Big Data en het effect op AIS

Big Data en het effect op AIS

Bachelorscriptie

BSc Accountancy & Control

Rimmy Kloosterman

11037334

Begeleider:

dhr. prof. dr. E.E.O. Roos Lindgreen

Eindversie

26-6-2018

2

Verklaring eigen werk

Hierbij verklaar ik, Rimmy Kloosterman, 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.

De Faculteit Economie en Bedrijfskunde is alleen verantwoordelijk voor de begeleiding tot het inleveren van de scriptie, niet voor de inhoud.

Abstract

Het gebruik van big data in bedrijven is de laatste jaren veelvuldig onderzocht. De toepassing van big data in het accounting informatiesysteem is echter nog onduidelijk. De beschikbare literatuur op het gebied van big data en accounting informatiesystemen wordt vergeleken met ISO/IEC 25010:2011 standaard voor kwaliteit tijdens gebruik van een informatiesysteem. De mogelijke voordelen van het gebruik van big data op het gebied van effectiviteit, efficiëntie, genoegen van gebruikers en tijdigheid van informatie zijn groot. Zo kunnen bijvoorbeeld bedrijfsprocessen met behulp van big data-analyse efficiënter worden. Hiernaast kan het gebruik van big data-analyse inzichten opleveren, welke vooraf niet door de mens zijn verwacht. Hiermee kunnen mogelijk effectievere en efficiëntere beslissingen genomen worden door beslissers.

3

Inhoudsopgave

Abstract 2

1 Introductie 4

2 Theoretisch kader 5

2.1 Definitie Accounting Informatiesysteem 5

2.2 Definitie big data 7

2.3 Technieken big data 8

3 Kwaliteit van een informatiesysteem 11

4 Beoordeling 12 4.1 Effectiviteit 12 4.2 Efficiëntie 14 4.3 Tevredenheid 15 4.4 Tijdigheid 17 5 Conclusie en discussie 18 Bibliografie 21

Lijst van tabellen en figuren

4 1 Inleiding

Uit een in 2016 gepubliceerd onderzoek blijkt dat 70% van de onderzochte bedrijven in de Verenigde Staten big data als heel belangrijk of kritiek zien voor succes van het bedrijf (NewVantage Partners LLC, 2016). Dit is een toename van 15 procentpunt ten opzichte van het onderzoek in 2012. Deze toename kan volgens Goes (2014) verklaard worden doordat bedrijven op zoek zijn naar een technologisch competitief voordeel. Hierbij is de verwachting dat met behulp van big data de winstgevendheid van bedrijven kan worden vergroot (Borthick & Pennington, 2017). Uit het onderzoek van McAfee en Brynjolfsson (2012) blijkt dat

bedrijven die zichzelf als data gestuurd karakteriseren hun financiële en operationele doelen significant vaker behalen. Volgens Huerta en Jensen (2017) kan er met behulp van big datatechnieken grote hoeveelheden ongestructureerde data analyseren en samenvatten waarmee het management op feiten gebaseerde beslissingen kan maken. Het analyseren gebeurt volgens Borthick en Pennington (2017) door het zoeken van patronen binnen de data.

Hier tegenoverstellen Huerta en Jensen (2017) mogelijke privacy- en

veiligheidsrisico’s. Bij het verzamelen van grote hoeveelheden data neemt het risico op datalekken en de daarbij behorende wettelijke en commerciële gevolgen toe. Daarnaast stellen de auteurs dat accountants en controllers nieuwe analytische vaardigheden moeten

ontwikkelen, zoals het omgaan met data. Een ander mogelijk probleem met betrekking tot big data zijn de vaak verouderde informatiesystemen binnen bedrijven. Deze moeten volgens Borthick & Pennington (2017) worden vernieuwd of een ander systeem voor in de plaats komen om met big data te kunnen werken.

Er is recent veel gepubliceerd over big data in de wetenschappelijke literatuur. Hierin wordt vooral de toepassing binnen audits besproken. De betekenis van de technologie voor het accounting informatiesysteem is echter nog onduidelijk. In dit onderzoek staat de vraag, in hoeverre big data de kwaliteit van het accounting informatiesysteem beïnvloedt, centraal.

Dit onderzoek draagt bij aan de bestaande literatuur door de mogelijke toepassing van big data in het accounting informatiesysteem te analyseren. Dit is tot nu toe weinig besproken binnen de wetenschappelijke literatuur en hierdoor relevant. Hiernaast is het onderzoek interessant voor managers van bedrijven die de mogelijkheden van het implementeren van big data in het accounting informatiesysteem onderzoeken.

Uit dit onderzoek is gebleken dat big data de kwaliteit van het accounting

informatiesysteem kan vergroten. De effectiviteit, efficiëntie, tevredenheid van gebruikers en tijdigheid kan worden vergroot met behulp van big data. Dit komt doordat databronnen

5

completer worden en door een juiste analyse hiervan kan er betere informatie beschikbaar komen. Er zijn echter wel uitdagingen op het gebied van personeel en informatiebeveiliging.

Om de onderzoeksvraag te beantwoorden is er literatuuronderzoek gedaan. In paragraaf 2 zijn de belangrijkste begrippen uitgelegd, zoals big data en accounting informatiesysteem. Vervolgens zijn in paragraaf 3 de criteria voor kwaliteit van een accounting informatiesysteem besproken. De besproken criteria voor kwaliteit zijn effectiviteit, efficiëntie, tevredenheid en tijdigheid. Aan de hand van deze criteria is de kwaliteit van het accounting informatiesysteem getoetst. In paragraaf 4 zijn alle argumenten weergegeven en in paragraaf 5 volgt de conclusie.

2 Theoretisch kader

In de vorige paragraaf is het onderwerp geïntroduceerd. In deze paragraaf wordt het begrip accounting informatiesysteem gedefinieerd. In paragraaf 2.2 wordt big data uitgelegd door middel van het noemen van relevante kenmerken. Tenslotte worden in paragraaf 2.3 de technieken die gebruikt worden bij big data uiteengezet.

