Een jaarrekening vertelt veel over een onderneming. Omzet, marge, resultaat, voorraad, debiteuren en schulden komen er uiteindelijk allemaal in samen. Maar de jaarrekening is het eindpunt. Achter die cijfers zitten de transacties en processen die gedurende een heel jaar hebben plaatsgevonden. Daar zien we hoe klanten zich gedragen, marges veranderen, facturen worden betaald, voorraden bewegen en processen in de praktijk daadwerkelijk verlopen.
De jaarrekening laat de uitkomst zien. De data erachter laat zien hoe die uitkomst tot stand is gekomen. Door die gegevens te verbinden met processen en andere bronnen, krijgen we een scherper beeld van wat er daadwerkelijk is gebeurd.
Dat is voor ons de gedachte achter Data Driven Audit. Niet een klassieke controle met wat data-analyse erbij.
Data-analyse in de accountantscontrole is niet nieuw. Vrijwel ieder accountantskantoor gebruikt inmiddels wel analyses om bijvoorbeeld opvallende boekingen te vinden of transacties voor nader onderzoek te selecteren. Maar daarmee is een controle nog niet automatisch data driven. Het verschil zit voor ons vooral in de manier waarop je naar de onderneming kijkt. In een meer klassieke benadering vormt de jaarrekening sterk het vertrekpunt.
Wij identificeren relevante posten en risico’s, selecteren transacties en verzamelen op basis daarvan controle-informatie. Data-analyse is sinds 2005 de rode draad door de controleaanpak van Coney Minds. Bij een Data Driven Audit kijken we nadrukkelijk ook de andere kant op. We proberen te begrijpen hoe de cijfers zijn ontstaan. Hoe loopt een order door de organisatie? Wanneer wordt geleverd en gefactureerd? Hoe wordt een betaling verwerkt? Welke systemen zijn daarbij betrokken? En hoe komt die hele transactiestroom uiteindelijk terecht in de financiële administratie en de jaarrekening?
Je kijkt daarmee als het ware vanuit de onderneming naar de jaarrekening:
bedrijf → processen → data → jaarrekening.
Niet omdat de jaarrekening minder belangrijk wordt. Integendeel. We proberen juist beter te begrijpen welke werkelijkheid achter die jaarrekening schuilgaat.
Eerst begrijpen, dan selecteren
Neem een onderneming met 500.000 verkooptransacties. Je kunt uit die populatie een aantal transacties selecteren en die zorgvuldig controleren. Dat blijft ook binnen een Data Driven Audit mogelijk en soms noodzakelijk. Maar voordat we selecteren, kunnen we tegenwoordig iets doen wat minstens zo interessant is: eerst naar die 500.000 transacties als geheel kijken.
We kunnen onderzoeken hoe omzet en marge zich gedurende het jaar ontwikkelen, welke klanten of producten opvallende bewegingen laten zien, waar creditnota’s ontstaan, wanneer handmatige boekingen plaatsvinden en welke transacties afwijken van gebruikelijke patronen. Daarmee weten we veel meer over een populatie voordat we besluiten waar verdere controlewerkzaamheden nodig zijn.
Voorbeeld: Neem omzet. We kunnen de order koppelen aan de levering, de verkoopfactuur, de betaling en de boeking in het grootboek. Een levering zonder factuur kan wijzen op een vraag rond de volledigheid van de omzet. Een factuur zonder onderliggende levering raakt het voorkomen van de omzet. Leveringen en facturen rond 31 december geven zicht op de cut-off, terwijl afwijkingen tussen order, factuur, betaling en boeking aanleiding kunnen zijn om de juistheid verder te onderzoeken. Zo gebruiken we de volledige transactieketen om risico’s zichtbaar te maken en gerichter controle-informatie te verzamelen._
Dat betekent overigens niet dat analyse van 100% van de transacties hetzelfde is als 100% controle. Data-analyse levert niet automatisch voor iedere relevante bewering in de jaarrekening voldoende en geschikte controle-informatie op. Aanvullende werkzaamheden en deelwaarnemingen kunnen nog steeds noodzakelijk zijn. Maar we kunnen die werkzaamheden wel veel gerichter inzetten.
