Veel accountantskantoren vinden dat zij met data-analyse moeten starten, maar weten niet goed waar zij moeten beginnen. Deze vijf stappen helpen je op weg.
Innovatie en accountancy schijnen niet samen te gaan. Persoonlijk zie ik een aantal kantoren waarvan ik vind dat ze allemaal op hun eigen manier op een hele positieve manier invulling geven aan innovatie binnen hun kantoor en met hun eigen team. Niet alleen rondom het thema data-analyse, maar rondom verschillende relevante thema’s.
We zien hiernaast ook redelijk veel kantoren die hun kennis rondom data-analyse volledig buiten de eigen organisatie willen houden en data-analyse bij externe partijen beleggen. Dat is ook een manier, maar dat is niet de Coney Minds mindset – we zien liever dan kantoren zelf ‘leren vissen’.
Starten met data-analyse
Er is ook wel wat ruimte in de vraag; wat is data-analyse? In onze beleving blijft het niet bij het maken van een aantal mooie visualisaties van financiële data of het simpelweg inzichtelijk maken van verbanden tussen debiteuren en de omzet. Vaak wordt dan geen controle-informatie verkregen voor bijvoorbeeld de volledigheid van omzet. Je ziet dat de nieuwe generatie accountants wil innoveren, maar dat zij nog te weinig échte ruimte krijgen in tijd en geld om zich verder te ontwikkelen, omdat de oude generatie vaak toch kiest voor het controleren van de jaarrekening op de klassieke manier. In de praktijk heb ik vaak contact met de jonge generatie accountants die een project mogen uitvoeren in opdracht van de oudere generatie accountants. Zij krijgen dan vooraf een budget mee waarin zij dit project mogen gaan uitvoeren. En daar wringt de schoen.
In het accountantslandschap is het nog steeds zo dat de werkdruk niet meer alleen in het voorjaar ligt, maar deze inmiddels over het gehele jaar hoog is. Maar accountants willen wel naast hun werkzaamheden een project opstarten voor een data-analyse. De eerste weken is het projectteam vol enthousiasme, delen ze informatie en bedenken ze goede ideeën van wat allemaal mogelijk is met data-analyse. Vervolgens worden de geïnvesteerde uren geanalyseerd en ziet de partner dat er nog weinig productiefs is uitgekomen. Vervolgens besluiten de partners om een aantal mooie visualisaties en standaard-analyses op te nemen in het controledossier. De overige werkzaamheden moeten de medewerkers op de klassieke manier uitvoeren, omdat volgende week weer nieuwe opdrachten zullen starten.
Meestal is dit besluit het begin van het einde.
In 5 stappen data-analyse toepassen
Maar hoe kun je als accountantskantoor nu echt een goede start maken met data-analyse zonder dat het project doodbloedt? En hoe houd je de mensen enthousiast, zodat data-analyse onderdeel wordt van de controleaanpak? Wat is nu de sleutel tot succes? De echte innovatie zit niet in het feit dat de kennis ontbreekt, maar de wil om te investeren in de juiste tools, eigen mensen en samenwerking met cliënten. Ook bij data-analyse geldt: “De kosten gaan voor de baten!”
Wij hebben ruim 15 jaar ervaring op het gebied van data-analyse. Op basis van onze ervaring zien wij dat een accountantskantoor 5 stappen moet nemen om data-analyse succesvol te implementeren.
1. Ontdek de mogelijkheden van data-analyse
Veel accountantskantoren vinden dat zij met data-analyse moeten starten, maar weten niet goed waar zij moeten beginnen. Het is daarom belangrijk dat je op zoek gaat naar praktijkvoorbeelden waarbij data-analyse het verschil maakt ten opzichte van de traditionele werkzaamheden.
Zo is het opstellen van een geld- & goederenbeweging vaak een tijdrovende klus die je met data-analyse kan automatiseren. Hierdoor bespaar je tijd om afwijkingen in detail te controleren. Op deze manier verhoog je de de kwaliteit van de controle.
