Leiden big data-analyses tot een hogere kwaliteit van accountantscontroles? David de Vries 11064900 Versie:1.0 (Definitief) BSc Accountancy en Control Universiteit van Amsterdam (UVA)
Begeleider: dhr. drs. B.J.M. (Ben) van Dam Aantal woorden: 8123
1
Verklaring eigen werk
Hierbij verklaar ik, David de Vries, dat ik deze scriptie zelf geschreven heb en dat ik de volledige verantwoordelijkheid op me neem voor de inhoud ervan. Ik bevestig dat de tekst en het werk dat in deze scriptie gepresenteerd wordt origineel is en dat ik geen gebruik heb gemaakt van andere bronnen dan die welke in de tekst en in de referenties worden genoemd.
Abstract
In dit onderzoek is onderzocht of big data-analyses leiden tot een hogere kwaliteit van
accountantscontroles. Big data-analyses vormen een nieuw paradigma binnen de accountancy. De laatste jaren is veelvuldig kritiek op de kwaliteit van accountantscontroles. Daarom is onderzocht of dit nieuwe paradigma voor een hogere kwaliteit zorgt. Uit dit literatuuronderzoek blijkt dat big data-analyses in theorie tot een hogere kwaliteit van accountantscontroles leiden. Ten slotte worden aanbevelingen voor vervolgonderzoek gedaan.
2
Inhoudsopgave
Verklaring eigen werk ... 1
Abstract ... 1 Inhoudsopgave ... 2 1.0 Inleiding ... 3 2.0 Theoretische Achtergronden ... 5 2.1 Accountantscontroles ... 5 2.2 Big data ... 7 2.3 Big data-analyse ... 9
2.4 Kwaliteit van accountantscontroles ... 10
3.0 Literatuuronderzoek ... 11
3.1 Criteria ... 11
3.2 Voor- en nadelen van toepassingen van big data-analyses ... 13
3.2.1 Eigenschappen van big data ... 13
3.2.2 Vereiste vaardigheden ... 16 3.2.3 Gegevensbescherming ... 18 3.2.3.1 Bedrijfsgegevens ... 18 3.2.3.2 Privacy ... 19 3.2.4 Verifiërende functie ... 19 3.2.5 Ondersteunende functie ... 20 3.2.6 Fraudebestrijding ... 22 3.3 Discussie... 25 3.3.1 Eigenschappen ... 25 3.3.2 Vereiste vaardigheden ... 27 3.3.3 Gegevensbescherming ... 27 3.3.3.1 Bedrijfsgegevens ... 28 3.3.3.2 Privacy ... 28 3.3.4 Verifiërende functie ... 28 3.3.5 Ondersteunende functie ... 30 3.3.6 Fraudebestrijding ... 31 4.0 Conclusie ... 34 5.0 Bibliografie ... 35
3
1.0 Inleiding
Big data-analyses vormen een nieuw paradigma binnen de accountancy (Alles & Gray, 2016; Appelbaum, Kogan, & Vasarhelyi, 2017). Accountantscontroles zullen binnen vijf tot tien jaar weinig overeenkomsten met de huidige praktijk vertonen (Alles & Gray, 2016). Hoewel op de huidige kwaliteit van accountantscontroles al jaren veel kritiek is (Humphrey, Canning, & O'Dwyer, 2018), worden big data-analyses in de praktijk tegenwoordig nog nauwelijks gebruikt (Cao, Chychyla, & Stewart, 2015).
Kan het gebruik van big data-analyses leiden tot een hogere kwaliteit van
accountantscontroles? In de accountancy literatuur worden veel mogelijke toepassingen van big data-analyses met de bijbehorende voor- en nadelen besproken (Alles & Gray, 2016; Appelbaum et al., 2017; Brown-Liburd, Issa, & Lombardi, 2015; Cao et al., 2015; Yoon, Hoogduin, & Zhang, 2015). Gegeven de vele kritiek op de huidige praktijk en de opkomst van big data, is het
belangrijk om te onderzoeken in hoeverre big data-analyses leiden tot een hogere kwaliteit van accountantscontroles.
Dit literatuuronderzoek beredeneert vanuit de theorie wat voor effect mogelijke toepassingen van big data-analyses hebben op de kwaliteit van accountantscontroles. In dit onderzoek wordt met behulp van een model (DeFond & Zhang, 2014) de kwaliteit van accountantscontroles besproken. Vervolgens worden de voor- en nadelen van mogelijke
toepassingen van big data-analyses onderzocht. Hierbij is geen rekening gehouden met de huidige regelgeving omdat voor dit nieuwe paradigma de regels moeten worden aangepast. Ten slotte worden de gevolgen van big data-analyses op de kwaliteit van accountantscontroles beredeneerd. Uit dit literatuuronderzoek blijkt dat op basis van de theorie big data-analyses naar verwachting leiden tot een hogere kwaliteit van accountantscontroles. Ten slotte worden er aanbevelingen voor vervolgonderzoek gedaan.
4
De rest van dit onderzoek heeft de volgende structuur. In het volgende hoofdstuk worden de theoretische achtergronden van accountantscontroles, big data, big data-analyses en de
kwaliteit van accountantscontroles besproken. In hoofdstuk 3 worden een model van kwaliteit van accountantscontroles en de voor-en nadelen van big data-analyse besproken. Vervolgens worden in paragraaf 3.3 de gevolgen van big data-analyses op de kwaliteit van
accountantscontrole beredeneerd. Ten slotte volgen in hoofdstuk 4 de conclusie, beperkingen en aanbevelingen voor vervolgonderzoek.
5
2.0 Theoretische Achtergronden
Voordat de onderzoeksvraag beantwoord kan worden, is het belangrijk om de achtergrond van een aantal belangrijke begrippen te kennen. Daarom worden in dit hoofdstuk deze begrippen kort besproken. In de volgende paragraaf wordt het begrip accountantscontrole besproken. Daarna wordt in paragraaf 2.2 het begrip big data uiteengezet. Vervolgens wordt in paragraaf 2.3 het begrip big data-analyse besproken. Ten slotte wordt de kwaliteit van accountantscontroles behandeld.
2.1 Accountantscontroles
Het is noodzakelijk om de achtergrond en de doelstellingen van een accountantscontrole te begrijpen om de gevolgen van big data-analyses op de kwaliteit van accountantsverklaringen te kunnen beoordelen. Daarom wordt in deze paragraaf eerst twee theoretische verklaringen
besproken die de vraag naar accountantscontroles verklaren. Daarna wordt kort stilgestaan bij de doelstellingen van een accountantscontrole.
Er bestaan verschillende wetenschappelijke theorieën die vanuit een economische perspectief de vraag naar accountscontroles verklaren. Een eerste verklaring komt vanuit de agencytheorie. Bij bedrijven is er doorgaans een scheiding tussen leiding en eigendom (Chow, 1982). Aandeelhouders en managers hebben volgens hem tegenstrijdige belangen. Besluiten van managers zijn niet noodzakelijkerwijs in overeenstemming met het belang van aandeelhouders. Dit zorgt bij aandeelhouders voor agencykosten. Deze kosten zijn volgens hem een belangrijke reden om externe accountants in te huren. De aandeelhouders schakelen volgens deze theorie accountants in om de agencykosten te minimaliseren (Majoor, Van Asselt, Karssing, Pheijffer, & Verkleij, 2015). Deze theorie heeft volgens hen ook een nadeel. De theorie heeft onvoldoende
6
aandacht voor andere belanghebbende dan de aandeelhouders in het maatschappelijk verkeer. Een andere theorie die de behoefte aan een accountantscontrole verklaart is de
informatietheorie. Volgens deze theorie is informatierisico een belangrijke oorzaak van kosten (Arens, Elder, & Beasley, 2014). Informatierisico is volgens hen de mogelijkheid dat informatie waarop risicovolle zakelijke beslissingen gebaseerd zijn onjuist is. De gebruikelijke manier om voor betrouwbare informatie te zorgen, is volgens hen een controle door een onafhankelijke accountant. Zij stellen dat een accountant zo het vertrouwen van de beoogde gebruikers van informatie vergroot. De toegevoegde waarde van een accountantscontrole hangt af van de mate van zekerheid die het geeft dat de jaarrekening de economische realiteit weergeeft (DeFond & Zhang, 2014). Zij stellen dat deze zekerheid informatierisico vermindert en leidt tot efficiëntere allocatie en overeenkomsten.
