Mona de Boer, director data analytics PwC, beantwoordt vragen

Mona de Boer, director data analytics bij PwC Nederland, legt uit hoe PwC menselijke én kunstmatige intelligentie combineert in de auditpraktijk. 

Hoe zet PwC data-analyse nu al in om tot betrouwbare controles te komen?
We werken met een aantal gestandaardiseerde data-analyse toepassingen die onze accountants bij een breed spectrum aan organisaties en sectoren ondersteunen in verschillende fases van de controle: van het inschatten van controlerisico’s tot het uitvoeren van controlewerkzaamheden, waaronder het toetsen van interne beheersingsmaatregelen en het uitvoeren van detailwerkzaamheden op de jaarrekening en de daaraan ten grondslag liggende data. We rollen deze toepassingen uit als onderdeel van PwC Audit; dat wil zeggen dat niet de tool centraal staat, maar het inzicht dat je eruit wilt halen en de inbedding daarvan binnen de controleaanpak. Zo draagt de inzet van technologie bij aan de continue slag om de kwaliteit van onze dienstverlening verder te verhogen. Ook worden op maat gemaakte data-analyses ontwikkeld en toegepast bij controle-opdrachten. Hierbij zijn veelal gespecialiseerde data scientists betrokken.

Wat zijn de grootste veranderingen met voorheen?
De traditionele controle is vooral gestoeld op een ‘analoog’ tijdperk. Digitalisering, en daarmee automatisering, wordt steeds meer het vertrekpunt van de controle: controle-informatie is steeds vaker digitaal en daarmee toegankelijk voor en uitwisselbaar tussen geautomatiseerde systemen van organisaties en hun accountant. Gestandaardiseerde controlewerkzaamheden zijn in softwarecode te vatten en ‘rekenkracht’ is economisch meer dan ooit binnen handbereik. In de praktijk betekent dit dat je als accountant je ‘controle-algoritmes’ gemakkelijker, sneller en vaker los kunt laten op meer en meer gevarieerde data.

En welke rol spelen andere nieuwe technologieën?
RPA en AI zijn technologieën die de eerder genoemde transformatie van de controle naar een volgend niveau tillen. Met RPA kunnen onderdelen van het controleproces die sterk gestandaardiseerd zijn en weinig tot geen oordeelsvorming vragen geautomatiseerd worden door softwarebots te programmeren om deze werkzaamheden uit te voeren. Dit waarborgt een consistente kwaliteit van de uitgevoerde werkzaamheden en resulteert vaak ook in sterke efficiënties.

Bij AI moeten we onderscheid maken tussen verschillende technieken waar de controle bij gebaat is. Zo kunnen ‘Image recognition’ technieken accountants ondersteunen bij het omzetten van ongestructureerde data uit bijvoorbeeld ingescande contracten, facturen, externe confirmaties in gestructureerde data, zodat deze toegankelijk en verwerkbaar wordt voor geautomatiseerde controlesystemen. ‘Natural Language Processing’ technieken kunnen accountants helpen bij het interpreteren en inhoudelijk analyseren van tekst, variërend van wederom contracten, facturen en externe confirmaties tot de tekstuele onderdelen van het jaarverslag.

Deze twee technieken automatiseren werkzaamheden die voorheen voorbehouden waren aan menselijke intelligentie,namelijk verwerking van beeld en taal. Verder ontwikkelen we in de praktijk data-analysetoepassingen voor de controle, die op machine-learning zijn gebaseerd. Met (supervised) machine-learning kun je bijvoorbeeld een geautomatiseerd systeem trainen om aan de hand van kwalitatief goede menselijke voorbeelden te leren financiële transacties met een verhoogd fouten- of frauderisico te identificeren. Binnen PwC piloten wij nu een applicatie, GL.ai, die hierop is gericht. Feitelijk train je hiermee een model waarin de kennis en ervaring van honderden ervaren accountants en relevante specialisten is gebundeld over wat in dit kader afwijkingen zijn. Dit in tegenstelling tot de kennis en ervaring van een enkel controleteam.

Wat betekent dit voor PwC mensen van PwC die ermee werken? 
Dat ze in toenemende mate moeten leren werken met ‘assisted intelligence’. Ik vergelijk het altijd met Formule-1 coureurs: aan het stuur zit een mens, omgeven door (near) real-time data en daaruit geproduceerde inzichten om het gewenste doel te bereiken door de juiste beslissingen te nemen. De meest succesvolle coureur is degene die de mens-machine interactie het beste meester is. En dus menselijke intelligentie combineert met ‘kunstmatige’ intelligentie, van beide de kracht en beperkingen kent en ze van daaruit optimaal weet in te zetten.

Vertaald naar kennis en kunde die benodigd zijn in de accountantspraktijk, betekent dit dat er uiteraard gepaste aandacht moet zijn voor de ‘science’ vaardigheden benodigd voor de toepassing van data-analyse (begrip van data management, infrastructuren, tools). Maar dat de kern draait om de vaardigheid analytisch te kunnen denken en gericht te kunnen definiëren op welke controlevraag een antwoord moet komen. En via welke stappen je dat antwoord zo goed en zo snel mogelijk vindt (de ‘art’).