2.1 Definitie Accounting Informatiesysteem

Een accounting informatiesysteem (AIS) is volgens Romney en Steinbart (2015, p. 36) ‘een systeem dat data verzamelt, vastlegt, bewaart en dit vervolgens verwerkt tot informatie voor beslissers’. Hierbij is er volgens de auteurs sprake van zes componenten. Het eerste

component bestaat uit de mensen die het systeem gebruiken. Het tweede onderdeel bestaat uit de procedures en instructies die worden gebruikt bij het verzamelen, verwerken en het

bewaren van data. Het derde component is de data over de organisatie en de

bedrijfsactiviteiten. Het vierde onderdeel is de software die gebruikt wordt voor het verwerken van de data. Het vijfde component is de infrastructuur van de

informatietechnologie, waaronder de computers die gebruikt worden voor het AIS. Onder het laatste onderdeel valt de interne controle- en veiligheidsmaatregelen die de AIS-data

beschermt. Met behulp van deze zes componenten kan het AIS volgens Romney en Steinbart (2015, p. 37) drie functies vervullen. Ten eerste verzamelt en slaat het data op over

activiteiten van de organisatie, middelen en personeel. Ten tweede transformeert het AIS de data naar informatie welke management kan gebruiken om te plannen, uitvoeren en

6

middelen en personeel. Ten derde voorziet het in adequate controles voor het beschermen van bedrijfsbezittingen en -data. Dit wordt bevestigd door Kaplan, Krishnan, Padman en Peters (1998). Zij stellen dat het documenteren van economische gebeurtenissen en het

daaropvolgende financiële effect vastleggen het fundamentele doel van het AIS is. Dit wordt volgens Romney en Steinbart (2015, p. 52) gedaan met behulp van de dataprocessing cycle. Deze bestaat uit: input van data, bewaren van data, verwerken van data en de informatie output. Bij data input wordt data in het systeem verwerkt. Vervolgens wordt tijdens het bewaren van data de data georganiseerd opgeslagen in het AIS. De data kan volgens Chiang, Grover, Liang en Zhang (2018) op twee verschillende manieren in het accounting

informatiesysteem worden opgeslagen: als originele data of de verregaande integratie van data. Bij de eerste benadering wordt de originele data opgeslagen en dit vereist een

datamanagementsysteem die de relevante data combineert. Het voordeel hiervan is dat data niet gerepliceerd wordt. Bij de tweede mogelijkheid wordt alle relevante data volgens de auteurs gerepliceerd, waardoor een grote geïntegreerde dataopslag ontstaat. Het analyseren van de data kan hierdoor direct plaatsvinden op basis van deze dataopslag. Een andere

mogelijkheid is dat de data buiten het AIS wordt opgeslagen, waarbij alleen de resultaten van de analyse in het AIS worden opgeslagen. Volgens Romney en Steinbart (2015, p.52) gebeurt het updaten van de gegevens in een bedrijf meestal realtime tijdens het verwerken van data. De laatste stap is de informatie output. Hierbij wordt de informatie aan de gebruiker verstrekt in een document of rapport. Dit kan vervolgens gebruikt worden om beslissingen te nemen.

Een AIS voegt volgens Romney en Steinbart (2015) waarde toe aan een organisatie door het verhogen van kwaliteit en verlagen van kosten van producten of services. Het systeem monitort bijvoorbeeld de productieafdeling zodat de manager meteen een signaal krijgt wanneer de kwaliteit van de gemaakte producten buiten de gestelde kwaliteitsnormen valt. Volgens de auteurs verbetert het systeem de efficiëntie door bijvoorbeeld een just-in-time voorraadsysteem mogelijk te maken. Door het delen van kennis binnen het accounting informatiesysteem kunnen de activiteiten verbeterd worden en het bedrijf een competitief voordeel opleveren. De auteurs stellen hiernaast dat het systeem de efficiëntie en effectiviteit van de bevoorradingsketen wordt verbeterd. Klanten kunnen bijvoorbeeld direct zien of het artikel nog op voorraad is en zelf de bestelling plaatsen. Door het mogelijk te maken om de klanten zelf hun gegevens in te laten vullen neemt de klantentevredenheid toe.

7 2.2 Definitie Big Data

Big data kan volgens Appelbaum (2016) gedefinieerd worden als grote hoeveelheden

ongestructureerde data die niet verwerkt kunnen worden door traditionele software. Big data bestaat volgens de auteur uit vier V’s: volume, variety, velocity en veracity. Volume staat volgens Alles en Gray (2016) voor de grootte van een dataset. Variety staat volgens Alharthi, Bowman en Krotov (2017) voor de grote verscheidenheid aan soorten data die organisaties verzamelen. Velocity staat volgens de auteurs voor de snelheid van continue toevoegingen aan en veranderingen van datasets. Veracity verwijst volgens Chiang et al. (2018) naar de afwijkingen en ruis in de data. Een voorbeeld hiervan is volgens Gandomi en Haider (2015) de onduidelijkheid en onzekerheid die voortkomt uit sentiment van klanten in sociale media. De schrijvers stellen dat naast de eerdergenoemde vier V’s er nog sprake is van variability en

value. Variability is de variatie in de stroom van data. De velocity van de data is vaak niet

consistent en heeft periodieke pieken en dalen. Value staat volgens de auteurs voor de originele lage waarde waar de losse data voor staat. Er kan volgens de onderzoekers echter een grote waarde ontstaan door grote hoeveelheden van dit soort data te analyseren.

Big data-analyse kan volgens Chiang et al. (2018) op vier manieren waarde creëren: door het verbeteren van organisatieprestaties zoals het nemen van beslissingen, het verbeteren van bedrijfsprocessen, product- en service-innovatie en het verbeteren van de klantervaring. Het verbeteren van het nemen van beslissingen bij bedrijven kan volgens de auteurs door brede en consistente toegang tot data samen met beslissingsmodellen voor het ondersteunen van menselijke beslissingen. Bij het verbeteren van bedrijfsprocessen kan big data-analyse waarde creëren door de effectiviteit, efficiëntie en productiviteit te vergroten. De analyse kan hierbij volgens de schrijvers inzichten geven in de sterktes en zwakheden van

bedrijfsprocessen. Hiernaast kan big data-analyse volgens de auteurs waarde creëren door product- en service-innovatie. Hiermee kunnen bijvoorbeeld middels data verkregen uit aankooppatronen van klanten gepersonaliseerde advertenties worden getoond. Volgens de auteurs is de vierde manier waarop big data-analyse waarde kan creëren het verbeteren van de klantervaring. Met behulp van data verkregen uit sociale media kunnen bijvoorbeeld nieuwe klanten worden geworven. Dit wordt verder toegelicht in paragraaf 2.3 waarin de technieken van big data worden besproken.