De belangrijkste doelstelling van een externe accountant is om met een redelijke mate van zekerheid te beoordelen of de jaarrekening vrij is van materiële fouten (Appelbaum et al., 2017). Om deze doelstelling te bereiken moet een accountant volgens hen voldoende controleerbaar bewijs verzamelen. Bewijs is alle informatie die tijdens de controle verkregen is om een oordeel te vormen (Appelbaum et al., 2017). Er zijn verschillende methodes waarmee bewijs verzameld kan worden (Arens et al., 2014). Volgens hen spelen bij het selecteren van een methode de volgende afwegingen een rol. Ten eerste moet een accountant voldoende bewijs verzamelen om aan zijn verantwoordelijkheid als accountant te voldoen. Ten slotte moeten de kosten van het verzamelen van bewijs geminimaliseerd worden. Bewijs over een bewering kan neutraal zijn of het kan een bewering bevestigen dan wel weerleggen (Appelbaum et al., 2017). Volgens hen moeten accountants de authenticiteit van informatie waarop zij hun oordeel baseren bevestigen. Onverifieerbaar bewijs kan volgens hen niet in overeenstemming met deze norm worden gebracht door meer van dit soort bewijs te verzamelen. Als er onvoldoende geschikt en
7
verifieerbaar bewijs verkregen is, dan moet aanvullend controleerbaar bewijs worden vergaard. De vraag wanneer er sprake is van voldoende en geschikt bewijs hangt af van het oordeel van de accountant (Brown-Liburd et al., 2015). Door voortschrijdende technologische ontwikkelingen, zoals de opkomst van big data, zal de bron en het soort bewijs veranderen (Appelbaum et al., 2017).
2.2 Big data
In de accountingliteratuur bestaat geen eenduidige definitie van big data. Doorgaans wordt ervan uit gegaan dat de lezer het begrip intuïtief begrijpt (Vasarhelyi, Kogan, & Tuttle, 2015).
Desondanks bestaan er verschillende definities. De omvang is vaak het eerste en enige aspect van big data waar mensen aan denken (Gandomi & Haider, 2015). Ook in deze paragraaf wordt dit prominente kenmerk als eerste besproken. Vervolgens worden in de rest van deze paragraaf bredere definities van big data besproken. Ten slotte wordt kort ingegaan op de structuur van big data.
Het belangrijkste kenmerk van big data is de enorme hoeveelheid gegevens (Brown-Liburd et al., 2015; Moffitt & Vasarhelyi, 2013). Volgens hen is hiervan sprake als conventionele software de hoeveelheid gegevens niet kan verwerken. Het voordeel van deze intuïtieve definitie is dat het een omschrijving geeft van het meest kenmerkende aspect van big data. Daarentegen kent deze eenvoudige definitie ook nadelen. Door technologische ontwikkelingen kan
conventionele software steeds meer data verwerken (Gandomi & Haider, 2015). Zij stellen dat door deze ontwikkeling data die tegenwoordig als big data wordt beschouwd in de toekomst niet noodzakelijkerwijs ook als big data beschouwd hoeft te worden. Dit is volgens hen een nadeel van deze definitie.
8
zijn: snelheid, verscheidenheid en waarheidsgetrouwheid (Yoon et al., 2015). Het begrip snelheid houdt in dat data realtime verkregen wordt. Het kenmerk verscheidenheid geeft aan dat data in verschillende vorm en uit uiteenlopende bronnen wordt verkregen (Yoon et al., 2015). Ten slotte houdt volgens hen het laatste kenmerk in dat informatie verkregen uit big data overeen moet komen met de werkelijkheid.
Een vergelijkbate definitie onderscheidt ook vier aspecten van big data (Zhang, Yang, & Appelbaum, 2015). Het eerste kenmerk is volgens hen de enorm omvang van de database. Vervolgens onderscheiden zij de enorme hoge snelheid waarmee data doorlopend vergaard wordt. Ten derde onderscheiden zij een grote verscheidenheid aan datasoorten. Het laatste kenmerk is dat de mate van waarheidsgetrouwheid ongewis is (Zhang et al., 2015).
Het is niet verassend dat de omvang van de hoeveelheid gegevens een element is dat in alle bovenstaande definities van big data voorkomt. Verder valt op dat de tweede en derde definitie in grote lijnen overeenkomen. Het enige verschil is het laatste kenmerk.
In de rest van deze paragraaf wordt de structuur van big data besproken. Big data kan gestructureerd of ongestructureerd zijn (Moffitt & Vasarhelyi, 2013). Volgens hen is sprake van gestructureerde big data als een bepaalde norm bestaat over hoe data gepresenteerd moet worden. Zij stellen dat als dit niet het geval is dan is er sprake van ongestructureerde data. Het overgrote deel bestaat volgens hen uit ongestructureerde data. Gestructureerde data komt doorgaans uit interne systemen terwijl ongestructureerde data uit een breed scala van externe bronnen
afkomstig is (Richins, Stapleton, Stratopoulos, & Wong, 2017). In een onderzoek naar big data is het belangrijk om een onderscheid te maken tussen big data en traditionele data (Alles & Gray, 2016). Volgens hen is traditionele data gestructureerde financiële data terwijl big data doorgaans ongestructureerde niet financiële informatie is.
9 2.3 Big data-analyse
In tegenstelling tot het verzamelen is het analyseren van big data niet eenvoudig (Brown-Liburd et al., 2015). De toegevoegde waarde van big data zijn de inzichten verkregen door data-analyses (Alles & Gray, 2016). Zonder analyse heeft big data geen toegevoegde waarde (Gandomi & Haider, 2015). Daarom wordt in deze paragraaf de analyse van big data besproken. Als eerst worden definities van big data-analyse besproken. Ten slotte worden verschillende categorieën analyses behandeld.
Er bestaan meerdere omschrijvingen van big data-analyse. In deze paragraaf worden er twee besproken. Volgens de eerste definitie is big data-analyse een techniek om inlichtingen uit big data te verkrijgen en te analyseren (Gandomi & Haider, 2015). De volgende definitie is een uitgebreidere definitie. Volgens deze definitie is big data-analyse een proces waarin big data wordt onderzocht, ontdaan van vervuiling, omgezet en gemodelleerd om nuttige informatie en patronen te ontdekken. (Cao et al., 2015). In het algemeen bestaat een verschil tussen ‘data’ en ‘informatie’ (Romney & Steinbart, 2015). Zij stellen dat data verzamelde en in een systeem opgeslagen feiten zijn. Daarentegen is informatie volgens hen data die op een zodanig wijze verwerkt is dat het tot betere besluitvorming leidt.
Er bestaan verschillende categorieën big data-analyses: tekstanalyses, audioanalyses, videoanalyse, sociale media-analyses en voorspellende analyses (Gandomi & Haider, 2015). Voor elke van deze categorieën bestaan volgens hen verschillende technieken. Het valt buiten het bestek van dit onderzoek om deze in detail te bespreken. Tijdens een big data-analyse is het gebruikelijk om data uit deze categorieën te combineren en uiteenlopende analysetechnieken uit verschillende takken van wetenschap te gebruiken (Cao et al., 2015).
10 2.4 Kwaliteit van accountantscontroles
In deze paragraaf wordt de kwaliteit van accountantscontroles besproken. Ten eerste wordt een veel gebruikte definitie besproken. Vervolgens wordt een uitgebreider model behandeld.
Kwaliteit van accountantscontroles wordt gedefinieerd als de door de markt ingeschatte gezamenlijke kans dat een accountant een schending binnen een accountingsysteem van een klant ontdekt en meldt. (DeAngelo, 1981). Een nadeel van deze definitie is dat het kwaliteit van
accountantscontroles reduceert tot een zwart-witsituatie (DeFond & Zhang, 2014). Volgens hen is niet alleen van belang of de jaarrekening technisch aan de norm voldoet, maar ook in welke mate de jaarrekening een goede weergave van de werkelijkheid is. Zij stellen dat hierdoor de voordelen van hoge kwaliteit van accountantscontroles worden onderschat. Bovendien geeft deze definitie geen inzicht in de verschillende factoren die het vermogen van een accountant om materiële fouten te ontdekken (Francis, 2011).
