf zijn de verschillende obstakels en tekortkomingen van big data analytics besproken. Deze obstakels hebben betrekking op big data zelf, op de

deskundigheid van de accountant, op het gebruik van data analytics tools en op de

regelgeving. De auditor en de cliënt zullen volledig open moeten staan voor het gebruik van big data analytics, aangezien de cliënt inzicht moet geven in alle data en deze zal moeten verstrekken. Ook moet de auditor alle data goed beveiligen en zich hierbij beroepen op externen. Eveneens moet de auditor rekening houden met de bevooroordeeldheid van zichzelf en van de makers van algoritmes. Daarnaast moet de auditor rekening houden met de beperkingen van correlatie en weten dat correlatie niet in elke situatie gebruikt kan worden.

Er zijn ook nog uitdagingen met betrekking tot de kwaliteit van big data; deze is niet vast te stellen. Daarnaast is privacy een issue bij het gebruik van big data. De auditor mag niet alle informatie gebruiken en publiceren en heeft toestemming nodig voor het gebruik van veel informatie. Daarbij komt dat de huidige auditor niet deskundig genoeg is om gebruik te kunnen maken van big data analytics. Tevens gaat de huidige regelgeving over analytische tests nog niet over big data-gebruik en dient deze gemoderniseerd te worden alvorens big data analytics gebruikt kan worden bij de audit.

In combinatie met paragraaf 3.1. en 3.2. is getracht een volledig beeld te krijgen van het gebruik van big data analytics in de audit. Hieruit blijkt dat er vooral veel potentie is voor het gebruik van big data analytics, dat er veel gesuggereerd wordt, maar dat er nog weinig

bewezen is. Er is nog niet gebleken dat big data analytics gebruikt kan worden om

assurance te geven. Het instrument van visualisatie zou de accountant kunnen helpen bij het in kaart brengen van big data. Een voorwaarde voor het gebruik van visualisatie is dat big data ook daadwerkelijk gebruikt wordt, wat op basis van dit onderzoek momenteel

onaannemelijk is. Er zijn problemen en uitdagingen op elk vlak van het gebruik van big data analytics. Een klein aantal daarvan is op te lossen indien de auditor er voldoende aandacht aan besteedt, maar het grootste deel zijn obstakels die momenteel onoverkomelijk zijn. Er is zeker nog geen wetenschappelijk onderzoek uitgevoerd waarin wordt aangetoond dat big data analytics gebruikt kan worden en er lijken veel obstakels te zijn, wil big data analytics gebruikt kunnen worden bij de accountantscontrole.

4. Conclusie en discussie

Het doel van dit onderzoek is om inzicht te krijgen in het mogelijke gebruik van big data analytics in de controle van de jaarrekening zodat een antwoord gegeven kan worden op de vraag: in hoeverre zorgt big data analytics voor een betere controle van de jaarrekening? Dit onderzoek is belangrijk omdat de big 4 accountantskantoren in diverse publicaties aangeven dat het gebruik van big data een toegevoegde waarde zou hebben voor de controle van de jaarrekening. Het voegt iets toe aan de wetenschap omdat er tot op heden geen synthese van de literatuur omtrent big data analytics en de controle van de jaarrekening gemaakt is. Ook kunnen de resultaten van dit onderzoek de accountant helpen te bepalen of gebruik gemaakt moet worden van big data analytics bij de audit. Om de hoofdvraag te

beantwoorden is in het theoretisch kader aangegeven wat de rol van de accountant bij de controle van de jaarrekening is, wat de begrippen big data en data analytics inhouden en hoe deze termen samenhangen. Vervolgens is een literatuuronderzoek gedaan waarbij eerst een analyse gemaakt is van de tools die gebruikt kunnen worden in de audit en waarbij tevens is aangegeven in welke fase van de controle deze tools gebruikt zouden kunnen worden. Daarna zijn de beperkingen, uitdagingen en problemen die het gebruik van big data analytics veroorzaakt besproken.

Er is in dit literatuuronderzoek geen wetenschappelijk onderzoek aangetroffen op grond waarvan aangetoond is dat er big data analytics tools zijn die de auditor helpen bij het doen van de controle van de jaarrekening. Er worden wel door verschillende onderzoekers suggesties gedaan waarbij het woord potentie veelvuldig gebruikt wordt, maar er is nog geen onderzoek gedaan naar het feitelijk gebruik hiervan. Op een beperkt vlak zijn er wel

resultaten te melden bij het gebruik van visualisatietools die de auditor kunnen helpen een inzicht te krijgen van big data van de cliënt in de planningsfase van de audit. Ook blijkt dat de

tool van process mining gebruikt kan worden om een inzicht te krijgen in de werking van de interne controle en om signalen van mogelijke fraude aan het licht te brengen.

Desalniettemin maakt process mining alleen gebruik van gestructureerde data en is process mining dus geen big data analytics instrument volgens de definitie van big data analytics van dit onderzoek.