Wat betekent het voor de klant, hoe ziet het controleproces eruit? 
Klanten ervaren de effecten van een datagedreven controle bijvoorbeeld in de manier waarop controle-informatie uitgewisseld wordt met de accountant, in de gerichtere vragen die ze krijgen op grond van de verrichte data-analyses, in de terugkoppeling van meer tastbare, gekwantificeerde bevindingen die beter in context zijn geplaatst. Daarnaast ook in de toegevoegde waarde van de ‘bijvangst’ van de verrichte data-analyses én in de manier waarop de uitkomsten van de controle gepresenteerd worden (datavisualisatie) en hoe daarover gecommuniceerd wordt (‘storytelling’).

Overigens is het van belang te benadrukken dat de trend van (versnelde) digitalisering en automatisering zich niet alleen voltrekt binnen het accountantsberoep, maar tegelijkertijd ook bij de organisaties die gecontroleerd worden door accountants. Waardoor de manier waarop organisaties hun sturing en beheersing organiseren ook steeds meer datagedreven wordt. Wil een accountant een volledig datagedreven controle doen dan is dat mede afhankelijk van de mate waarin de gecontroleerde organisatie gedigitaliseerd is. Vast staat dat data analyse steeds belangrijker wordt.

Wat zijn nu nog de grootste bottlenecks?
• Ontwikkeling van de vaardigheden van accountants (analytisch denken, optimaal inzetten van ‘assisted intelligence’, ontwikkelen van basiskennis en kunde m.b.t. data management, infrastructuren, tools, visualisatie, storytelling enz.).
• Onderlinge integratie en opschaling van de data-gedreven innovaties/toepassingen voor de controle.
• De huidige controlestandaarden zijn nog niet geschreven voor een volledig datagedreven controle.
• De mate van digitalisering van gecontroleerde organisaties zelf. Als zij in mindere mate gedigitaliseerd zijn, is de data veelal ongestructureerd beschikbaar (zoals kopieën van facturen) waardoor toepassing van data-analyse moeilijker wordt.

Tot welke resultaten heeft data-analyse/robotisering al geleid en wat is de ambitie? 
In de afgelopen jaren hebben we een ‘portfolio’ van innovatieve data-analyse-, RPA- en AI-toepassingen voor de controle ontwikkeld, die we als onderdeel van (de modernisering van) PwC Audit hebben uitgerold naar de praktijk. Honderden controleteams maken er inmiddels gebruik van. Voor de komende jaren is de ambitie om deze ‘portfolio’ verder uit te breiden met steeds geavanceerdere technologieën en de individuele toepassingen daarbinnen zowel functioneel als technisch te integreren.

Wat zijn de belangrijkste geleerde lessen van de transitie tot nu toe?
• Bij de transitie van het accountantsberoep vaardigheden van accountants centraal stellen in plaats van  technologie. Daar hebben we ook een intern opleidingsprogramma op ontwikkeld. 
• Een berg beklim je stap voor stap; met de snelle ontwikkelingen in de technologische mogelijkheden moet je flexibel zijn en je route/tempo naar boven weten aan te passen.
• Digitalisering start bij het verder simplificeren en standaardiseren van processen. 
• Verandering aanwakkeren door tastbare toepassingen in de praktijk te ontwikkelen en deze voorbeelden en bijbehorende best practices/lessons learned breed te delen. 

Wat zijn de grootste kansen en bedreigingen van technologie in de controle/audit praktijk in de nabije toekomst (5-10 jaar vooruit)?

Kansen:
• Vergroten van onze relevantie als accountants. Inzet van technologie draagt bij aan het identificeren van bijvoorbeeld ongebruikelijk transacties die in een traditionele controle minder snel ontdekt worden.

• De mogelijkheid om gestandaardiseerde, repetitieve werkzaamheden vergaand te automatiseren biedt kansen om de menselijke aandacht/tijd in de controle te verleggen naar inhoudelijke analyse, relevante en tijdige inzichten uit data te halen, voldoende tijd en aandacht te steken in het communiceren met stakeholders; het wordt een interessanter vak.

• Voorgaande mogelijkheden openen de deuren naar ‘near real-time assurance’ en ‘stakeholder/decision-specific assurance’. 

• ‘Trust by design’: een verschuiving van controle achteraf, naar controle vooraf. Hiermee kan de accountant meer toegevoegde waarde leveren voor de organisaties die zij controleert en diens stakeholders.

Bedreigingen:
• Digitalisering en technologie als doel zien en niet als middel. Digitalisering/technologie als doel zal leiden tot een incrementele verandering van het vak (‘doing this differently’), maar niet tot de benodigde disruptie (‘doing different things’).

• Vermogen van het beroep om de snel opvolgende ontwikkelingen bij te benen.

Lees ook: PwC past steeds meer technologie toe in 'traditionele' audit

[avg-advertorial slug=”kom-naar-de-accountancy-expo-op-16-juni-2020″]