Naast deze eenvoudige definitie bestaat ook een uitgebreidere definitie. Volgens deze definitie worden accountantscontroles als economische goederen beschouwd (DeFond & Zhang, 2014). Zij stellen dat de kwaliteit hiervan afhangt van zowel de vraag en het aanbod. Beide hangen volgens hen af van de incentives en deskundigheid van zowel de klant als de accountant. De vraag naar kwaliteit van accountantscontroles hangt volgens hen af van agencykosten en regelgeving. Het aanbod van kwaliteit van accountantscontroles hangt volgens hen af van de mate van onafhankelijkheid en deskundigheid van accountants. In hun model oefent regelgeving invloed uit op zowel de vraag als het aanbod van kwaliteit van accountantscontroles. Hoe de vraag, het aanbod en de invloed van regelgeving geoperationaliseerd worden, wordt in het volgende hoofdstuk behandeld.
11
3.0 Literatuuronderzoek
In dit hoofdstuk wordt door middel van een literatuuronderzoek onderzocht in hoeverre big analyses tot een hogere kwaliteit accountantscontroles leiden. Onderzoeken naar big data-analyses in de accountancyliteratuur zijn tot op heden voornamelijk gericht op de theoretische toepassingen en gevolgen. Er is nog nauwelijks onderzoek gedaan over de effecten van big data-analyses in de praktijk. Big data-data-analyses worden tot nu toe tijdens accountantscontroles
nauwelijks in de praktijk toegepast (Cao et al., 2015). In dit onderzoek wordt daarom de effecten van big data-analyses op de kwaliteit vooral vanuit de theorie benaderd. De gevolgen van big data-analyses op de kwaliteit van accountscontroles worden beredeneerd vanuit het in de
volgende paragraaf beschreven model en meetmethodes. Vervolgens worden in de paragraaf 3.2 de voor- en nadelen van big data-analyses besproken. Ten slotte volgt de discussie. In die
paragraaf worden de effecten van de toepassingen uit paragraaf 3.2 met behulp van de criteria uit paragraaf 3.1 op de kwaliteit van accountantscontroles beredeneerd.
3.1 Criteria
Zoals in het vorige hoofdstuk is behandeld, wordt de kwaliteit van accountantscontroles beïnvloed door een vraag-en aanbodkant en bestaat de vraagkant naar de kwaliteit van
accountscontroles uit twee aspecten. Zoals besproken zijn dit incentives en deskundigheid. In deze paragraaf worden de factoren die de kwaliteit van accountantscontroles bepalen nader besproken. Ten slotte worden methodes behandeld om de kwaliteit van accountantscontrole te meten.
De deskundigheid is het vermogen om aan de door de incentives bepaalde vraag naar kwaliteit te voldoen (DeFond & Zhang, 2014). De mate van deskundigheid wordt volgens hen aan de vraagkant bepaalt door de interne auditafdeling en de auditcommissie. De deskundigheid
12
van klanten is het vermogen om aan de door incentives bepaalde vraag te voldoen (DeFond & Zhang, 2014).
Zij stellen dat de incentives aan de vraagkant agencykosten en regelgeving zijn. De incentives en deskundigheid zijn niet onafhankelijk van elkaar (DeFond & Zhang, 2014).
Aan de aanbodkant wordt de kwaliteit bepaald door de incentives voor onafhankelijkheid en de deskundigheid van accountants (DeFond & Zhang, 2014). Incentives voor
onafhankelijkheid zijn volgens hen het risico op rechtszaken, risico op reputatieschade en regelgeving. De kans op rechtszaken en reputatieschade zijn niet onafhankelijk van elkaar (DeFond & Zhang, 2014).
Volgens hen zijn deze incentives bij grotere accountantskantoren sterker. De
deskundigheid van accountants hangt af van hun opleiding, vaardigheden, expertise en de inbreng tijdens de controle. De incentives en deskundigheid zijn niet onafhankelijk van elkaar (DeFond & Zhang, 2014). Zij stellen dat accountants met een prikkel om kwaliteit te leveren vaardigheden zullen ontwikkelen om dit te doen.
Er bestaan twee verschillende categorieën methodes om de kwaliteit van
accountantscontroles te operationaliseren (DeFond & Zhang, 2014). Dit zijn volgens hen op in- en output gebaseerde methodes. Bij de op input gebaseerde methode bestaan volgens hen twee subgroepen. Dit zijn de eigenschappen van de accountant en de eigenschappen van het contract tussen de accountant en de klant. Eigenschappen van een accountant die op een hoge kwaliteit duiden zijn de grootte van het accountskantoor en industriespecialisatie. Eigenschappen van een contact die op een hoge kwaliteit duiden zijn de afgesproken prijs en veranderingen van de prijs.
Met betrekking tot de op output gefundeerde methode bestaan vier subgroepen om kwaliteit van accountantscontrole te meten (DeFond & Zhang, 2014). Dit zijn volgens hen het
13
aantal materiële fouten, het oordeel over de continuïteit, de kwaliteit van de financiële verantwoording en de perceptie van de kwaliteit door derden.
3.2 Voor- en nadelen van toepassingen van big data-analyses
In deze paragraaf worden voor- en nadelen van mogelijke toepassingen van big data-analyses besproken. Deze zijn per categorie in aparte paragrafen verdeeld. In de volgende paragraaf worden de voor- en nadelen met betrekking tot de eigenschappen van big data behandeld. Ten tweede worden in paragraaf 3.2.2 de vereiste vaardigheden voor big data-analyses behandeld. Verder wordt in paragraaf 3.2.3 het thema gegevensbescherming besproken. Vervolgens wordt in paragraaf 3.2.4 de verifiërende functie van big data behandeld. Daarna wordt in paragraaf 3.2.5 de ondersteunende functie van big data-analyses besproken. Tenslotte worden in paragraaf 3.2.6 toepassingen met betrekking tot fraudebestrijding behandeld.
3.2.1 Eigenschappen van big data
In deze paragraaf worden de voor- en nadelen met betrekking tot de eigenschappen van big data besproken.
Een belangrijk nadeel van bewijs verkregen door big data-analyses dat het slechts een verband suggereert en geen causaliteit (Yoon et al., 2015). In plaatst van de oorzaak van verschijnselen proberen te begrijpen, is het in toenemende mate mogelijk om gebruik te maken van correlaties (Cao et al., 2015). Een voorbeeld hiervan is volgens hen dat het aantal materiële fouten kan correleren met een bepaalde indicator binnen bedrijven. Daarentegen heeft werken met correlaties in plaats van causaliteit ook nadelen. Zonder achterliggende theorie over wat voor analysetechniek op wat voor data gebruikt moet worden, kan eenvoudig zorgen voor
simplistische en foutieve interpretaties en misleidende en schijncorrelaties (Alles & Gray, 2016). Ten tweede is het gebruik van big data beperkt tot correlaties van trends die helpen om de
14
toekomst te voorspellen (Brown-Liburd et al., 2015). Dit is volgens hen problematisch omdat accountants de oorzaak van onregelmatigheden moeten vaststellen. Causaliteit is volgens hen een noodzakelijk aspect van een accountantscontrole. Correlaties zijn volgens hen niet voldoende en geschikt bewijs.
Zoals in het vorige hoofdstuk besproken is big data ongestructureerd. Deze eigenschap zorgt voor ambiguïteit (Brown-Liburd et al., 2015). Zij geven hiervoor twee verklaringen. Ten eerste is data uit diverse bronnen van uiteenlopende betrouwbaarheid afkomstig (Brown-Liburd et al., 2015). Een andere verklaring voor ambiguïteit is volgens hen het gebrek van een causaal verband met de geobserveerde gebeurtenissen. Andere gevolgen van het tweede zijn eerder in deze paragraaf besproken. Als besluitvormers een lage tolerantie voor ambiguïteit hebben, zullen zij het belang van ambigue data bagatelliseren (Brown-Liburd et al., 2015). Dit leidt volgens hen tot suboptimale besluiten. Zo zal bijvoorbeeld volgens hen tijdens een accountantscontrole risicoanalyses minder effectief zijn (Brown-Liburd et al., 2015). Zij dragen als oplossing aan om voorspellende modellen te gebruiken om accountants te ondersteunen.