Laat je ook inspireren door de mooie voorbeelden uit de praktijk van collegakantoren en denk in mogelijkheden voor jouw controlecliënten. In principe kun je alle verbandscontroles, uit de theorie boeken van Starreveld, met data-analyse uitvoeren en dus automatiseren.
2. Begin klein
In het verleden hebben wij grote groepen accountants getraind tot data-analist, maar dat blijkt in de praktijk toch niet goed te werken. Wij hebben in de loop der jaren geleerd om op een kleine schaal te starten door 2-3 medewerkers op te leiden tot data-analist. Deze data-analisten gaan samen met een ervaren data-analist aan de slag met het bouwen van een aantal analyses die zij kunnen gebruiken als controle-informatie. Zij leren dan hun kennis in de praktijk toe te passen, zodat zij deze kennis ook voor andere cliënten kunnen inzetten. Tevens kunnen zij hun collega’s meenemen in de analyses en hen ook enthousiast maken. En aansporen om mee te denken over wat de mogelijkheden zijn voor andere controleopdrachten.
3. Maatwerk
Vaak willen accountantskantoren data-analyses uitrollen als een standaard-analyse die zij kunnen gebruiken voor al hun klanten. De ontwikkeling van een data-analyse is dan voornamelijk gericht op het generiek maken van een analyse. Op basis van mijn ervaring weet ik dat data-analyses met betrekking tot de volledigheid van de opbrengsten niet standaard zijn. Om deze analyse te bouwen moet je tijd investeren om de analyse te maken. Het gaat vaak om maatwerk, omdat klanten niet allemaal dezelfde procedures hebben rondom de registratie van transacties.
Data-analyse kan naar mijn mening niet worden ontwikkeld door een afdeling die dit uitrolt voor de gehele organisatie. Ik vind dat het analyses moeten zijn die door het controleteam zijn bedacht en geanalyseerd, zodat zij de juiste controle-informatie uit de analyses kunnen halen. Deze analyses kunnen wel gebruikt worden voor andere klanten, maar dan moeten zij exact dezelfde financiële systemen hebben. En daarnaast ook dezelfde applicatie voor bijvoorbeeld de registratie van voorraden, tijdschrijven of een ledenadministratie.
4. Mislukking is een prima basis voor vernieuwing
In de planningsfasen van een controleopdracht bepalen wij als team wat onze controledoelstellingen zijn van de data-analyses. Op basis van deze controledoelstellingen gaan wij in gesprek met de personen die ons de datasets kunnen aanleveren. Het komt dan ook voor dat de levernacier verschillende datasets aanlevert en dat wij enthousiaststarten met het bouwen van analyses. Gedurende dit proces kom je soms tot de conclusie dat de datakwaliteit en ‘bestaan’ van veronderstelde datavelden, niet is zoals deze vooraf was ingeschat.
Hierdoor investeer je veel uren in analyse-werkzaamheden, maar verkrijg je niet de juiste controle-informatie. En kun je de analyse niet gebruiken. De geïnvesteerde uren en analyses zijn dan weer het uitgangspunt om in gesprek te gaan met je cliënt om te kijken of je samen de datakwaliteit kan verbeteren. We moeten als accountant gewoon durven te experimenteren met als risico dat projecten kunnen mislukken. Dat is helemaal niet erg.
5. Investeer in de juiste tools
Het is ook belangrijk om te investeren in de juiste tools, zodat de data-analisten gebruik kunnen maken van alle mogelijke data-analyse technieken. Je kunt tegenwoordig je vraag aan de community van de tool stellen en je ziet vervolgens hoe collega data-analisten de oplossingen hebben voor jouw probleem. Je krijgt dus een gratis helpdeskfunctie in de vorm van de online community. Het is daarom ook belangrijk om kennis te delen tussen accountantskantoren onderling en tussen data-analisten.
We zullen zien dat accountantskantoren zich gaan ontwikkelen tot kennisdeel- en verbindingsplatformen, waar uiteenlopende partijen elkaar gaan ontmoeten, kennis gaan delen en gaan samenwerken.
Dave den Blanken RA is binnen Coney Minds verantwoordelijk voor de ondersteuning van collega-auditkantoren op het snijvlak van auditing, data-analyse en process mining.