8 2.3 Technieken Big Data

Informatie kan met behulp van big datatechnieken uit verschillende soorten data gehaald worden. De data is volgens Beasens, Bapna, Marsden, Vanthienen en Zhao (2016) afkomstig uit vijf verschillende bronnen. De eerste bron wordt gevormd door grootschalige

bedrijfssystemen, zoals ERP-systemen. Data uit sociale media vormt een tweede bron van data. Hierbij laten gebruikers een digitaal spoor achter die geanalyseerd kan worden. Dit digitale spoor kan ook worden geanalyseerd met behulp van data verkregen via mobiele telefoons die verbonden zijn met het internet. Dit vormt de derde bron aan data. De vierde bron wordt gevormd door publiek beschikbare data, zoals data over weer en verkeer. De laatste bron is het internet-of-things. Hierbij kunnen sensoren van allerlei apparaten data uitwisselen met elkaar. Deze bron vormt potentieel een grote bron aan big data, echter is het nog volop in ontwikkeling.

Volgens Chiang et al. (2018) omvat big data-analyse alle drie de soorten analyses: voorspellende-, beschrijvende- en voorschrijvende analyse. Voorspellende analyse bestaat volgens Gandomi en Haider (2015) uit verschillende technieken waarbij toekomstige

uitkomsten voorspeld worden op basis van historische en actuele data. Beschrijvende analyse rapporteert volgens Chiang et al. (2018) over het verleden. Voortschrijvende analyse maakt gebruik van modellen om optimale acties en gedrag te specificeren. Volgens de auteurs legt big data-analyse een steeds grote nadruk op voortschrijvende analyse. Conventionele statistische methodes gaan uit van een klein monster en testen die op significantie. Het resultaat wordt gegeneraliseerd naar de gehele populatie. Big data vertegenwoordigt echter een groot deel of de gehele populatie en hierdoor is statistisch significant niet meer relevant.

Warren, Moffitt en Byrnes (2015) stellen dat algoritmen informatie kunnen halen uit video’s en foto’s. Dit kan doordat een algoritme bijvoorbeeld beelden van bewakingscamera’s analyseert om te controleren of niemand in een bepaalde ruimte is geweest. Volgens Gandomi en Haider (2015) wordt dit ook wel video content analysis (VCA) genoemd. Dit is een

verzamelnaam voor verschillende technieken die videodata kunnen monitoren, analyseren en waardevolle informatie eruit kunnen afleiden. Een mogelijk probleem bij het analyseren van videodata is de grote hoeveelheid aan data. Een seconde aan hoge resolutie video staat gelijk aan 2000 pagina’s met tekst. De mogelijke oplossing hierbij zijn volgens de auteurs big datatechnieken, doordat deze wel in staat zijn om grote hoeveelheden data effectief en

efficiënt te analyseren. Er zijn volgens de auteurs twee manieren om een systeem in te richten waarbij videoanalyse mogelijk is: server-based en edge-based. Bij server-based wordt de data

9

van elke aparte camera naar een centrale server gestuurd waar de analyse plaatsvindt. In de andere benadering vindt de analyse lokaal plaats in de camera. Dit heeft volgens de auteurs als voordeel dat de data effectiever geanalyseerd kan worden. Dit is echter wel kostbaarder om te onderhouden.

Tekst mining of tekstanalyse heeft volgens Gandomi en Haider (2015) betrekking tot de technieken die informatie uit tekstdata afleidt. Deze data bestaat uit e-mails, geschreven teksten op sociale media en bedrijfsdocumenten. De tekstanalyse is in staat om grote hoeveelheden tekstdata in betekenisvolle samenvattingen te transformeren die het

management ondersteunen bij het nemen van beslissingen. De technieken die hierbij gebruikt worden zijn onder andere statistische analyse, computationele taalkunde en machine learning. Hiernaast worden informatie extractie technieken gebruikt. Deze halen uit ongestructureerde data gestructureerde data. Dit gebeurt met behulp van erkenning van entiteit en relatie extractie. Erkenning van entiteit vindt namen binnen tekstdata en classificeert deze in een bepaalde categorie. Relatie extractie vindt relaties tussen entiteiten. Technieken om teksten samen te vatten halen de belangrijkste informatie uit documenten en verwerkt dit tot een samenvatting. Dit gebeurt door middel van extractieve en een abstracte samenvatting. Bij een extractieve samenvatting zoekt de software de belangrijkste informatie door een analyse van de frequentie en locatie in de tekst te maken en kopieert dit letterlijk in de samenvatting. Abstracte samenvattingen daarentegen halen semantische informatie uit de tekst en maken hierbij een samenvatting op basis van de originele tekst zonder hoofdzakelijk letterlijk zinnen te kopiëren. Dit levert volgens Gandomi en Haider (2015) meer coherente samenvattingen op. Echter zijn extractieve samenvattingen makkelijker te maken binnen big data. Een systeem zoals Siri van Apple is een voorbeeld van een vraag-beantwoordingssysteem. Deze techniek geeft antwoorden op vragen gesteld in een bepaalde taal. Hiernaast kunnen ook sentimenten geanalyseerd worden. Dit wordt ook wel opinie mining genoemd. De opinie van mensen ten opzichte van producten, organisaties en individuen kunnen uit een tekst geanalyseerd worden. De analyse kan op drie manieren worden uitgevoerd. Op documentniveau, zinniveau en aspect gebaseerd. Bij een analyse document niveau wordt bepaald in hoeverre uit het gehele document een positief of negatief sentiment komt. Hierbij wordt aangenomen dat in het document sentiment over één entiteit staat. Op zin niveau wordt eerst onderscheid gemaakt tussen subjectieve en objectieve zinnen, waarna er op zin niveau wordt bepaald of er een positief of negatief sentiment is. Bij aspect gebaseerde technieken wordt data geanalyseerd en in waardevolle informatie over verschillende aspecten van het product getransformeerd. De

10

informatie uit de tekstanalyses zou volgens Warren, Moffitt en Byrnes (2015) gebruikt kunnen worden om bijvoorbeeld klanttevredenheid te meten.

Audioanalyse analyseert volgens Gandomi en Haider (2015) ongestructureerde audiodata om er informatie uit af te leiden. Callcenters gebruiken audioanalyse bijvoorbeeld voor een efficiënte analyse van miljoenen uren aan opgenomen telefoongesprekken.