Op basis van de analyse van de beperkingen, uitdagingen en problemen kan geconcludeerd worden dat er nog heel veel obstakels zijn bij het gebruik van big data analytics en dat het erop lijkt dat deze tools momenteel beter helemaal niet gebruikt kunnen worden. De auditor is momenteel niet bekwaam om gebruik te maken van big data analytics. De scholing van analytische procedures is niet voldoende en het lijkt erop dat de auditor vaak bevooroordeeld is. De kwaliteit van big data is niet te bepalen, wat ervoor zorgt dat geen zekerheid gegeven kan worden. Daarnaast zorgt de privacyregelgeving ervoor dat er zonder toestemming geen gebruik gemaakt kan worden van big data.

Tot op heden is er weinig onderzoek gepubliceerd waarin tools getest worden. Dit is zowel een beperking van dit onderzoek als een suggestie voor vervolgonderzoek. Er zijn een aantal tools genoemd in verschillende onderzoeken. Van deze is echter niet bewezen dat er op vertrouwd kan worden, noch bewezen dat ze niet vertrouwd kunnen worden. Ook worden bij suggesties voor gebruik van tools niet genoeg voorbeelden gegeven, waardoor het onduidelijk is wat precies met de tools bedoeld wordt. Een andere beperking voor dit

onderzoek is de gekozen definitie voor big data en big data analytics. Er is geen eenduidige definitie, met het gebruik van andere definities waren de uitkomsten van dit onderzoek wellicht anders. Bij een andere definitie van big data analytics was process mining wellicht wel een big data analytics tool. Hetzelfde geldt voor de gekozen standaarden om de rol van de accountant te omschrijven.

5. Bibliografie

Alles, M. G. (2015). Drivers of the Use and Facilitators and Obstacles of the Evolution of Big Data by the Audit Profession. Accounting Horizons, 29(2), 439-450.

Alles, M., & Gray, G. L. (2016). Incorporating big data in audits: Identifying inhibitors and a research agenda to address those inhibitors. International Journal of Accounting Information Systems,

22, 44-59.

American Institute of Certified Public Accountants. (2014). Reimagining Auditing in a Wired World. American Institute of Certified Public Accountants. (2017). Overall Objectives of the Independent

Auditor and the Conduct of an Audit in Accordance With Generally Accepted Auditing Standards: AU-C Section 200. New York: NY: AICPA.

Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big Data and Analytics in the Modern Audit Engagement: Research Needs. Auditing: A Journal of Practice and Theory, 36(4), 1-27. Arens, A. A., Elder, R. J., Beasley, M. S., & Hogan, C. E. (2017). Auditing and assurance services (16

ed.). Harlow, Engeland: Pearson Education Limited.

Arnaboldi, M., Busco, C., & Cuganesan, S. (2017). Accounting, accountability, social media and big data: revolution or hype? Accounting, Auditing & Accountability Journal, 30(4), 762-776. Association to Advance Collegiate Schools of Business. (2014). AACSB International Accounting

Accreditation Standard A7: Information Technology Skills and Knowledge for Accounting Graduates: An Interpretation. Retrieved from AACSB:

https://www.aacsb.edu/-/media/aacsb/publications/white-papers/accounting-accreditation-standard-7.ashx Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of

Computational Science, 2(1), 1-8.

Borthick, A. F., & Pennington, R. R. (2017). When Data Become Ubiquitous, What Becomes of Accounting and Assurance. Journal of Information Systems, 31(3), 1-4.

Brown-Liburd, H., Issa, H., & Lombardi, D. (2015). Behavioral implications of Big Data’s impact on audit judgment and decision making and future research directions. Accounting Horizons,

29(2), 451-468.

Cao, M., Chychyla, R., & Stewart, T. (2015). Big Data Analytics in Financial Statement Audits.

Debreceny, R. S., & Gray, G. L. (2010). Data mining journal entries for fraud detection: An exploratory study. International Journal of Accounting Information Systems, 11(3), 157-181.

Debreceny, R. S., & Gray, G. L. (2011). Data Mining of Electronic Mail and Auditing: A Research Agenda. Journal of Information Systems, 25(2), 195-226.

Dzuranin, A. C., & Malaescu, I. (2016). The Current State and Future Direction of IT Audit: Challenges and Opportunities. Journal of Information Systems, 30(1), 7-20.

EY. (2015). CFO: need to know: the future of audit. Retrieved from EY:

http://www.ey.com/gl/en/issues/managing-finance/ey-cfo-need-to-know-future-of-

audit?preview&HL=CON-USDD-9XAN4E&utm_source=eycom&utm_medium=homepage_PF&utm_campaign=Future%2520o f%2520audit#

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods and analytics.

International Journal of Information Management, 35, 137-144.

Gray, G. L., & Debreceny, R. S. (2014). A taxonomy to guide research on the application of data mining to fraud detection in financial statement audits. International Journal of Accounting

Information Systems, 15(4), 357-380.