Niet iedere afwijking is een fout
In ons oude model spraken we nog veel over een grens van afwijking. Dat past eigenlijk niet meer zo goed bij hoe we tegenwoordig naar data kijken. Een transactie die sterk afwijkt van het normale patroon kan een volkomen logische bedrijfseconomische verklaring hebben. Andersom kan een fout zich bevinden in een transactie die op het eerste gezicht helemaal niet bijzonder is.
Daarom gaat Data Driven Audit voor ons niet om het produceren van een zo lang mogelijke lijst met uitzonderingen. We willen patronen, verbanden en uitzonderingen begrijpen en vervolgens bepalen wat daarvan relevant is voor de controle. Daar komt het professionele oordeel van de accountant nadrukkelijk terug. Een analyse kan zichtbaar maken dát iets gebeurt. Om te begrijpen waarom het gebeurt en wat het betekent, heb je kennis nodig van de onderneming, haar processen en haar omgeving.
De systeemgerichte basis blijft
Data Driven Audit betekent niet dat de interne beheersing van een onderneming ineens minder relevant is. In zowel een klassieke als een data driven controle willen we begrijpen hoe de relevante processen en systemen zijn ingericht. Daarbij kijken we naar de opzet en het bestaan van relevante interne beheersmaatregelen, IT General Controls en Application Controls. Die systeemgerichte basis is er in beide benaderingen.
Het verschil ontstaat vooral in de gegevensgerichte werkzaamheden die daarop volgen. Hoe gebruiken we beschikbare data om transactiestromen te begrijpen? Welke verbanden kunnen we leggen? Welke populaties kunnen we analyseren? En hoe vertalen we dat naar gerichte controlewerkzaamheden?
Daarbij geldt uiteraard een belangrijke voorwaarde: we moeten kunnen vertrouwen op de data waarmee we werken. Daarom stellen we vast of de gebruikte gegevens relevant en betrouwbaar zijn voor het doel van onze analyse. Dat begint bij de bron: zijn de gegevens volledig en voldoende nauwkeurig?
Maar daar stopt het niet. Ook de route van bronsysteem naar analyse moet betrouwbaar zijn. We willen weten of de extractie volledig en juist is uitgevoerd, welke transformaties en koppelingen zijn toegepast en of die stappen uitlegbaar en reproduceerbaar zijn. Pas als bron, extractie en verwerking voldoende betrouwbaar zijn, krijgt ook de uitkomst van de analyse betekenis als controle-informatie.
Controle-informatie is niet het enige wat data kan opleveren
Tot zover gaat Data Driven Audit vooral over de kwaliteit en gerichtheid van onze controle. Maar de analyses die we daarvoor uitvoeren, leveren regelmatig ook informatie op die voor de onderneming zelf relevant is.
Tijdens een controle krijgen we veel informatie onder ogen. We analyseren omzet, marges, klanten, leveranciers, voorraden, betalingen, boekingen en processen. We leggen verbanden die nodig zijn voor onze controle en kijken waar mogelijk naar volledige transactiestromen.
Daarbij zien we regelmatig zaken die voor ons oordeel over de jaarrekening misschien niet doorslaggevend zijn, maar voor een DGA, CFO, financieel directeur of finance-team wél interessant kunnen zijn. Dat vinden wij een belangrijk onderdeel van de meerwaarde van een Data Driven Audit.
Wat ziet een CFO dan terug?
Stel dat we tijdens onze analyses zien dat de gemiddelde betaaltermijn van klanten gedurende het jaar geleidelijk oploopt. Dat hoeft geen fout in de jaarrekening te betekenen, maar kan voor een CFO wel relevante informatie zijn over de ontwikkeling van het werkkapitaal.
Of de omzet groeit stevig, terwijl de marge binnen een bepaalde productgroep structureel https://coneyminds.nl/nieuws/de-jaarrekeningcontrole-van-een-groothandel-in-2026-waarom-zou-je-nog-beginnen-met-een-steekproef/terugloopt. Ook dat hoeft geen controleverschil te zijn, maar een DGA of financieel directeur zal waarschijnlijk willen begrijpen wat daar gebeurt.
