Waarom accountants nog geen data-analyse inzetten bij fraudecontrole
Accountants moeten beter controleren op frauderisico’s, meldt de AFM. De toezichthouder raadt al jaren aan om data-analyse in te zetten. Waarom gebeurt dat nog niet?
Accountants moeten specifieker en diepgaander controleren op frauderisico’s, meldt de Autoriteit Financiële Markten (AFM) na recent onderzoek. De toezichthouder onderzocht 32 wettelijke controles van jaarrekeningen. Bij twee derde van de controles constateerde de AFM dat de controles op een of meer frauderisico’s onvoldoende zijn.
Download het onderzoeksrapport van AFM
Data-analyse
De AFM raadt in het rapport accountants aan om data-analyse in te zetten bij de controle op fraude. Hoogleraar Marcel Pheijffer merkt dat ook op in een opinieartikel in het FD, maar dat advies heeft de toezichthouder al eerder geuit. De techniek is al decennia beschikbaar, maar toch wordt data-analyse nauwelijks toegepast bij de controle op fraude. Waarom gebeurt dat te weinig?
Uitdagingen
“Auditors worstelen met de inzet van data-analyse bij fraudeonderzoek,” constateert Pieter de Kok, managing partner bij Coney Minds. Wat zijn de belangrijkste uitdagingen?
- Datakwaliteit en toegankelijkheid
“Data is vaak verspreid over verschillende systemen en kan onvolledig, inconsistent of ongestructureerd zijn. Dit bemoeilijkt een effectieve en betrouwbare data-analyse,” zegt De Kok. De datakwaliteit is te verbeteren door data op te schonen en te valideren. De opgeschoonde data kunnen bedrijven benutten voor weloverwogen besluiten en het verbeteren van bedrijfsresultaten, meldt DataCalculus.com.
- Complexiteit van fraude
Fraude is de laatste jaren verbreed en complexer geworden. Door nieuwe technologieën en geraffineerde tactieken kunnen criminelen steeds effectievere methoden ontwikkelen om slachtoffers te misleiden, meldt CyberCrimeInfo.nl. “Fraudeurs passen steeds slimmere technieken toe, waardoor standaard data-analyses niet altijd effectief zijn. Fraude-indicatoren zijn vaak subtiel en vereisen diepgaande kennis en geavanceerde detectiemethoden. Je moet vooraf goed nadenken…spot on zijn!”, zegt De Kok.
- Beperkte expertise en tooling
“Niet alle auditors beschikken over de juiste vaardigheden om data-analyse optimaal toe te passen. Geavanceerde technieken, zoals machine learning en patroonherkenning, vergen specialistische kennis. Dat betekent fors investeren in mensen en technologie,” zegt De Kok. Hij noemt dit een ‘klein drempeltje’.
Volgens Jeroen Hofland, deputy chief transformation officer bij Forvis Mazars, is er meer nodig dan een training eens per jaar of een uurtje vaktechnisch overleg met een datagoeroe. “We moeten investeren over een langere periode; accountants aan de hand nemen en concreet laten zien hoe zij het kunnen gebruiken.”
- Weerstand tegen verandering
Verandering is vaak moeilijk, vooral in conventionele sectoren zoals de accountancy. Er is weinig ruimte voor experimenten, meldt Hofland. De Kok ziet dat ook: “Traditionele auditmethoden zijn diepgeworteld en er is soms weerstand tegen verandering. Daarnaast kan er angst bestaan in hoofden van auditors voor de implicaties van geavanceerde data-analyse, zoals verhoogde aansprakelijkheid bij het niet detecteren van fraude,” aldus De Kok.
- Wet- en regelgeving
De interpretatie van wettelijke kaders en ethische vraagstukken rondom privacy en gegevensbescherming maken het lastig om data-analyse breed in te zetten bij fraudeonderzoek. Dat is een punt om goed bij stil te staan,” aldus De Kok. “Veel collega’s stellen dat de regelgeving het ons moeilijk maakt om conventionele werkprogramma’s te vervangen door data-analyse. Dat is wel erg makkelijk geroepen. De regelgeving moedigt ons ook aan om meer met data te doen. Ook de AFM staat open voor gesprekken over het gebruik van data,” aldus Hofland.
- Afweging rendement
De accountant maakt bij elk geval een afweging of de baten van een data-analyse opweegt tegen de kosten. Als dat niet het geval is zal de accountant volstaan met een data-analyse in gestandaardiseerde formats en voorgeprogrammeerde controles, meldt de NBA. De organisatie raadt accountants aan om data-analyse stapsgewijs in te voeren. “Efficiencyvoordelen zijn over het algemeen pas te behalen bij het herhalen van de analyses in een opvolgend jaar bij dezelfde klant of bij het dupliceren van de nieuwe aanpak bij vergelijkbare klanten.”
Onbewust onbekwaam
Door deze uitdagingen blijft de toepassing van data-analyse bij fraudedetectie in auditprocessen ogenschijnlijk achter, ondanks de grote potentie. “Dit gebeurt wellicht soms bewust, wellicht soms onbewust onbekwaam. Maar het is goed om dit in je team te bespreken,” aldus De Kok.
Bekijk hoe Coney Minds data-analyse toepast
Lees meer artikelen over data-analyse
Bronnen:
Accountants moeten specifieker en diepgaander controleren op frauderisico’s
Data-analyse werkt voor de MKB-accountant
Data-analyse: als onze klanten het wel kunnen, waarom wij zelf dan niet? – The Accountables