De post debiteuren. Voor veel assistent-accountants een bron van frustratie: eindeloze ouderdomsanalyses, steekproeven van facturen, en het najagen van bevestigingen die zelden iets opleveren. Toch is dit vaak een van de meest materiële posten op de balans. En daarmee een van de interessantste om juist data-analyse in te zetten.
Anno 2025 hoeven we ons niet meer te beperken tot steekproeven en handwerk. Met moderne tools en technieken kunnen we de debiteurenpopulatie volledig doorlichten, koppelen aan bankdata, orderlogs en creditnota’s, en daarmee écht tot aan het gaatje gaan. Nerdy? Zeker. Maar ook de toekomst van auditing.
Stap 1. De populatie volledig ontsluiten
Het begint met het exporteren van de volledige subadministratie debiteuren. Dat betekent:
– factuurdetail (factuurnummer, datum, klant, bedrag, btw, vervaldatum),
– grootboekmutaties (inclusief tegenrekening omzet),
– creditnota’s,
– betalingen en afboekingen.
Belangrijk is dat je deze datasets in Python (pandas), Alteryx of PowerQuery samenbrengt tot één integraal overzicht. Dat klinkt triviaal, maar wie ooit een ERP-export heeft gezien, weet dat kolomnamen, datums en decimalen allesbehalve eenduidig zijn.
Controle: check of de subadministratie aansluit op het grootboek. Klopt het beginsaldo, het totaal van de mutaties, en het eindsaldo? Dit is de eerste aansluiting die de kwaliteit van de verdere analyses bepaalt. Klinkt simpel, maar is het echt belangijk.
Stap 2. De geldbeweging koppelen met CAMT-bankbestanden
Vroeger moesten we het doen met bankafschriften in PDF of MT940-formaten die nauwelijks machine-leesbaar waren. Anno 2025 zijn ISO 20022 CAMT-bestanden de standaard. Dit zijn XML-structuren waarin álle details van betalingen staan: datum, bedrag, tegenrekening, omschrijving, end-to-end ID.
Analyse:
– Koppel CAMT-transacties rechtstreeks aan openstaande posten in de subadministratie.
– Gebruik een combinatie van exact match (bedrag + factuurnummer in omschrijving) en fuzzy matching (bedrag ± marge, datumverschil, slimme shortcuts op omschrijving).
– Bouw een scoremodel dat de waarschijnlijkheid van een match berekent.
Waarom nerdy? Omdat je hiermee niet meer afhankelijk bent van hoe netjes de klant de betalingen afboekt. Je legt zélf de koppeling tussen bank en subadministratie, en controleert daarmee de afloop van debiteuren tot in detail.
Auditwaarde: dit is de hardste controle-informatie die er bestaat. Als de betaling via de bank binnen is, is het bestaan en de waardering van de debiteur in principe bevestigd.
Stap 3. Herdefinieer de ouderdomsanalyse
Iedere assistent kent de buckets 0–30, 30–60, 60–90 dagen en beyond. Maar wie heeft ooit besloten dat dit dé grenswaarden zijn? Data-analyse maakt het mogelijk om de echte verdeling van betaaltermijnen te zien.
– Maak een histogram van werkelijke betalingstermijnen (factuurdatum → CAMT-betaling).
– Bereken per klant de mediane betalingstermijn en de standaardafwijking.
– Detecteer outliers: klanten die structureel 3× zo laat betalen als hun peers.
Dit geeft veel scherper inzicht in het incassorisico en de noodzakelijke voorziening dubieuze debiteuren. In plaats van “alles ouder dan 90 dagen is dubieus” kun je nu fact-based onderbouwen welke posten echt risico lopen.
Stap 4. Factuur ↔ order ↔ levering koppelen
Een debiteur ontstaat niet uit het niets. Er is altijd een order en een levering (van iets) aan voorafgegaan.
Analyse:
– Join facturen met orderlogs en verzenddata (bijvoorbeeld uit een ERP- of warehouse management-systeem).