Hetzelfde kan gelden voor klantconcentratie, retouren, creditnota’s, voorraadbewegingen of andere KPI’s.
Bij procesanalyses kan weer iets anders zichtbaar worden. Misschien blijkt dat een proces dat op papier relatief eenvoudig is, in werkelijkheid allerlei omwegen kent. Orders worden teruggezet, stappen worden overgeslagen of de doorlooptijd loopt op een bepaald punt structureel op.
Dat zijn niet automatisch auditbevindingen en ze vragen ook niet automatisch om een aanbeveling van de accountant. Maar het kunnen wel relevante observaties zijn voor de mensen die de onderneming dagelijks besturen. De data die we voor onze controle gebruiken, kan zo ook het vertrekpunt worden voor een ander gesprek over wat er binnen de onderneming gebeurt.
Geen consultant, wel een klankbord
Daarbij hoort een duidelijke grens. Een accountant moet onafhankelijk blijven en moet niet op de stoel van het management gaan zitten. Het is niet aan ons om een DGA te vertellen welke klanten hij moet bedienen of om voor een CFO te bepalen hoe een bedrijfsproces moet worden ingericht.
Maar onafhankelijkheid betekent ook niet dat relevante inzichten die tijdens een controle ontstaan uitsluitend in het controledossier hoeven te blijven. Wij kunnen laten zien wat we zien, daar vragen over stellen en vanuit onze analyses een perspectief toevoegen. De onderneming bepaalt vervolgens zelf wat zij daarmee doet.
Dat maakt het gesprek met een accountant naar onze mening interessanter. Niet alleen terugkijken naar de jaarrekening en bespreken welke controlepunten nog openstaan, maar ook praten over wat de onderliggende data vertelt over de onderneming.Soms begint dat gesprek met een heel eenvoudige vraag:
Wij zien dit in jullie data. Herkennen jullie dit? Meer zien, gerichter controleren en relevanter teruggeven. Daarmee komen voor ons drie gedachten samen. Meer zien betekent dat we waar mogelijk niet alleen naar geselecteerde transacties kijken, maar eerst proberen populaties, patronen en processen te begrijpen.
Gerichter controleren betekent dat we die informatie gebruiken om onze aandacht te richten op de gebieden waar daadwerkelijk iets te onderzoeken valt en daar de benodigde controle-informatie te verkrijgen.
Relevanter teruggeven betekent dat we inzichten die tijdens die controle ontstaan niet automatisch voor onszelf houden. Trends, KPI’s, opvallende ontwikkelingen en inzichten in processen kunnen ook waarde hebben voor een DGA, CFO, financieel directeur of finance-team.
Dat laatste is geen aparte adviesdienst die we aan de controle vastplakken. Het ontstaat juist doordat we voor onze controle dieper in de data van de onderneming kijken.
Uiteindelijk blijft het mensenwerk
Technologie maakt dit steeds beter mogelijk. Process mining, visualisaties en andere analysetechnieken geven ons mogelijkheden die we twintig jaar geleden niet hadden. Ook AI zal daarin steeds vaker een ondersteunende rol spelen. Maar technologie kan patronen, afwijkingen en trends zichtbaar maken zonder vanzelf de geschiedenis en context van een onderneming te begrijpen. Om te bepalen wat een waarneming betekent voor de controle én voor de onderneming, blijft professioneel oordeel nodig.
Data Driven Audit begint voor ons daarom niet bij de software, maar bij een andere manier van kijken naar de onderneming en haar controle. Daar past onze eigen gedachte Human Intelligence Empowering Data goed bij. Technologie helpt ons om meer te zien, maar uiteindelijk zijn het mensen die de verbanden leggen, vragen stellen en conclusies trekken.
Voor ons laat de gedachte achter Data Driven Audit zich daarom het beste samenvatten in drie principes: Meer zien. Gerichter controleren. Relevanter teruggeven.
De controleverklaring blijft het formele eindproduct van de jaarrekeningcontrole. Maar als een DGA, CFO of finance-team na afloop óók iets beter begrijpt wat er achter de cijfers gebeurt, heeft de manier waarop we die controle uitvoeren extra waarde opgeleverd.