Het gebrek bij big data aan structuur heeft naast ambiguïteit meer gevolgen. Doorgaans maakt dit het onmogelijk om individuele transacties, klanten en producten te identificeren (Vasarhelyi et al., 2015). Volgens hen is om big data-analyses succesvol toe te passen
noodzakelijk om informatie verkregen door deze methode te koppelen aan traditioneel bewijs. Het gebruik aan structuur zorgt er voor dat geavanceerde analysetechnieken nodig zijn om big data met traditioneel bewijs te integreren (Yoon et al., 2015). Volgens hen is dit een belangrijk op stakel om big data als bruikbaar bewijs te gebruiken.
Big data is relevant omdat het een uniek en regelmatig een meer tijdig bewijs is vergelijken met traditioneel bewijs (Yoon et al., 2015). Een ander voordeel van big data is dat doorgaans veel verschillende datasoorten beschikbaar zijn voor een big data-analyse (Yoon et al.,
15
2015). Zij stellen dat geavanceerde data-analyse technieken beschikbaar zijn die grote
hoeveelheden ongestructureerde data kunnen verwerken. De grootste kosten hiervan zijn volgens hen voornamelijk de kosten om de data te verwerken. Accountants kunnen ook een eigen
dataopslag maken om schaalvoordelen te behalen en zo deze kosten te verlagen (Yoon et al., 2015).
Informatieoverdosis is het ontvangen van te veel informatie (Brown-Liburd et al., 2015). Besluitvormers zijn volgens hen slecht in het combineren van grote hoeveelheden gegeven uit meerdere bronnen. Zij stellen dat accountants als er sprake is van een overdosis aan informatie tijdens een accountantscontrole suboptimale beslissingen nemen. Big data zal dit bestaande probleem alleen maar vergroten (Brown-Liburd et al., 2015). Ook geavanceerde
data-analysesoftware geeft nog een dusdanig grote hoeveelheid data als output dat de interpretatie problematisch is voor accountants (Brown-Liburd et al., 2015). Ondanks een mogelijke informatieoverdosis is het mogelijk big data tijdens een accountantscontrole te gebruiken (Brown-Liburd et al., 2015). Zij stellen dat dit kan door modellen te maken die accountants bij het nemen van beslissingen ondersteunen. Hierdoor zal de efficiency van een accountantscontrole toenemen.
Zoals in de vorige alinea besproken kunnen big data-analyses voor een
informatieoverdosis zorgen. Dit probleem is niet nieuw. Traditionele onderzoeksmethodes kunnen ook voor een informatieoverdosis zorgen (Cao et al., 2015). Volgens hen kunnen traditionele onderzoeken ook meer foutpositieve resultaten opleveren dan redelijkerwijs
onderzocht kunnen worden. Zij stellen dat dit voor een informatieoverdosis kan zorgen. Big data-analyses ook een oplossing voor dit probleem zijn (Cao et al., 2015). Zij stellen dat dit komt doordat big data-analyses onregelmatigheden en problemen nauwkeuriger kunnen identificeren.
16
onderscheiden (Brown-Liburd et al., 2015). Bij big data is volgens hen dit lastig omdat big data een groot volume heeft en ongestructureerd is. Daardoor is het geen eenvoudige taak om tijdens een big data-analyse relevante informatie te kiezen. Een afname van het vermogen om relevante data te identificeren leidt tot afnemende prestaties (Brown-Liburd et al., 2015). Zij stellen dat deze ontwikkeling leidt tot een afname van de kwaliteit van besluitvorming. In andere sectoren volgens hen dit probleem opgelost door zich op de meest relevante data te concentreren.
Accountants zouden volgens hen ook voor deze aanpak kunnen kiezen. In de volgende paragraaf wordt besproken dat accountants doorgaans niet over deze en andere vereiste vaardigheden beschikken. Een andere mogelijkheid is om minder ervaren accountants met modellen te ondersteunen (Brown-Liburd et al., 2015).
Big data-analyses kunnen niet alleen tijdens accountantscontroles gebruikt worden, maar ook om intern binnen een portfolio van dossiers naar onregelmatigheden en kwaliteitsproblemen te zoeken (Cao et al., 2015).
Een belangrijke zorg met betrekking tot big data is datakwaliteit (Yoon et al., 2015). Bedrijven die gebruik maken van big data zullen in toenemender mate in de kwaliteit van de gebruikte data geïnteresseerd zijn (Richins et al., 2017). Volgens hen hebben bedrijven om van de toegevoegde waarde van big data te kunnen profiteren assistentie nodig. In de volgende paragraaf wordt dieper op de voor accountants vereiste vaardigheden ingegaan.
3.2.2 Vereiste vaardigheden
In deze paragraaf worden vaardigheden besproken die accountants moeten bezitten om succesvol gebruik van big data-analyse te kunnen maken.
Een belangrijk probleem bij big data-analyse is het gebrek aan ervaring, vaardigheden en adequaat opleidingsniveau van accountants (Brown-Liburd et al., 2015). Zo zijn accountants zijn
17
niet gewend om informatie te vergaren en analyseren uit buitengewoon grote populaties
afkomstig uit een scala aan niet-financiële bronnen (Brown-Liburd et al., 2015). Ten opzichte van traditionele methodes vereisen big data-analyses aanvullende interpretatievaardigheden (Alles & Gray, 2016). Volgens hen zijn dit vaardigeden om correlaties, structuren en uitbijters te
interpreteren. Bovendien vergt het meer dan de gebruikelijke vaardigheden van accountants om de geschikte big data-analysemethode te selecteren (Alles & Gray, 2016).
Daarnaast hebben accountant moeite met het herkennen van trends in het bewijs (Brown-Liburd et al., 2015). Big data stelt besluitvormers in staat om trends te zoeken in grote populaties data die in niet in steekproeven of kleinere datasets te vinden zijn (Brown-Liburd et al., 2015). Volgens hen zijn accountants onvoldoende bekwaam in het herkennen van trends in financiële en niet-financiële data. Volgens hen is de oplossing om accountants beter op te leiden in het
herkennen van trends. Accountants moeten verschillende soorten traditioneel bewijs nauwkeurig vergelijken (Yoon et al., 2015). Volgens hen hebben accountants waarschijnlijk een hiërarchisch systeem om bewijs te wegen. Zij stellen dat het lastig kan zijn om binnen een bestaand systeem bewijs verkregen door big data-analyses te wegen doordat het vaak vertekeningen en
onnauwkeurige informatie bevat. Accountants moeten de hoeveelheid relevant en betrouwbaar bewijs schatten die noodzakelijk is om aan de controledoelstellingen te voldoen (Yoon et al., 2015). De hoeveelheid bewijs die door big data-analyses verkregen wordt, hangt af van de hoeveelheid traditioneel bewijs (Yoon et al., 2015). Accountants zijn volgens hen onvoldoende vakbekwaam om deze ingewikkelde inschattingen te maken. Accountant hebben minder ervaring met de geschiktheid, betrouwbaarheid en de voldoende hoeveelheid van bewijs verkregen door big data-analyses vergeleken met traditioneel bewijs en de daarom is het lastig om vooraf de effectiviteit te voorspellen (Yoon et al., 2015).
18 3.2.3 Gegevensbescherming
In deze paragraaf worden vraagstukken met betrekking tot gegeven bescherming besproken. In paragraaf 3.2.3.1 wordt het beschermen van bedrijfsgegevens besproken. Ten slotte wordt in paragraaf 3.2.3.2 het privacyvraagstuk behandeld.
3.2.3.1 Bedrijfsgegevens
Accountants hebben directe toegang tot de big data van de klant nodig (Alles & Gray, 2016). Klanten kunnen volgens hen bezwaren hebben tegen het feit dat accountants onbeperkte toegang tot vertrouwelijke bedrijfsinformatie hebben. Bovendien stellen zij dat accounts uit angst voor rechtszaken terughoudend zullen zijn met het gebruiken van deze data. Bijvoorbeeld als
accountants tijdens de controle de data of het systeem van de klant beschadigen, zouden klanten een schadevergoeding kunnen eisen (Alles & Gray, 2016).
Gespecialiseerde accountants kunnen door schaalvoordelen en uitgebreidere kennis een hogere kwaliteit controle uitvoeren (Yoon et al., 2015). Volgens hen is het voor accounts
verboden om klant specifieke informatie zonder toestemming met derden te delen, echter kunnen de opgedane ervaring en vaardigheden ook tijdens controles bij andere klanten toegepast worden. Zij stellen derhalve dat klanten die bang zijn dat vertrouwelijke informatie in de handen van concurrenten komt, terughoudend zijn met het inhuren van gespecialiseerde accountants. Dit probleem beperkt zich niet tot big data, maar het is hier wel groter doordat big data door hogere kosten grotere schaalvoordelen heeft (Yoon et al., 2015). Door grotere schaalvoordelen zullen gespecialiseerde accountants meer big data gebruiken waardoor er een hogere toetredingsbarrière is.