Sociale media analyse analyseert volgens Gandomi en Haider (2015) zowel gestructureerde als ongestructureerde data afkomstig van sociale media. Deze analyses

worden vooral gebruikt voor marketingdoeleinden. De analyses kunnen verdeeld worden over twee groepen: content-based en structure-based. Content-based richt zich op de data die gebruikers posten op sociale media. Deze data is omvangrijk, ongestructureerd en dynamisch. Hiertegenover staat structure-based welke gebruikmaakt van relaties tussen gebruikers van sociale media.

Het succes van deze technieken is volgens Beasens et al. (2016) voor een groot deel afhankelijk van de kwaliteit van de data. Wanneer de kwaliteit van data laag is kunnen deze technieken geen zinvolle analyses geven. Dit valt echter buiten het bereik van deze scriptie en wordt daarom niet verder onderzocht.

Naast de mogelijke technieken voor het analyseren van big data is het volgens Tay et al. (2018) belangrijk om de uitkomsten te visualiseren voor beslissers. Hierbij zijn volgens de auteurs de 4 I’s relevant: identificatie, integratie, immediacy en interactiviteit. Bij identificatie gaat het volgens de auteurs over de belangrijkste vragen die de gebruiker wil beantwoorden met het gebruik van de big datavisualisatie. De verschillende typen data moeten geanalyseerd en gevisualiseerd worden, dit gebeurt bij integratie. Immediacy betekent hoe vaak de

informatie en visualisatie geüpdatet moet worden om de relevante informatie zo snel mogelijk te tonen. In hoeverre het mogelijk kan worden gemaakt om de visualisatie dynamischer en succesvoller te maken heet interactiviteit. Hierbij wordt volgens de auteurs door het creëren van visuele interactiviteit met behulp van big data inductief onderzoek versterkt.

Om te kunnen profiteren van de voordelen van big data-analyse moeten bedrijven volgens Chiang et al. (2018) investeren in big data bezittingen, analyse portfolio en menselijk talent. Met deze investeringen in de big data infrastructuur kan volgens de auteurs waarde voor het bedrijf gegenereerd worden. De investeringen in bezittingen bestaan volgens de auteurs uit: kwaliteit, integratie en veiligheid van data. Het analyseportfolio verschilt per bedrijf, bedrijven met aspirational data-analyse mogelijkheden gebruiken dit bijvoorbeeld voor het vergroten van efficiëntie binnen processen. Dit vergt weinig investeringen voor een bedrijf en benut niet alle mogelijkheden van data-analyse (Chiang et al., 2018). Organisaties

11

met ervaren data-analyse mogelijkheden gaan verder dan kosten besparen met behulp van het systeem. Deze bedrijven ontwikkelen volgens de auteurs effectieve methoden voor het verzamelen, implementeren en gebruiken van data-analyse voor bedrijfsoptimalisatie. De volgende stap in het gebruik van data-analyse in bedrijven is getransformeerde analyse. Deze organisaties hebben volgens Chiang et al. (2018) substantiële ervaring met het gebruik van data-analyse betreffende het organiseren van personeel, processen en analyse hulpmiddelen. Per analyseportfolie verschillen de middelen die besteed worden.

3 Kwaliteit van een informatiesysteem

In de vorige paragraaf zijn de kenmerken van accounting informatiesystemen en big data besproken. In deze paragraaf wordt de term kwaliteit van informatiesystemen gedefinieerd. Er bestaat vanuit de literatuur geen eenduidige definitie voor een hoge kwaliteit van een

accounting informatiesysteem. Daarom wordt het in deze paragraaf onderverdeeld in een aantal indicatoren.

Volgens ISO/IEC 25010:2011 zijn de karakteristieken van kwaliteit tijdens het gebruik van een informatiesysteem: effectiviteit, efficiëntie, tevredenheid, vrij van risico’s en dekking van context. Dit is te zien in figuur 1. De belangrijkste drie voor dit onderzoek zijn:

effectiviteit, efficiëntie en tevredenheid. Deze drie zullen gebruikt worden als criteria voor een accounting informatiesysteem van hoge kwaliteit in dit onderzoek.

Effectiviteit is de nauwkeurigheid en compleetheid in hoeverre gebruikers specifieke doelen behalen. Zoals beschreven staat in paragraaf 2.1 is het doel van het accounting informatiesysteem data verzamelen, vastleggen, bewaren en dit vervolgens verwerken tot informatie voor beslissers (Romney & Steinbart, 2015, p. 36).

Efficiëntie zijn de middelen besteed in relatie tot de nauwkeurigheid en compleetheid van de specifiek behaalde doelen van gebruikers.

Tevredenheid betekent in hoeverre het systeem aan de behoeften van een gebruiker voldoet binnen een specifieke context waarin deze gebruikt wordt. Dit is vervolgens

onderverdeeld in bruikbaarheid, vertrouwen, genoegen en comfort. Bruikbaarheid is de mate waarin een gebruiker tevreden is met zijn waargenomen realisatie van pragmatische doelen, inclusief de resultaten van gebruik en de gevolgen van gebruik. Vertrouwen staat voor de mate waarin een gebruiker vertrouwen heeft dat het product of systeem zich gedraagt zoals vooraf verwacht wordt. Genoegen is in hoeverre de gebruiker plezier haalt uit het vervullen

12

van persoonlijke behoeften. Comfort is de mate waarin de gebruiker tevreden is met het fysieke gemak van het informatiesysteem.

Naast de bovenstaande kwaliteitseisen is tijdigheid van informatie relevant. Volgens Ballou en Pazer (1995) wordt informatie voor beslissers na verloop van tijd nauwkeuriger. De kwaliteit van de data gaat omhoog, doordat er meer data gegenereerd is. De informatie wordt volgens de auteurs echter minder relevant voor beslissers na verloop van tijd. Er is volgens de schrijvers een optimaal punt tussen de verouderde nauwkeurige en de actuele onnauwkeurige informatie. Voor de kwaliteit van een AIS is belangrijk dat de informatie op het juiste

moment zo nauwkeurig mogelijk beschikbaar is voor beslissers.

Figuur 1 Kwaliteitseisen tijdens gebruik (ISO/IEC 25010:2011)

4 Beoordeling

In de voorgaande paragraaf zijn de eisen voor een kwalitatief hoogwaardig accounting informatiesysteem uiteengezet. Vervolgens worden in deze paragraaf effectiviteit, efficiëntie, tevredenheid en tijdigheid vergeleken met voorgaande onderzoeken over de kwaliteit van informatiesystemen.

