Hoe auditors anno 2025 met machine learning een e-commerce jaarrekening controleren

Waar we vroeger met steekproeven en wat handmatig Excel-werk probeerden grip te krijgen op geld- en goederenbewegingen, kunnen we vandaag álle transacties doorlichten met machine learning. Dat klinkt nerdy – en dat is het ook. Maar het is vooral een kans om de jaarrekeningcontrole van e-commerceorganisaties fundamenteel te verdiepen.

Van steekproef naar 100% data-analyse

De klassieke aanpak – steekproeven uit de orderdatabase, controles van een paar PSP-uitbetalingen, en wat handmatige margeanalyses – is steeds moeilijker te verdedigen. Niet omdat auditors het verkeerd doen, maar omdat de technologie ons simpelweg dwingt om meer te doen.

Een e-commercebedrijf met honderdduizenden orders per jaar kán je niet representatief afdekken met een steekproef van 60 posten. De data is er, de tools zijn er, en de verwachting bij toezichthouders en stakeholders groeit: waarom gebruik je als auditor machine learning niet om het hele speelveld te scannen?

Laten we daarom inzoomen op de kern van de jaarrekeningcontrole bij e-commerce: de geldstroom, de goederenbeweging en de afgeleide omzet en marge.

1. De geldstroom: anomalieën in een woud van betaalmethoden

Wie de geldstroom van een webshop in kaart wil brengen, krijgt te maken met een woud van betaalmethoden. iDEAL, creditcards, Klarna, PayPal, Apple Pay – allemaal via payment service providers (PSP’s) zoals Adyen of Mollie. Het grootboek toont het eindresultaat, maar daartussen zitten tienduizenden microtransacties die fout kunnen lopen.

Machine learning-aanpak:
– Unsupervised learning: modellen als Isolation Forest of Autoencoders analyseren miljoenen PSP-transacties en detecteren afwijkende patronen.
– Voorbeeld: een serie iDEAL-betalingen die wel bij Mollie zijn verwerkt maar niet in de subadministratie of het grootboek zijn geboekt.
– Supervised learning: historische foutgevallen kunnen worden gebruikt om een model te trainen dat potentiële nieuwe mismatches herkent.

Auditwaarde:
– 100%-dekking van de ontvangsten en uitbetalingen.
– Afwijkingen worden automatisch gescoord op waarschijnlijkheid en materialiteit.
– De auditor kan aantonen dat de volledigheid van de omzet en de juistheid van de kaspositie robuust zijn getoetst.

2. De goederenbeweging: order → fulfilment → retour

De goederenbeweging is de achilleshiel van veel e-commercebedrijven. Voorraadverschillen, ontbrekende zendingen of retouren die niet goed zijn verwerkt, kunnen direct leiden tot onjuiste omzet en marges.

Machine learning-aanpak:
– Classification-modellen: met historische data kan worden voorspeld of een order waarschijnlijk retour komt.
– Sequence analysis (LSTM-modellen): de keten order → pick in warehouse → shipment → retour kan met sequentieanalyse worden vergeleken met miljoenen eerdere transacties.
– Clustering: retourstromen kunnen worden geclusterd om patronen te ontdekken.

Auditwaarde:
– Toetsing van de juistheid van de omzet.
– Toetsing van de volledigheid van de retourvoorziening.
– Onderbouwing van de waardering van de voorraad en de inkoopkosten.

3. De omzet en marge: plausibiliteit onderbouwen

De omzet- en margeregistratie zijn in feite afgeleiden van de geld- en goederenbeweging. Maar juist in de marge zit vaak de crux: klopt de brutowinst en is deze consistent met beleid en historie?

Machine learning-aanpak:
– Regressiemodellen: voorspellen de verwachte marge per productcategorie.
– Clustering & anomaly detection: marges worden per productgroep geclusterd en vergeleken.
– Prijsanalyse: anomaly detection kan ongebruikelijke combinaties van list price, korting en net revenue signaleren.

Auditwaarde:
– Stevigere onderbouwing van de plausibiliteit van de brutomarge.
– Directe link naar materiële stellingnames in de jaarrekening.
– Mogelijkheid om afwijkingen toe te lichten in de managementletter of als key audit matter.

4. Van jaarrekeningcontrole naar ongoing monitoring

Misschien wel het mooiste van machine learning in e-commerce: de stap van jaarlijkse controle naar ongoing monitoring. Dezelfde modellen die auditors inzetten tijdens de jaarrekeningcontrole, kunnen – met toestemming van de klant – ook live draaien.

– Afwijkende PSP-transacties worden direct gesignaleerd.
– Retourstromen die buiten de voorspellingen vallen, worden in real time zichtbaar.
– Marges die per maand significant afwijken, genereren automatisch alerts.

Voor de auditor betekent dit dat je niet alleen een oordeel achteraf geeft, maar ook tijdens het jaar de klant helpt bij het beheersen van risico’s. Dat vraagt om nieuwe afspraken over onafhankelijkheid en materialiteit, maar het is wel de richting waarin het beroep beweegt.

5. Grenzen en kanttekeningen

Machine learning klinkt vaak als de heilige graal, maar ook in 2025 geldt: zonder menselijke intelligentie blijft het risico op verkeerde conclusies groot.

– Explainability: auditors moeten modellen kunnen uitleggen en documenteren.
– Data governance: de waarde van ML staat of valt met de kwaliteit van brondata.
– Materieel oordeel: machine learning signaleert afwijkingen, maar alleen de auditor kan beoordelen of die afwijkingen materieel zijn.

Met andere woorden: machine learning is een krachtig hulpmiddel, maar de kern van het auditberoep blijft HI + AI: Human Intelligence gecombineerd met Artificial Intelligence.

Conclusie

De audit van een e-commerceorganisatie anno 2025 draait om het beheersen van miljoenen transacties. Machine learning maakt het mogelijk om niet langer te vertrouwen op steekproeven, maar om 100% van de geld- en goederenbeweging door te lichten. Daarmee verandert de jaarrekeningcontrole van een gok op representativiteit in een data-gedreven bewijsvoering.

Voor auditors betekent dit een transitie: van Excel naar Python, van steekproeven naar anomaliedetectie, van achteraf oordelen naar ongoing monitoring. Nerdy? Zeker. Maar vooral noodzakelijk. Want wie de data begrijpt, begrijpt de jaarrekening.

Bronnen & verder lezen

• PCAOB, The Use of Data and Technology in the Audit (2024).
• ECAI, AI in Financial Assurance: From Theory to Practice (2025).
• Adyen Annual Report 2024 – sectie risk & transaction monitoring.
• KPMG & University of Amsterdam, Machine Learning for Auditing Returns in E-commerce (2023).