Klanten die bang zijn dat hun data uitlekt zullen bedrijfsinformatie niet beschikbaar stellen (Yoon et al., 2015). Om dit probleem op te lossen stellen zij dat contractueel moet worden
19
vastgelegd voor welke doeleinden bepaalde gegevens gebruikt mogen worden. Als data ook voor andere klanten gebuikt wordt, dan moet volgens hen de cruciale informatie verborgen of gewist worden. Zij stellen dat de toegang tot de originele data beperkt moet worden en alleen in hoge mate samengestelde data voor controles bij andere klanten mag worden gebruikt.
3.2.3.2 Privacy
Privacy is een belangrijk vraagstuk met betrekking tot big data (Cao et al., 2015). Zij stellen dat sommige analysemethodes vertrouwelijke informatie nodig hebben dat niet gewoonlijk aan accountants ter beschikking wordt gesteld. Andere klanten kunnen volgens hen daardoor mogelijk profiteren van informatie uit voorgaande controles. Zij stellen dit een belangrijk vraagstuk met betrekking tot big data is.
Als accountants tijdens een controle toegang tot privacygevoelige data van werknemers zoals e-mails, video, audio-opnames, en gps-data kunnen werknemers privacy gerelateerde bezwaren hebben (Yoon et al., 2015). Volgens hen kunnen werknemers bang zijn voor zowel ongeautoriseerd intern als extern gebruik van de persoonsgegevens.
3.2.4 Verifiërende functie
In deze paragraaf wordt besproken hoe big data-analyses gebruikt kunnen worden om te verifiëren.
Big data kan gebruikt worden om de betrouwbaarheid van traditioneel bewijs te verifiëren (Yoon et al., 2015). Zij stellen dat in plaats van documenten in plaats van handmatig door big data-analyses geverifieerd kunnen worden. Bijvoorbeeld transacties kunnen door big data niet alleen met een factuur en ontvangstbewijs vergeleken worden om de transacties te verifiëren maar ook met externe data (Moffitt & Vasarhelyi, 2013). Dit verhoogt volgens hen de efficiëntie en doeltreffendheid.
20
Door big data-analyses kunnen niet alleen bewijs met externe data geverifieerd worden, maar ook de jaarrekening (Yoon et al., 2015). Volgens hen kan dit door de jaarrekening met niet-financiële onafhankelijke externe maatstaven te vergelijken. Voorbeelden hiervan zijn volgens hen
nieuwsartikelen, rapporten van analysen, en overheidsrapporten. Bovendien stellen zij ook dat door naar het weer en de reputatie op sociale media te kijken ook onregelmatigheden heden in bijvoorbeeld verkopen ontdekt kunnen worden.
De kwaliteit en betrouwbaarheid van externe data is een belangrijk vraagstuk voordat big data-analyses tijdens een accountantscontrole gebruikt kunnen worden (Wang & Cuthbertson, 2014). De betrouwbaarheid van informatie kan bijvoorbeeld laag zijn als gebruikers van sociale mediawebsites zoals Twitter niet de gehele populatie vertegenwoordigen (Yoon et al., 2015). Daarnaast kan Data verkregen uit externe bronnen zoals sociale media en nieuwsartikelen kunnen gecorreleerd zijn (Yoon et al., 2015). Dit zijn volgens hen twee mogelijke factoren die voor een vertekend beeld kunnen zorgen.
3.2.5 Ondersteunende functie
In deze paragraaf wordt besproken hoe big data-analyses accountants tijdens een controle kunnen ondersteunen.
Voorspellende modellen bij ambigue en subjectieve oordelen worden toegepast zoals bijvoorbeeld in het geval van fraude en bij het beoordelen van de continuïteit (Brown-Liburd et al., 2015). Toepassingen met betrekking tot fraudebestrijding worden in paragraaf 3.2.6
besproken. In de paraaf worden onder andere de rol van big data bij het beoordelen van de continuïteit, risico en materialiteit besproken.
Door big data-analyses kunnen betere modellen om de continuïteit van klanten te
21
met transactiedate en historische data van een onderneming (Brown-Liburd et al., 2015). Daarnaast kunnen volgens hen geavanceerde analytische benaderingen met onder andere voorspellende modellen tekortkomingen van traditionele methodes verminderen. Ten slotte kunnen big data-analyses door gebruik van externe data te maken efficiënter en effectiever een oordeel over de continuïteit vormen (Brown-Liburd et al., 2015).
Big data-analyse stellen accountants in staat om sneller trends in ongestructureerde data te ontdekken (Salijeni, Samsonova-Taddei, & Turley, 2018). Volgens hen kunnen accountants hierdoor beter klant gerelateerd risico inschatten. Zij stellen dat big data-analyses daardoor bij het vaststellen van de materialiteit ondersteuning kunnen bieden. Verder kunnen big data-analyses leiden tot betere voorspellingen met betrekking tot materialiteit (Alles, 2015). Ten slotte verzamelen accountants te veel bewijs op detailniveau (Yoon et al., 2015). Door big data-analyses met betrekking tot de kans op materiële fouten op jaarrekeningniveau toe te passen, wordt volgens hen de efficiency hoger.
Veel big data kan als indicator voor toekomstige gebeurtenissen worden beschouwd (Alles & Gray, 2016). Big data-analyse is volgens hen daarom een effectief middel om verwachtingen aan het begin en tijdens een accountantscontrole te bepalen.
Big data-analyses kunnen van alle mogelijke handelingen, de consequenties en
alternatieven bepalen gegeven de regels, beperkingen en de complexiteit van de overeenkomst met de klant (Appelbaum et al., 2017).
In een big dataomgeving is het in toenemende mate mogelijke om allerlei apparaten met het internet en bedrijfssystemen te verbinden (Appelbaum et al., 2017). Bovendien zal volgens hen krachtige software de data interpreteren en keuzes maken voor de accountant.
22 3.2.6 Fraudebestrijding
Het detecteren van fraude is een complexe aangelegenheid (Appelbaum et al., 2017). Traditionele methodes zoals controlelijsten zijn niet altijd effectief in identificeren van frauderisico’s (Brown-Liburd et al., 2015). Op het gebied van fraudebestrijding zijn er derhalve mogelijkheden voor big data-analyses om de kwaliteit van accountantscontroles te vergroten. In de literatuur worden op dit vlak verschillende voor-en nadelen van big data-analyses genoemd. Fraudedetectie wordt zelf als een van de grootste voordelen van big data-analyses beschreven (Brown-Liburd et al., 2015). In deze paragraaf worden deze voor-en nadelen besproken.
Het eerste voordeel is dat door big data-analyses frauduleuze handelingen beter worden voorspeld (Alles, 2015). Een voorbeeld hiervan is dat door gebruik te maken van big data-analyses trends kunnen worden ontdekt die bij traditionele data-data-analyses onontdekt zouden zijn gebleven (Brown-Liburd et al., 2015). Door data-analyses op big data toe te passen, kunnen volgens hen gebieden met een hoog frauderisico ontdekt worden. Zij stellen dat accountants zich hierdoor beter kunnen richten op gebieden met het hoogste risico op fraude.
Daarnaast zijn big data-analyses een geschikte methode om frauduleus gedrag op te sporen (Alles & Gray, 2016). Doordat big data uit veel verschillende elementen bestaat en uit diverse externe bronnen afkomstig is, kunnen fraudeurs volgens hen niet alle data manipuleren om de door hun gepleegde fraude te verbergen. Dit komt doordat big data in enorme
hoeveelheden realtime uit externe bronnen wordt verkregen (Yoon et al., 2015). Bovendien kan door gebruik te maken van big data-analysetechnieken op externe data fraude efficiënter en effectiever worden opgespoord (Brown-Liburd et al., 2015). Daarentegen heeft de dataomvang ook nadeel. Door de dusdanig grote omvang van big data is het te ingewikkeld om individuele data en-sets te identificeren (Zhang et al., 2015). Volgens hen is data-identificeren het koppelen van twee of meer vastgelegde gegevens naar hetzelfde individu of dezelfde entiteit. Zij stellen dat
23
dit bij gestructureerde data eenvoudiger is dan bij ongestructureerde big data. Als gevolg hiervan het ingewikkelder wordt om vast te stellen of data en-sets al dan niet bewerkt, verwijderd, of verborgen zijn als gevolg van fouten of door hackers (Zhang et al., 2015). Zij stellen doordat de data-integriteit moeilijk is vast te stellen, kan zorgen voor een domino-effect. Door dit effect verliezen andere betrouwbare bronnen een waarde. Traditionele methodes om data-integriteit te verifiëren zijn praktisch nog niet mogelijk bij big data (Zhang et al., 2015).