– Check of elke factuur een gekoppelde levering heeft.
– Controleer of de leveringsdatum vóór of rond de factuurdatum ligt (en niet erna).
Red flag: een factuur zonder order of levering → risico fictieve omzet.
Extra check: een levering zonder factuur → risico op onvolledige omzet.
Met deze koppeling toets je niet alleen de post debiteuren, maar ook direct de juistheid en volledigheid van de omzet.
Stap 5. Creditnota’s en bijzondere mutaties analyseren
Creditnota’s zijn vaak de sluiproute om fouten of manipulaties weg te poetsen.
Analyse:
– Visualiseer de creditnota’s per maand in een tijdreeks. Zie je pieken vlak voor jaareinde? Dat kan duiden op schoonpoetsen van debiteuren.
– Check of creditnota’s gekoppeld zijn aan oorspronkelijke facturen en leveringen.
– Detecteer negatieve posten die onterecht openstaan in de subadministratie.
Een simpele clustering-analyse kan laten zien of bepaalde klanten of producten structureel veel creditnota’s veroorzaken. Ook dat zegt iets over het incassorisico én over de betrouwbaarheid van de omzet.
Stap 6. Debiteurenbevestigingen slimmer inzetten
Externe bevestigingen blijven belangrijk in de audit. Maar waarom zou je nog random selecteren?
Data-driven aanpak:
– Selecteer debiteuren met een mismatch tussen factuur en CAMT-betaling.
– Kies klanten met een afwijkend betaalgedrag.
– Focus op klanten met hoge creditnota-intensiteit.
Hierdoor worden bevestigingen veel effectiever: je richt je op de écht risicovolle posten in plaats van willekeurig een paar grote debiteuren.
Stap 7. Visualiseer voor inzicht
De kracht van data-analyse komt pas echt tot leven als je de resultaten visualiseert. Denk aan:
– Een heatmap van betaaltermijnen per klant.
– Een dashboard waarin je de aging vergelijkt met de werkelijke CAMT-betalingen.
– Een anomaly scatterplot waarin dubieuze posten direct zichtbaar worden.
Voor assistent-accountants is dit een eye-opener: auditing gaat niet meer alleen over vinkjes zetten, maar ook over verhaal en inzicht uit de data halen. Coney Minds style!
Stap 8. Tot aan het gaatje: predictive debiteurenanalyse
De bonusstap voor wie echt nerdy wil gaan: voorspel de kans dat een debiteur niet betaalt.
Aanpak:
– Bouw een supervised machine learning-model (bijv. logistic regression, XGBoost) dat voorspelt of een openstaande factuur binnen 90 dagen wordt betaald.
– Inputvariabelen: klanttype, factuurbedrag, historische betaaltermijn, aantal eerdere creditnota’s, sector, regio.
– Output: probability score per openstaande post.
Auditwaarde: hiermee kun je de voorziening dubieuze debiteuren fact-based toetsen. Geen nattevingerwerk meer, maar een data-gedreven inschatting van het risico.
Conclusie
De post debiteuren is misschien wel hét schoolvoorbeeld van hoe auditing anno 2025 kan veranderen door data-analyse. Waar de klassieke aanpak blijft steken bij een ouderdomsanalyse en een paar bevestigingen, kun je nu de hele keten doorlichten: van factuur tot levering, van CAMT-betaling tot creditnota.
Voor assistent-accountants betekent dit een verschuiving: van handmatig vinkwerk naar het bouwen en interpreteren van analyses. Je leert dat auditing niet stopt bij het constateren van afwijkingen, maar begint bij het begrijpen van patronne en de onderliggende business.
En geloof me: als je eenmaal hebt gezien hoe een CAMT-analyse de afloop van debiteuren haarscherp laat zien, wil je nooit meer terug naar een verouderde ouderdomsanalyse in Excel. Tot aan het gaatje dus – met data.
Pieter de Kok RA
Ps – als dit leuk is kunnen we nog heel veel andere interessante posten uitwerken rondom inzet data-analyse