Houston, R. W., Peters, M. F., & Pratt, J. H. (1999). The Audit Risk Model, Business Risk and Audit-Planning Decisions. The Accounting Review, 74(3), 281-298.

Huerta, E., & Jensen, S. (2017). An Accounting Information Systems Perspective on Data Analytics and Big Data. Journal of Information Systems, 31(3), 101-114.

IAASB. (2016). Exploring the Growing Use of Technology in the Audit, with a focus on Data Analytics. New York.

IFAC. (2010). ISA 240 The auditor's responsibilities relating to fraud in an audit of financial

statements. Retrieved from IFAC:

http://www.ifac.org/system/files/downloads/a012-2010-iaasb-handbook-isa-240.pdf

Jans, M., Alles, M. G., & Vasarhelyi, M. A. (2014). A Field Study on the Use of Process Mining of Event Logs as an Analytical Procedure in Auditing. The Accounting Review, 89(5), 1751-1773. Krahel, J. P., & Titera, W. R. (2015). Consequences of Big Data and Formalization on Accounting and

Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity and Variety. Retrieved from Gartner: https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf

Mayer-Schönberger, V., & Cukier, V. (2013). Big Data: A Revolution That Will Transform How We Live,

Work, and Think. Boston: Houghton Mifflin Harcourt.

McKinsey Global Institute. (2011, Mei). Big data: The next frontier for innovation, competition and productivity.

NBA. (2014). Toelichting bij de Verordening gedrags- en beroepsregels accountants. Retrieved from Nba: https://www.nba.nl/tools/hra-2017/?folder=8071

NBA. (2014). Verordening gedrags- en beroepsregels accountants. Retrieved from Nba: https://www.nba.nl/tools/hra-2017/?folder=5791

NBA. (2017). 200 Algehele doelstellingen van de onafhankelijke accountant, alsmede het uitvoeren

van een controle overeenkomstig de Standaarden. Retrieved from Nba:

https://www.nba.nl/tools/hra-2017/?folder=521

NBA. (2017). 240 De verantwoordelijkheden van de accountant mbt fraude in het kader van een

controle van financiële overzichten. Retrieved from NBA:

https://www.nba.nl/tools/hra-2017/?folder=970#par984

NBA. (2017). 300 Planning van een controle van financiele overzichten. Retrieved from NBA: https://www.nba.nl/tools/hra-2017/?folder=1441

NBA. (2017). 320 Materialiteit bij de planning en uitvoering van een controle. Retrieved from Nba: https://www.nba.nl/tools/hra-2017/?folder=1770

NBA. (2017). 330 Inspelen door de accountant op ingeschatte risico's. Retrieved from Nba: https://www.nba.nl/tools/hra-2017/?folder=1820

NBA. (2018). Nieuwe privacywetgeving in 2018. Retrieved from Nba:

https://www.nba.nl/globalassets/themas/thema-mkb/privacy/2018030_nba_bro-a4-privacybescherming-febr18-web.pdf

Public Company Accounting Oversight Board. (2010). AS 13: The Auditor's Responses to the Risks of

Public Company Accounting Oversight Board. (2010). AS 2110: Identifying and Assessing Risks of

Material Misstatement. Washington, DC: PCAOB.

Public Company Accounting Oversight Board. (2010). AS 2305: Substantive Analytical Procedures. Washington, DC: PCAOB.

Public Company Accounting Oversight Board. (2010). AS 2810: Evaluating Audit Results. Washington, DC: PCAOB.

PWC. (2015, februari). Data driven: What students need to succeed in a rapidly changing business world. pp. 1 - 25.

Rose, A. M., Rose, J. M., Sanderson, K.-A., & Thibodeau, J. C. (2017). When Should Audit Firms

Introduce Analyses of Big Data Into the Audit Process? Journal Of Information Systems, 31(3), 81-99.

Schneider, G. P., Dai, J., Janvrin, D. J., Ajayi, K., & Raschke, R. L. (2015). Infer, Predict, and Assure: Accounting Opportunities in Data Analytics. Accounting Horizons, 29(3), 719-742. Stewart, T. R. (2015). Data analytics for financial statement audits. In A. I. Accountants, Audit

Analytics and Continous Audit: Looking Toward the Future (pp. 105-128). New York: AICPA.

Stone, E. F., Gardner, D. G., Guetal, H. G., & McClure, S. (1983). A Field Experiment Comparing Information-Privacy Values, Beliefs, and Attitudes Across Several Types of Organizations.

Journal of Applied Psychology, 68(3), 459-468.

Vasarhelyi, M. A., Kogan, A., & Tuttle, B. M. (2015). Big Data in Accounting: An Overview. Accounting

Horizons, 29(2), 381-396.

Warren, J. J., Byrnes, P., & Moffitt, K. C. (2015). How Big Data Will Change Accounting. Accounting

Horizons, 29(2), 397 - 407.

Yoon, K., Hoogduin, L., & Zhang, L. (2015). Big data as Complementary Audit Evidence. Accounting