De grootste toegevoegde waarde van big analyses zijn vooral geavanceerde big data-analyse technieken zoals clusteren en neurale netwerken (Brown-Liburd et al., 2015). Deze geavanceerde technieken kunnen volgens hen zowel gestructureerde als ongestructureerde data verwerken. Ten eerste kan door middel van deze technieken tijdens een analyse verdachte onregelmatige transacties zoals ongeautoriseerde transacties opgespoord worden (Brown-Liburd et al., 2015). Daarnaast kunnen deze analysemethodes volgens hen gedragspatronen bijvoorbeeld het opdelen van transacties om onder de transactielimiet te blijven ontdekken. Ten slotte kunnen deze technieken ook bepaalde trends zoals het feit dat voor een vakantie vaker fraude wordt gepleegd ontdekken. Volgens hen zijn deze technieken effectiever om fraude te ontdekken dan traditionele methodes.
Door big data kan het opsporen van fraude ook moeilijker worden (Appelbaum et al., 2017). Volgens hen is meer data niet noodzakelijkerwijs effectiever. Zij stellen dat big data ingewikkelder is dan traditionele data. Het vaststellen van fraude is al complex genoeg (Appelbaum et al., 2017). Volgens hen bestaat het risico dat big data-analyses deze taak nog gecompliceerder maken.
Als er fraude wordt gepleegd en er tijdens de controle een tekort aan traditioneel bewijs is, kunnen big data-analyses aanvullend bewijs opleveren (Yoon et al., 2015). Volgens hen is het doorgaans moeilijk om bewijs voor de motivatie en rationalisatie van een fraudeur te vinden. Zij
24
stellen dat dit bijvoorbeeld kan door een data-analyse op de inhoud van e-mails van ontevreden werknemers te doen. In dit voorbeeld vult bewijs afkomstig uit big data-analyses traditioneel bewijs aan.
Door in plaats van een steekproef te trekken de gehele populatie transactie te analyseren, is de kans groter om fraude, onregelmatigheden, uitbijters en trends te ontdekken (Alles & Gray, 2016; Appelbaum et al., 2017; Brown-Liburd et al., 2015; Cao et al., 2015). Frauduleuze
transacties vertegenwoordigen slechts een fractie van de totale populatie en daardoor is de kans aanwezig dat deze niet in de getrokken steekproef zitten (Alles & Gray, 2016). Zij stellen dat door alle data te analyseren dit risico kan worden vermeden. Een nadeel hiervan is dat
accountants het risico lopen achteraf bekritiseerd te worden als ze fraude niet ontdekt hebben (Cao et al., 2015). Dit is volgens hen geen nieuw probleem, echter doordat er traditioneel op basis van steekproeven wordt gewerkt, kunnen accountants zich beroepen op het statistische risico dat een fraude niet ontdekt wordt.
Als het zoeken naar fraude volledig op basis van vaste regels wordt geautomatiseerd, dan wordt het voor fraudeurs die bekend met deze regels zijn eenvoudiger om fraude te plegen (Richins et al., 2017). Volgens hen zullen fraudeurs hun gedrag zodanig aanpassen dat de geautomatiseerde modellen de fraude niet detecteren. Zij stellen dat ondanks dat handmatige technieken ook niet alle fraudes ontdekken, deze technieken een waardevolle aanvulling op geautomatiseerde methodes zullen blijven.
Big data kan een belangrijke rol spelen bij het detecteren van fraude (Alles & Gray, 2016). Desondanks stellen zij dat als tijdens een controle als het opsporen van fraude de primaire doelstelling wordt in plaats van een reguliere accountant een forensisch accountant moet worden ingehuurd. Dit doet echter niet af aan het feit dat big data-analyses tijdens een reguliere
25 3.3 Discussie
In deze paragraaf worden van de in paragraaf 3.2 besproken toepassingen van big data-analyses aan de hand van de criteria uit paragraaf 3.1 beredeneerd. Deze paragraaf is op dezelfde wijze verdeeld als de paragraaf 3.2
3.3.1 Eigenschappen
De eigenschap dat big data-analyses gebruik maakt van correlaties in plaats van causaliteit (Cao et al., 2015), kan zoals in paragraaf 3.2.1 besproken tot foute interpretaties en tot misleidende en schijncorrelaties leiden (Alles & Gray, 2016). Verder is in die paragraaf besproken dat bewijs op gebaseerd op correlaties ongeschikt bewijs voor een accountantscontrole is (Brown-Liburd et al., 2015). Deze eigenschap zorgt voor een lagere kwaliteit inbreng en daardoor een lagere
deskundigheid aan de aanbodkant. Dit zal leiden tot een lagere kwaliteit van accountantscontroles.
Het feit dat big data ambigue is, leidt tot suboptimale besluiten (Brown-Liburd et al., 2015). Suboptimale besluiten zorgen voor een lagere kwaliteit inbreng door accountants tijdens een controle. Daardoor wordt de deskundigheid van accountants lager, wat leidt tot een lagere kwaliteit van accountantscontroles.
Bij big data-analyses is het onmogelijk om individuele transacties, klanten en producten te identificeren. (Vasarhelyi et al., 2015). Dit heeft een kwaliteitsvermindering van de inbreng aan de aanbodkant als gevolg. Hierdoor zal de deskundigheid van accountants afname. Dit zorgt voor een afname van de kwaliteit van accountantscontroles.
Zoals besproken in paragraaf 3.2.1 kunnen big data-analyses in vergelijking met
traditioneel bewijs tijdiger bewijs leveren (Yoon et al., 2015). Kwalitatief betere inbreng tijdens een controle zorgt voor meer deskundigheid aan de aanbodkant. Dit leidt tot een hogere kwaliteit
26 van accountantscontroles.
Geavanceerde big data-analysetechnieken kunnen grote hoeveelheden ongestructureerde data verwerken (Yoon et al., 2015). Deze methoden zijn volgens hen aanzienlijk duurder dan traditionele methodes. Zij stellen dat hierdoor de schaalvoordelen zo groot zijn dat alleen grote kantoren van big data-analyses gebruik zullen maken. Doordat grotere kantoren in het algemeen hogere kwaliteit werk leveren (DeFond & Zhang, 2014). Daardoor zal de inbreng en daarmee ook de deskundigheid aan de aanbodkant hoger zijn. Dit zorgt derhalve voor een hogere kwaliteit van accountantscontroles. Bovendien zijn de incentives sterker bij grotere kantoren (DeFond & Zhang, 2014). Door grotere incentives om kwaliteit te leveren aan de aanbodkant, zal de kwaliteit van accountantscontroles toenemen.
Big data-analyses kunnen een informatieoverdosis veroorzaken (Brown-Liburd et al., 2015). Dit heeft volgens hen een afname van de kwaliteit van besluitvorming als gevolg.
Suboptimale besluitvorming door accountants zorgt voor een lager kwaliteit inbreng en daardoor voor een lagere deskundigheid aan de aanbodkant. Als traditionele methodes voor een
informatieoverdosis zorgen, kunnen big data-analyses bij dragen aan de oplossing van dit probleem (Cao et al., 2015). Hierdoor zal de kwaliteit van de inbreng door accountants en
daarmee ook de deskundig aan de aanbodkant toenemen. Dit zorgt voor een hogere kwaliteit aan accountantscontroles. Big data-analyses kunnen derhalve zowel een informatieprobleem
veroorzaken als oplossen. Deze twee opties hebben een tegengesteld effect. Vervolgonderzoek zal moeten uitwijzen welk effect het in de praktijk zal voordoen.