4.1 Effectiviteit

Een effectief accounting informatiesysteem is in voorgaande paragraaf beschreven als een systeem dat zo nauwkeurig en compleet mogelijk data verzamelt, vastlegt, bewaart en dit vervolgens verwerkt tot informatie (ISO/IEC 25010:2011). Met het gebruik van big data

13

neemt de hoeveelheid data die verzameld wordt toe. Dit komt doordat er naast data uit interne bronnen ook externe data verzameld wordt (Huerta & Jensen, 2017). De schrijvers stellen dat naast het grotere volume, de data gedetailleerder is dan bij traditionele systemen. Uit

onderzoek van Kwon, Lee en Shin (2014) blijkt dat naarmate de databronnen van een bedrijf completer zijn, de waargenomen voordelen van het gebruik van interne databronnen bij big data toenemen. Hiernaast stellen de auteurs dat naarmate de databronnen van een bedrijf completer zijn, de waargenomen voordelen van het gebruik van externe data toenemen. Hierdoor neemt de nauwkeurigheid en compleetheid van het verzamelen van data door het accounting informatiesysteem toe.

Door de grote verscheidenheid aan formats van de data, de variety, is het belangrijk om de data nauwkeurig en compleet vast te leggen in het informatiesysteem (Chen & Zhang, 2014). Volgens Chiang et al. (2018) kan big data-analyse alleen effectief worden uitgevoerd wanneer de data van verschillende formats wordt geïntegreerd en geüniformeerd. Dit wordt door de auteurs beschreven als een belangrijke uitdaging bij het implementeren van big data-analysesystemen.

De bewaarfunctie van een AIS is met de introductie van big data volgens Chen en Zhang (2014) veranderd. Doordat het volume van de verzamelde data is toegenomen, is de opslagcapaciteit vergroot. De opslag van data is hiernaast volgens Sanders (2016) goedkoper geworden waardoor het economisch aantrekkelijker is dan in het verleden. Dit maakt de compleetheid van de data groter, doordat er meer data bewaard kan worden. Het risico bij het bewaren van grotere hoeveelheden data is echter de veiligheid. Volgens Chiang et al. (2018) zijn traditionele beveiligingsmethodes voor de beveiliging van kleinschalige databases niet meer toereikend. Huerta en Jensen (2017) stellen dat informatiebeveiliging transformeert van toegangscontroles naar cyberveiligheid. Hierbij gaat het om het beveiligen van gegevens van klanten, zakenpartners en leveranciers. Het beveiligingsrisico neemt volgens de auteurs toe doordat er gedetailleerdere data wordt opgeslagen, waarbij de mogelijke schade die wordt toegebracht groter is dan bij geaggregeerde informatie. Volgens Chiang et al. (2018)

impliceert de groeiende cyberdreiging dat bedrijven een datalek moeten verwachten en zich erop voorbereiden. Er moeten volgens de auteurs maatregelen geïmplementeerd worden om datalekken tijdig te detecteren waardoor de negatieve gevolgen geminimaliseerd worden. Als mogelijke oplossing hiervoor geven de onderzoekers een model met verschillende defensieve lagen, het ui-model. Bij de buitenste laag, de distributielaag, worden encryptietechnieken, privacybeschermingsmechanismen en datatoegangscontroles gebruikt. De volgende laag is de analysebescherming. Hierbij is het noodzakelijk voor bedrijven om een beveiligd raamwerk

14

voor het gebruik van analyses te ontwikkelen. Op het niveau van de gebruiker wordt er gebruikgemaakt van authenticatiemechanismen om de validiteit te controleren.

De verwerking van data tot informatie voor beslissers bestaat volgens Huerta en Jensen (2017) uit het analyseren en samenvatten van informatie. Doordat de algoritmes hiervoor ontwikkeld zijn door mensen met hun eigen biases met betrekking tot de uitvoering van het programma. Dit effect kan worden verminderd door gebruik te maken van machine learning technieken. Uit onderzoek van Geerts en Murthy (2017) blijkt dat het gebruik van externe data de informatie voor beslissers beter maakt. De auteurs hebben een model

ontwikkeld waarbij ze met behulp van data-analysetechnieken informatie uit de data halen en dit vervolgens gebruikt wordt om beslissingen te nemen. Dit heeft volgens Chiang et al. (2018) een significante invloed op de organisatorische prestaties. Door op basis van

streamingdata zoals prestatiedata en just-in-time inventaris status systemen in te richten kan de besluitvorming verbeterd worden. Hiernaast is het voordeel van de grote verscheidenheid aan data volgens Sanders (2016) dat er onverwachte verbanden kunnen worden gevonden. Zo kan een algoritme volgens de auteur elk soort verband tussen variabelen ontdekken en zelf relevante en interessante vragen stellen zonder menselijke tussenkomst. De resultaten hiervan zijn vooraf niet verwacht en hadden dus met behulp van traditionele methoden niet gevonden kunnen worden. Bij de traditionele methoden werd er volgens de auteur gericht naar data gezocht om een vooraf bepaalde hypothese te testen. Met de komst van big data-analyse wordt de computer volgens de auteur een actieve participant in het onderzoeksproces en kan zelf nieuwe kennis creëren en ontdekkingen doen.

Het gebruik van big data-analysetechnieken kan de effectiviteit vergroten van het accounting informatiesysteem door een grote nauwkeurigheid en compleetheid van het verzamelen, vastleggen, bewaren en verwerken tot informatie. Een voorbeeld hiervan is dat met behulp van algoritmes patronen in data kunnen worden ontdekt, waarvan men niet had verwacht dat er een verband bestaat. Door de grotere hoeveelheid data ontstaan er echterook potentiële dreigingen op het gebied van cyberveiligheid.

4.2 Efficiëntie

De efficiëntie van een accounting informatiesysteem is in de voorafgaande paragraaf

beschreven als de middelen die besteed zijn in relatie tot de nauwkeurigheid en compleetheid waarmee het systeem data verzamelt, vastlegt, bewaart en dit vervolgens verwerkt tot

15

gehinderd door bestaande systemen. Hoe groter en ouder het bedrijf, des te meer verschillende systemen er zijn. Volgens de auteurs is het dan erg kostbaar om deze systemen te vernieuwen of al deze systemen samen te voegen tot één systeem. Zoals beschreven in paragraaf 2 moeten bedrijven, om te kunnen profiteren van de voordelen van big data-analyse, volgens Chiang et al. (2018) investeren in big data bezittingen, analyse portfolio en menselijk talent. De

investeringen in menselijk talent wordt door de onderzoekers gezien als de grootste uitdaging bij big data-analyse. Het cultiveren van menselijk kapitaal en de organisatiecultuur in

combinatie met het informatiesysteem is hierbij volgens de auteurs de grootste uitdaging. Het gemis aan big data professionals, zoals data scientist, is een van de grootste problemen voor bedrijven. Dit wordt bevestigd door McAfee en Brynjolfsson (2012). Zij stellen dat

talentmanagement van bijvoorbeeld data scientists een belangrijk onderdeel is van het succes van big data.