Bij big data-analyses is het ingewikkelder om relevante informatie te onderscheiden (Brown-Liburd et al., 2015). Dit zorgt volgens hen voor een afname van de kwaliteit van
besluitvorming. Suboptimale besluitvorming zorgt voor een afname van de kwaliteit inbreng van accountants en daardoor voor een lagere deskundigheid aan de aanbodkant. De kwaliteit van
27 accountantscontroles zal derhalve afnemen.
Big data-analyses maken het voor accountants mogelijk om bij portfolio’s naar kwaliteitsproblemen en onregelmatigheden te zoeken (Cao et al., 2015). Door een hogere
kwaliteit inbreng door accountants en daardoor een grotere deskundigheid aan de aanbodkant, zal de kwaliteit van accountscontroles toenemen.
Big data-analyses hebben een aantal eigenschappen die voor een afname van kwaliteit zorgen, maar ook eigenschappen die voor een hogere kwaliteit zorgen. Vervolgonderzoek in de praktijk zal moeten uitwijzen wat de totale effecten zijn.
3.3.2 Vereiste vaardigheden
Door een gebrek aan ervaring, vaardigheden en een adequaat opleidingsniveau van accounts bezitten accountants niet alle vereiste vaardigheden voor big data-analyses (Brown-Liburd et al., 2015). Hierdoor zal de kwaliteit van de inbreng door accountants lager worden. Dit heeft als gevolg dat de deskundigheid aan de aanbodkant minder wordt. Daardoor zal de kwaliteit van accountantscontroles afnemen. Dit probleem is op te lossen door accountantskantoren door samen te werken met gespecialiseerde big databedrijven en consultants en voor accountants door het volgen van trainingen en cursussen (Alles & Gray, 2016).
Hieruit volgt dat een gebrek aan vaardigheden bij accountants niet tot een
kwaliteitsafname hoeft te leiden als accountants bij te scholen voordat ze met big data gaan werken en door samen te werken met gespecialiseerde partijen.
3.3.3 Gegevensbescherming
In deze paragraaf wordt het thema gegevensbescherming besproken. In paragraaf 3.3.3.1 komt het beschermen van bedrijfsgegevens aan de orde. Ten slotte wordt in paragraaf 3.3.3.2 het thema privacy behandeld.
28 3.3.3.1 Bedrijfsgegevens
Accountants hebben voor big data-analyses onbemerkt toegang tot gevoelige bedrijfslevens nodig (Alles & Gray, 2016). Volgens hen zorgt dit voor een groter risico op rechtszaken. Daardoor worden de incentives voor accountants om kwaliteit te leveren groter. Hierdoor zal de kwaliteit van accountantscontroles toenemen.
Bedrijven kunnen terughoudend zijn met het inhuren van accountants gespecialiseerd in big data uit angst dat bedrijfsinformatie in de handen van concurrentie komt (Yoon et al., 2015). Gespecialiseerde accountants leveren een hogere kwaliteit inbreng tijdens een controle (DeFond & Zhang, 2014). Daardoor zijn gespecialiseerde accountants deskundiger en leveren derhalve een hogere kwaliteit. Als bedrijven terughoudend zijn met het inhuren van accountants lopen zij de kwaliteitstoename mis. Dit probleem kan worden opgelost door contractueel vast te leggen waar en voor welke doeleinden data gebruikt mag worden en door de toegang tot de originele data te beperken.
Uit dit alles blijkt dat dit probleem te verhelpen is door duidelijke afspraken contractueel vast te leggen. Hierdoor kan een kwaliteitsdaling voorkomen worden.
3.3.3.2 Privacy
Big data-analyses kunnen door werknemers als privacyschending worden ervaren (Cao et al., 2015; Yoon et al., 2015). Hiermee is geen direct verband met de kwaliteit van
accountantscontroles, maar het is wel een bezwaar tegen het gebruik van big data-analyses.
3.3.4 Verifiërende functie
Big data-analyses kunnen gebruikt worden om traditioneel bewijs te verifiëren (Yoon et al., 2015). Het verifiëren van traditioneel bewijs zorgt voor een hogere kwaliteit inbreng tijdens een
29
controle. Hierdoor neemt de deskundigheid aan de aanbodkant toe wat leidt tot een hogere kwaliteit van accountantscontroles.
Daarnaast kunnen big data-analyse bewijs verifiëren met externe data (Moffitt & Vasarhelyi, 2013). Dit zorgt volgens hen voor een hogere efficiëntie en doeltreffendheid.
Hierdoor wordt de kwaliteit van de inbreng tijdens een accountantscontrole hoger. Dit zorgt voor een grotere deskundigheid aan de aanbodkant toe wat leidt tot een hogere kwaliteit van
accountantscontroles.
Big data-analyses kunnen ook gebruikt worden om de jaarrekening te verifiëren (Yoon et al., 2015). Dit zorgt voor een waardevolle toevoeging op de inbreng van accountants. Dit zorgt voor een stijging van deskundigheid aan de aanbodkant. Hetgeen zorgt voor een toename van de kwaliteit van accountantscontroles.
Een van de problemen met betrekking tot big data-analyses is de potentieel lage kwaliteit van externe data (Wang & Cuthbertson, 2014). Het feit dat gebruikers van sociale media niet de gehele bevolking vertegenwoordigen, zorgt voor een lage betrouwbaarheid (Yoon et al., 2015). Minder betrouwbare analyses door accountants zorgen voor een lagere kwaliteit inbreng. Daardoor minder deskundigheid aan de aanbodkant, hetgeen zorgt voor een afname van de kwaliteit van accountantscontroles.
Een ander probleem met externe data is dat externe bronnen gecorreleerd kunnen zijn (Yoon et al., 2015). Dit zorgt volgens hen voor een lagere betrouwbaarheid. Een minder
betrouwbare inbreng door accountants zorgt voor een lagere deskundigheid aan de aanbodkant. Dit heeft een lagere kwaliteit van accountantscontroles als gevolg.
Concluderend kan worden gesteld dat het verifiëren door middel van big data-analyses kan zorgen voor zowel een afname als stijging van de kwaliteit. Vervolgonderzoek zal moeten uitwijzen welk effect in de praktijk het sterkst is.
30 3.3.5 Ondersteunende functie
Big data-analyses maken beter modellen om continuïteit te voorspellen mogelijk (Alles & Gray, 2016; Brown-Liburd et al., 2015). Dit zorgt voor een hogere kwaliteit inbreng door accountants. Daardoor wordt de deskundigheid aan de aanbodkant groter. Hierdoor zal de kwaliteit van accountantscontroles toenemen.
Big data-analyses maken het mogelijk om klantgerelateerd risico beter in te schatten (Salijeni et al., 2018). Als risico hierdoor terecht hoger worden in geschat, hebben accountants een incentive om hogere kwaliteit te leveren. Dit zorgt voor een toename van de kwaliteit van accountantscontroles. Als het risico correct lager wordt ingeschat kan het omgekeerde ook het geval zijn.
Big data-analyses kunnen gebruikt worden om materialiteit beter te voorspellen (Alles, 2015). Door big data-analyses met betrekking tot de kans op materiële fouten op
jaarrekeningniveau toe te passen, wordt de efficiency hoger (Brown-Liburd et al., 2015). Een betere inbreng van accountants tijdens een controle zorgt voor hogere deskundigheid aan de aanbodkant. Hierdoor neemt de kwaliteit van accountantscontroles toe.
Big data-analyses zijn een effectieve methode om verwachtingen aan het begin van een controle te bepalen (Yoon et al., 2015). Dit zorgt voor een hogere kwaliteit inbreng en daarmee ook voor een toegenomen deskundigheid aan de aanbodkant. Daardoor wordt de kwaliteit van accountantscontroles hoger.
Big data-analyses kunnen accountants ondersteunen bij het kiezen van het beste alternatief uit verschillende keuzemogelijkheden (Appelbaum et al., 2017). Dit zorgt voor een hogere kwaliteit inbreng door accountants. Daardoor wordt de deskundigheid aan de aanbodkant groter. Hierdoor zal de kwaliteit van accountantscontroles toenemen.
31
interpreteren van data en voor het maken van keuzes (Appelbaum et al., 2017). Door een hogere kwaliteit inbreng door accountants en daardoor een grotere deskundigheid aan de aanbodkant, zal de kwaliteit van accountscontroles toenemen.
Uit dit alles blijkt dat het ondersteunen van accountants met big data-analyses zal leiden tot een toename aan kwaliteit. Praktijkonderzoek zal moeten uitwijzen of dit in de praktijk ook zo is.