De investeringen zijn zoals hierboven genoemd aanzienlijk door het vervangen van verouderde systemen en de schaarsheid die heerst aan gekwalificeerd personeel. De middelen besteed, in relatie tot de nauwkeurigheid en compleetheid waarmee het systeem data

verzamelt, vastlegt, bewaart en dit vervolgens verwerkt tot informatie, zijn nuttig door de mogelijkheden van big data voor het accounting informatiesysteem. Zo investeert UPS volgens Chiang et al. (2018) jaarlijks meer dan 1 miljard dollar aan het informatiesysteem om met behulp van sensoren in de bezorgauto’s bijvoorbeeld snelheid, richting en gebruik van remmen te meten. Deze data wordt realtime naar de servers gestuurd voor analyse.

Deze data wordt vervolgens aan het eind van de dag geüpload naar het UPS-datacenter. Door de resultaten die uit deze analyse is verkregen, wordt er volgens de auteurs in 2011 dagelijks rond de 85 miljoen mijl minder gereden.Geschat wordt dat met elke mijl die per dag minder gereden wordt op jaarbasis tot 30 miljoen dollar bespaard. Het blijft volgens de auteurs echter moeilijk om waarde toe te kennen aan het informatiesysteem. Dit komt doordat er veel

factoren en variabelen meespelen die elk een waarde toegekend moeten krijgen. Big data kan de efficiëntie van een accounting informatiesysteem ten goede komen, zoals bij het voorbeeld van UPS. Het blijft echter moeilijk de precieze waarde meetbaar te maken.

4.3 Tevredenheid

De tevredenheid van gebruikers van het accounting informatiesysteem staat voor in hoeverre het systeem aan de behoeften van een gebruiker voldoet om met behulp van informatie gegenereerd door het informatiesysteem beslissingen te nemen. Tevredenheid is

16

onderverdeeld in een aantal sub-criteria: bruikbaarheid, vertrouwen, genoegen en comfort (ISO/IEC 25010:2011).

De bruikbaarheid van een accounting informatiesysteem kan volgens Huerta en Jensen (2017) met behulp van big data vergroot worden door gebruik te maken van visualisatie hulpmiddelen. Deze markeren de relevante informatie voor beslissers. Hierbij is het noodzakelijk om de variabelen die invloed hebben op het tonen van resultaten juist in te richten, zoals type visualisatie, kleuren en het bereik van de schalen. Volgens de auteurs hebben hierbij de beslissingen die ontwerpers van de uiteindelijke visualisatie maken een indirect effect op het gebruik van big data. Uit het onderzoek van Tay et al. (2018) blijkt dat hierbij de vier I’s van belang. Dit is al beschreven in paragraaf 2.3. Wanneer deze op de juiste manier gebruikt worden, verhoogt visualisatie volgens de auteurs de waarde van big data-analyse en accounting informatiesystemen door de gegeneerde informatie duidelijker te tonen aan beslissers. Uit onderzoek van vom Brocke, Jung, Lehrer, Seidel en Wieneke (2018) is gebleken dat met behulp van visualisatie hulpmiddelen verzekeringsagenten tijdig geschikte serviceaanbiedingen aan klanten kunnen doen. Dit toont volgens de onderzoekers het nut van visualisatie hulpmiddelen. Ondanks deze resultaten is er volgens Tay et al. (2018) in de gebruikelijke visualisatiesoftware geen goede manier om belangrijke informatie over

statistische significantie weer te geven in de visualisatie. Hierdoor kunnen gebruikers volgens de auteurs mogelijk denken dat de resultaten significant zijn, terwijl dit niet het geval is. De onderzoekers geven als mogelijke oplossing grafische overlapping, waarbij er extra informatie wordt weergegeven over de statistische significantie.

De mate waarin gebruikers van het informatiesysteem de gegeneerde informatie vertrouwen is volgens Huerta en Jensen (2017) afhankelijk van het daadwerkelijke gebruik. Wanneer er te weinig vertrouwd wordt op het informatiesysteem met behulp van big data, gaan investeringen verloren en wordt waardevolle informatie buiten beschouwing gelaten. Een mogelijke verklaring hiervoor is volgens de auteurs dat een nieuw systeem de

machtsstructuur ontwricht en de zakelijke dynamiek verandert. Bij een te groot vertrouwen wordt de gegenereerde informatie gelijk en zonder na te denken geaccepteerd. Het accounting informatiesysteem moet het maken van beslissingen met behulp van big data-analyse

ondersteunen volgens de auteurs. Hierbij moeten de resultaten uit de analyses worden betwist op validiteit en wanneer dit niet het geval is, gaat dit ten koste van de professionaliteit (Huerta & Jensen, 2017). Er is volgens de auteurs nog geen duidelijkheid over de exacte mate waarin gebruikers op het big data informatiesysteem moeten vertrouwen om een optimaal resultaat te bereiken. Volgens Beasens et al. (2016) is de mate van vertrouwen afhankelijk van de

17

prestaties. Wanneer er resultaten worden behaald met behulp van big data-analyses, neemt het vertrouwen in het gebruik van big data toe.

Het genoegen bij gebruik van het informatiesysteem kan volgens Wang (2016) vergroot worden door een efficiënte importance-satisfaction analyse uit te voeren. Hierbij wordt er, met behulp van feedback die gebruikers van het informatiesysteem geven, duidelijk welke eigenschappen als eerste veranderd moeten worden. Hiernaast geeft de analyse

duidelijkheid over welke eigenschappen moeten blijven zoals ze op het huidige moment zijn. Ten slotte zijn er eigenschappen die na de eerste aanpassingen aan het systeem nogmaals aangepast of genegeerd moeten worden voor een betere verdeling van schaarse middelen. Volgens Abraham, Goel, Ives en Junglas (2013) halen mensen plezier uit de interactie met andere gebruikers door middel van het informatiesysteem. Hierbij worden de gebruikers niet alleen gezien als informatieverwerkers, maar halen ze daarnaast genot uit het zoeken van sociale contacten wat gefaciliteerd wordt door technologie. Om het genoegen bij gebruik van het informatiesysteem toe te laten nemen, is het volgens de auteurs belangrijk om dit mogelijk te maken.

Comfort is omschreven als de mate waarin de gebruiker tevreden is met het fysieke gemak van het informatiesysteem. Er is echter geen bestaande wetenschappelijke literatuur bekend over dit onderwerp, waardoor het effect onduidelijk blijft. Daarom wordt de aanname gemaakt dat het fysieke comfort van het accounting informatiesysteem als voldoende wordt beoordeeld door de gebruiker.

4.4 Tijdigheid

Volgens Green en Prashad (2015) is de tijdigheid van informatie in een AIS bevorderlijk voor het beoordelen van de financiële positie van een bedrijf. Dit wordt bevestigd door onderzoek van Ballou en Pazer (1995). Zij stellen dat het nuttig is om veranderingen bij het

informatiesysteem aan te brengen om de eerste fouten en/of de tijd waarin de informatie zonder fouten beschikbaar komt te verminderen. Big data biedt de mogelijkheid om realtime data te verwerken (Gandomi & Haider, 2015). Dit wordt bevestigd door Goes (2014). Hij stelt in zijn artikel dat met behulp van big data-analyse beslissingen mogelijk realtime of bijna realtime kunnen worden gemaakt. Een voorbeeld hiervan is volgens Sanders (2016) Marriot International. Zij gebruiken realtime data verkregen uit meerdere bronnen om prijzen voor hotelkamers te optimaliseren. Hierbij houden zij rekening met bijvoorbeeld klanttype en het weer. Een analyse van deze soort kon volgens McAfee en Brynjolfsson (2012) tot wel acht

18

weken duren met gebruik van traditionele dataverwerkingsmethoden. Door de lange verwerkingsperiode bij traditionele methoden, waren de uitkomsten die hieruit verkregen werden niet meer relevant en optimaal. De toepassing in het accounting informatiesysteem is dat informatie (bijna) realtime beschikbaar is. Hierdoor kunnen managers volgens de auteurs snel beslissingen nemen die nauwkeuriger zijn. De Amerikaanse retailer Walmart maakt volgens Sanders (2016) bijvoorbeeld gebruik van big data-analyse in de bevoorradingsketen. Volgens de auteur worden hierbij de meer dan een miljoen transacties per uur in één

technologieplatform vastgelegd. Deze transacties worden vervolgens geanalyseerd en de verkregen informatie ondersteunt de manager in het nemen van beslissingen. Het wordt zo snel mogelijk beschikbaar gemaakt, waardoor tijdig een besluit genomen kan worden.

De tijdigheid van informatie houdt volgens Fehrenbacher (2016) ook verband met de tevredenheid van de gebruiker over de kwaliteit van informatie. In een complexe omgeving wordt tijdigheid van het ontvangen van informatie belangrijker naarmate de gebruiker minder tevreden is over deze informatie. Wanneer de tevredenheid hierover namelijk daalt, zal de gebruiker volgens de auteurs vaker om updates vragen dan wanneer hij tevreden zou zijn. In een simpele dataomgeving neemt het belang van tijdige informatie af naarmate de

tevredenheid van de gebruiker afneemt. Dit wordt volgens de auteur veroorzaakt door frustratie over de lage informatiekwaliteit. Hierdoor daalt de motivatie van de gebruiker om verbeteringen aan te brengen.

5 Conclusie en discussie

De vraag in hoeverre het gebruik van big data de kwaliteit van een accounting

informatiesysteem vergroot staat in dit onderzoek centraal. Het onderzoek is uitgevoerd door middel van een literatuurstudie. Het accounting informatiesysteem is gedefinieerd als een systeem dat data verzamelt, vastlegt, bewaart en dit vervolgens verwerkt tot informatie voor beslissers. Dit is van belang voor managers van bedrijven omdat zij mogelijk voordelen kunnen behalen met het implementeren van big data in het accounting informatiesysteem van het bedrijf. Hierbij kunnen mogelijk betere beslissingen worden genomen op basis van informatie van hogere kwaliteit. Om te bepalen wanneer het informatiesysteem van hoge kwaliteit is zijn de voorwaarden effectiviteit, efficiëntie, tevredenheid en tijdigheid genoemd. Deze zijn gebaseerd op de ISO/IEC 25010:2011 standaard over kwaliteit bij gebruik van informatiesystemen.

19

De effectiviteit kan worden vergroot doordat de databronnen van het systeem completer zijn, hierdoor is echter wel de uitdaging om deze databronnen effectief op te kunnen slaan in het AIS. Deze toename in databronnen vereist hiernaast betere beveiliging van de data. Door het gebruik van analyse en algoritmes wordt de data tot informatie voor beslissers verwerkt. Big data-analyse kan mijns inziens de effectiviteit vooral vergroten doordat het continu data kan verwerken en analyseren uit een zeer grote hoeveelheid data. Hierdoor kunnen uit deze analyses onverwachte resultaten komen doordat het data aan elkaar koppelt waar bedrijven eerst geen weet van hadden dat deze verband met elkaar houden. Dit leidt tot nieuwe inzichten en informatie waarmee beslissers betere beslissingen kunnen nemen.

De efficiëntie van het accounting informatiesysteem kan worden verhoogd doordat de opbrengsten de investeringen overtreffen. Uit een casusstudie van onderzoekers bij UPS is gebleken dat de investeringen in het accounting informatiesysteem lager waren dan de

besparingen die bijvoorbeeld bij het aantal gereden kilometers worden behaald (Chiang et al., 2018). Dit is naar mijn mening een goed voorbeeld uit de praktijk voor het succesvol

implementeren van big data-analyse. Het is echter moeilijk om de precieze waarde toe te kennen aan besparingen die big data-analyse opleveren. Desondanks biedt het gebruik van big data in het accounting informatiesysteem veel kansen voor het behalen van economisch gewin en kan big datagebruik daardoor een goede investering zijn.