3.3.6 Fraudebestrijding
Big data-analyses kunnen gebruikt worden om frauduleuze handelingen te voorspellen (Alles, 2015). Dit zorgt voor een betere inbreng door accountants en daardoor voor een groter
deskundigheid aan de aanbodkant. Hierdoor zal de kwaliteit van accountantscontrole toenemen. Big data-analyses maken het mogelijk om gebieden met het hoogste frauderisico op te sporen (Brown-Liburd et al., 2015). Volgens hen kunnen accountants zich hierdoor focussen op gebieden met het hoogste frauderisico. Dit zorgt voor een betere inbreng tijdens een controle, waardoor de deskundigheid van accountants zal toenemen. Daardoor zal de kwaliteit van accountantscontroles hoger worden.
Big data-analyses maken het moeilijker om fraudes te verbergen (Alles & Gray, 2016). Dit zorgt voor een betere inbreng van accountants tijdens een controle en daardoor voor hogere deskundigheid aan de aanbodkant. Hierdoor neemt de kwaliteit van accountantscontroles toe.
Big data-analyses kunnen gebruikt worden om frauduleus gedrag effectiever en efficiënter op te sporen (Brown-Liburd et al., 2015). Dit zorgt voor een hogere kwaliteit inbreng en daarmee ook voor een toegenomen deskundigheid aan de aanbodkant. Daardoor wordt de kwaliteit van accountantscontroles hoger.
32
2015), neemt de kwaliteit inbreng af. Dit leidt tot een lagere deskundigheid aan de aanbodkant. Daardoor neemt de kwaliteit van accountantscontroles af.
Geavanceerde big data-analysetechnieken kunnen ongeacht de structuur data analyseren (Brown-Liburd et al., 2015). Daarnaast zijn deze technieken volgens hen beter in het opsporen van onregelmatigheden en het ontdekken van trends. Zij stellen dat big data-analyses effectiever zijn in het ontdekken van fraude dan traditionele methodes. Hierdoor wordt de inbreng tijdens een controle beter. Dit zorgt voor een hogere deskundigheid aan de aanbodkant. Waardoor de kwaliteit van accountantscontroles hoger wordt.
Tijdens een onderzoek naar fraude kunnen big data-analyses aanvullend bewijs opleveren (Yoon et al., 2015). Dit zorgt voor een hogere kwaliteit inbreng en daardoor deskundigheid aan de aanbodkant. Hierdoor neemt de kwaliteit van accountantscontroles toe.
Big data-analyse kunnen de gehele populatie onderzoeken en daardoor is de kans groter om fraude, onregelmatigheden, uitbijters en trends te ontdekken (Alles & Gray, 2016;
Appelbaum et al., 2017; Brown-Liburd et al., 2015; Cao et al., 2015). Dit zorgt voor een hogere kwaliteit inbreng van accountants tijdens een controle en daardoor voor meer deskundigheid aan de aanbodkant. Hierdoor neemt de kwaliteit van accountantscontroles toe. Een nadeel van het onderzoeken van de gehele populatie is dat accountants achteraf bekritiseerd worden als ze een fout niet gevonden hebben (Cao et al., 2015). Door een grotere kans op rechtszaken en
reputatieschade hebben accountants een grotere incentive om kwaliteit te leveren. Hierdoor zal de kwaliteit van accountantscontroles toenemen.
Als het zoeken naar fraude op basis van vaste regels geautomatiseerd wordt, is het voor fraudeurs, die met deze regels bekend zijn, eenvoudiger om te frauderen (Richins et al., 2017). Dit zorgt voor een lagere kwaliteit inbreng tijdens de controle en derhalve voor een lagere deskundigheid aan de aanbodkant. Hierdoor zal de kwaliteit van accountantscontroles afnemen.
33
Hieruit volgt dat big data-analyses met betrekking tot fraudebestrijding tot zowel een afname als toename van de kwaliteit van accountantscontroles kan leiden. Vervolgonderzoek in de praktijk zal moeten uitwijzen welk effect het sterkste is.
34
4.0 Conclusie
In dit literatuuronderzoek is onderzocht in hoeverre big data-analyses leiden tot een hogere kwaliteit accountantscontroles. Vanuit de theorie zijn de verwachte effecten van big data-analyses op de kwaliteit van accountantscontroles beredeneerd.
Fraudebestrijding, de eigenschappen en verifiërende functie van big data laten een wisselend effect op de kwaliteit zien. Enkele toepassingen zorgen voor een positief effect en andere voor een negatief effect op kwaliteit. De meeste hiervan zijn echter positief. Het
ondersteunen van accountants door big data-analyses heeft naar verwachting een positief effect op de kwaliteit van accountantscontroles. Door accountants bij te scholen en door samen te werken met gespecialiseerde bedrijven kan worden gezorgd dat de vereiste vaardigheden voor big data-analyses aanwezig zijn. Door afspraken over het gebruik van data van contractueel vast te leggen kan het vraagstuk van gegevensbescherming worden opgelost.
Concluderend zijn de meeste verwachte effecten positief en bezwaren met betrekking tot gegevensbescherming en vereiste vaardigheden kunnen worden wegenomen. Op basis van de theorie leiden big data-analyses naar verwachting tot een hogere kwaliteit van
accountantscontroles. In dit onderzoek zijn de effecten van big data-analyses geïsoleerd benaderd. Vervolgonderzoek zal moeten uitwijzen wat in de praktijk de totaaleffecten zijn.
35
5.0 Bibliografie
Alles, M. (2015). Drivers of the use and facilitators and obstacles of the evolution of big data by the audit profession. Accounting Horizons, 29(2), 439-449.
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.
Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big data and analytics in the modern audit engagement: Research needs. Auditing: A Journal of Practice & Theory, 36(4), 1-27.
Arens, A. A., Elder, R. J., & Beasley, M. S. (2014). Auditing and assurance services: An
intergrated approach. Essex, England: Pearson Education Limited.
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.
Accounting Horizons, 29(2), 423-429.
Chow, C. W. (1982). The demand for external auditing: Size, debt and ownership influences.
Accounting Review, , 272-291.
DeAngelo, L. E. (1981). Auditor size and audit quality. Journal of Accounting and Economics,
36
DeFond, M., & Zhang, J. (2014). A review of archival auditing research. Journal of Accounting
and Economics, 58(2-3), 275-326.
Francis, J. R. (2011). A framework for understanding and researching audit quality. Auditing: A
Journal of Practice & Theory, 30(2), 125-152.
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics.
International Journal of Information Management, 35(2), 137-144.
Humphrey, C., Canning, M., & O'Dwyer, B. (2018). Audit quality and inspection in the
Netherlands: The importance of an intellectual approach to experiential learning and practice advancement. Mab, 92(1-2), 7-19.
Majoor, G., Van Asselt, E., Karssing, E., Pheijffer, M., & Verkleij, H. (2015). Grondslagen van
auditing & assurance: Elementaire theorie accountantscontrole. Groningen/Houten, The
Netherlands: Noordhoff Uitgevers bv.
Moffitt, K. C., & Vasarhelyi, M. A. (2013). AIS in an age of big data. Journal of Information
Systems, 27(2), 1-19.
Richins, G., Stapleton, A., Stratopoulos, T. C., & Wong, C. (2017). Big data analytics:
Opportunity or threat for the accounting profession? Journal of Information Systems, 31(3), 63-79.
Romney, M. B., & Steinbart, P. J. (2015). Accounting information systems. Essex, England: Pearson Education Limited.
37
Salijeni, G., Samsonova-Taddei, A., & Turley, S. (2018). Big data and changes in audit
technology: Contemplating a research agenda. Accounting and Business Research, , 1-25.
Vasarhelyi, M. A., Kogan, A., & Tuttle, B. M. (2015). Big data in accounting: An overview.
Accounting Horizons, 29(2), 381-396.
Wang, T., & Cuthbertson, R. (2014). Eight issues on audit data analytics we would like researched. Journal of Information Systems, 29(1), 155-162.
Yoon, K., Hoogduin, L., & Zhang, L. (2015). Big data as complementary audit evidence.
Accounting Horizons, 29(2), 431-438.
Zhang, J., Yang, X., & Appelbaum, D. (2015). Toward effective big data analysis in continuous auditing. Accounting Horizons, 29(2), 469-476.