De tevredenheid van gebruikers van het systeem kan worden vergroot door het gebruik van visualisatiehulpmiddelen. Hierbij wordt de relevante informatie voor een beslisser

gemarkeerd, waardoor er op basis van relevantere informatie een beslissing kan worden genomen (Brocke et al., 2018; Huerta & Jensen, 2017; Tay et al., 2018). Een mogelijk probleem hierbij is dat de ontwerpers, die beslissen welke informatie in de visualisatie komt, hun eigen afwijking hebben. Dit kan indirect de tevredenheid tijdens het gebruik van big data beïnvloeden (Huerta & Jensen, 2017). In hoeverre managers beslissingen nemen op basis van informatie gegenereerd met behulp van big data, is echter wel afhankelijk van het vertrouwen van de gebruikers in het informatiesysteem. Wanneer er geen vertrouwen in het systeem is, wordt de informatie niet goed gebruikt en verliest het vervolgens zijn waarde. Hierdoor is het van belang dat managers genoeg vertrouwen hebben in het systeem dat zij gebruiken. Het genoegen wat gebruikers ervaren tijdens het gebruik van het AIS kan worden gemeten met behulp van een importance-satisfaction analyse (Wang, 2016). De feedback van gebruikers is een waardevolle informatiebron voor het meten van het genoegen tijdens gebruik. Wanneer er

20

te weinig genoegen is tijdens het gebruik kan dit bijvoorbeeld worden vergroot door mensen te laten interacteren via het systeem (Abraham et al., 2013).

De tijdigheid van informatie uit het systeem kan worden vergroot, doordat met behulp van big data steeds meer informatie realtime getoond kan worden. Dit komt door het realtime uploaden van data en de snellere verwerking hiervan dan bij traditionele analysemethoden. Dit heeft als voordeel voor beslissers dat informatie tijdiger en completer beschikbaar komt (Chiang et al., 2018). Dit is van belang doordat informatie na verloop van tijd zijn waarde verliest doordat de relevantie hiervan afneemt. Wanneer er dan een beslissing wordt genomen op basis van oudere en mogelijk minder relevante informatie, kan het de effectiviteit van de beslissing beïnvloeden.

Doordat de technologische ontwikkeling van big datatechnieken snel gaat, is in deze scriptie de mogelijke toepassing beschreven. Er zijn voorbeelden van bedrijven waar de toepassing van big data-analyse grote voordelen voor bedrijven heeft gebracht. Dit is echter nog niet grootschalig in de praktijk toegepast en/of onderzocht. De vraag blijft daarom in hoeverre dit te generaliseren is naar bedrijven in bepaalde segmenten. Hierdoor is het

mogelijk interessant om vervolgonderzoek te richten op de praktische gevolgen van big data-analyse in het accounting informatiesysteem te onderzoeken. Dit zou mogelijk onderzocht kunnen worden door casusstudies bij bedrijven. Hiernaast zijn door de snelle technologische vooruitgang de langetermijngevolgen nog niet duidelijk. Dit vormt daarom tevens een mogelijke richting voor vervolgonderzoek.

21

Bibliografie

Abraham, C., Goel, L., Ives, B., & Junglas, I. (2013). The Social Component of Information Systems—How Sociability Contributes to Technology Acceptance. Journal of the

Association for Information Systems, 14(10), 585-616.

Alharthi, A., Bowman, M., & Krotov, V. (2017). Addressing barriers to big data. Business

Horizons, 60(3), 285-292.

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

Information Systems, 22, 44-59.

anoniem. (2018, mei 25). Figuur 1. Opgehaald van

https://www.researchgate.net/figure/Quality-in-use-model-according-to-ISO-IEC-250102011_fig1_289158100

Appelbaum, D. (2016). Securing Big Data Provenance for Auditors: The Big Data

Provenance Black Box as Reliable Evidence. Journal Of Emerging Technologies In

Accounting, 13(1), 17-36.

Ballou, D., & Pazer, H. (1995). Designing Information Systems to Optimize the Accuracy-timeliness Tradeoff. Information Systems Research, 6(1), 51-72.

Beasens, B., Bapna, R., Marsden, J., Vanthienen, J., & Zhao, J. (2016). Transformational Issues of Big Data and Analytics in Networked Business. MIS Quarterly, 40(4), 807-818.

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

Brocke vom, J., Jung, R., Lehrer, C., Seidel, S., & Wieneke, A. (2018). How Big Data Analytics Enables Service Innovation: Materiality, Affordance, and the

Individualization of Service. Journal of Management Information Systems, 35(2), 424-460.

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

Accounting Horizons, 29(2), 397-407.

Chen, C., & Zhang, C. (2014). Data-intensive applications, challenges, techniques: A survey on Big Data. Information Sciences(275), 314-347.

Chiang, R., Grover, V., Liang, T., & Zhang, D. (2018). Creating Strategic Business Value from Big Data Analytics: A Research Framework. Journal of Management

Information Systems, 35(2), 388-423.

Fehrenbacher, D. D. (2016). Perceptions of information quality from the perspective of commodity theory. Behaviour & Information Technology, 35(4), 254-267.

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144.

22

Geerts, G., & Murthy, U. (2017). An REA Ontology-Based Model for Mapping Big Data to Accounting Information Systems Elements. Journal of Information Systems, 31(3), 45-61.

Goes, P. (2014). Big Data and IS Research. MIS Quarterly, 38(3), iii-viii.

Green, P., & Prasad, A. (2015). Organizational Competencies and Dynamic Accounting Information System Capability: Impact on AIS Processes and Firm Performance.

Journal of Information Systems, 29(3), 123-149.

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

ISO/IEC. (2011). ISO/IEC 25010:2011.

Kaplan, D., Krishnan, R., Padman, R., & Peters, J. (1998). Assessing Data Quality in Information Accounting Systems. Communications of the ACM, 41(2), 72-78.

Kwon, O., Lee, N., & Shin, B. (2014). Data quality management, data usage experience and acquisition. International Journal of Information Management(34), 387-394.

McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard

Business Review, 1-9.

NewVantage Partners LLC. (2016). Big Data Executive Survey 2016.

Romney, M., & Steinbart, P. (2015). Accounting Information Systems. Essex: Pearson Education Limited.

Sanders, N. (2016). How to use Big Data to drive your supply chain. California Management

Review, 58(3), 26-48.

Tay, L., Chae, J., Ding, Y., Ebert, D., Kern, M., Malik, A., & Ng, V. (2018). Big Data Visualizations in Organizational Science. Organizational Research Methods, 21(3), 660-688.

Wang, C. (2016). A novel approach to conduct the importance-satisfaction analysis for acquiring typical user groups in business-intelligence systems. Computers in Human