Onderzoek met 2 praktijkstudies Data analyse werkt voor de MKB accountant!
Data analyse werkt voor de MKB accountant Achtergronden van ons onderzoek Voorbeelden van praktische toepassingen in het MKB Omgaan met de beren op de weg Wat kan ik zelf oppakken?
Data analyse toepassen is zo eenvoudig niet
Onderzoekvragen A B Waar kan data analyse: 1. de relevantie van de accountant bij zijn cliënt vergroten 2. de kwaliteit van werkzaamheden verhogen 3. bijdragen aan efficiency van het samenstel/controleproces B Wat betekent dit voor de MKB accountant? Kortom: data analyse laten werken voor de MKB accountant
Te onderscheiden fases met data analyses Samenstellen Verkennen Interpreteren Bewijzen Controleren
Praktijkstudie 1: een schildersbedrijf Focus Verkennen en interpreteren Afbakening Alleen interne bronnen Administratie bestaande uit grootboekmutaties, inkoopregels, verkoopregels, urenregistraties, tarieven, tussenrekeningen De extractie Totaal 1,5 dag (eenmalig, volgende keer 1 uur) Medewerking software leverancier Analyses vooralsnog met IDEA
Inkoopfacturen worden gedetailleerd naar fase verwerkt Aparte BTW scenario s Alles geautoriseerd
Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf X Schildersbedrijf Y Schilderbedrijf Z Schildersbedrijf Y
Onze eerste indruk over de kwaliteit van de administratie Doorboekingen door middel van interfaces Gehele omzet via tussenrekeningen verwerkt (permanence) Alle velden consequent gevuld Kolom met autorisatie gevuld Alle te verwachten BTW codes beschikbaar Namen personeelsleden onderaannemers niet beschikbaar Eenduidige tarieven
Interpreteren in praktijk: wat denkt u? Gemiddelde omzet 1 miljoen per medewerker door grote flexibele schil In 3 jaar tijd 5 verlieslatende opdrachten 83% omzet in schilderklussen boven 50.000 voor grote beursgenoteerde bouwbedrijven 25 belangrijke onderaannemers die merendeel werkzaamheden uitvoeren
Praktijkstudie 2: een fulfillment onderneming Verkennen Zowel process mining als traditionele data analyse Interpreteren 2 los van elkaar werkende data analisten
Wat we vooraf wisten Verzorgen opslag en verzending van orders voor een aantal webshops Opbrengst per order o.b.v. drie gewichtscategorieën Eenduidig proces voor een massa aan leveringen
Wat we wilden onderzoeken Bevestiging van het recht-toe-recht-aan proces Volledigheid en afgrenzing van de omzet Bijzonderheden aan de hand van de data
Wat de data ons lieten zien De animatie toont het verloop van iedere order door het logistieke proces. We hadden 2 data punten: verzenden en afleveren. We hebben ter illustratie 2 datapunten toegevoegd: order ontvangen en order picking.
Doorlooptijden
Wat deed het met de accountants? Ik realiseerde me dat ik onnodig een beperkt gerichtsveld heb Data vertellen mij het verhaal om in discussie met mijn klant te gaan en hem van waarde te zijn Het geeft mij meer diepgaande kennis en echte gespreksonderwerpen
Wat voegt data analyse inhoudelijk toe? Kennis klant Kwaliteit data x hardheid normen x kwaliteit interpretatie = Identificatie risicoposten Controlebewijs Betrouwbaarheid Rijkheid
Over relevantie, effectiviteit en efficiency Relevantie Effectiviteit Discussies met klanten worden veel concreter Je ziet meer en met meer scherpte Koppelen aan andere databronnen versterkt de bewijskracht (controle) Efficiency Efficiency haal je niet in het eerste jaar Zoek naar schaalbaarheid
Enkele uitdagingen Hoe kom ik aan een bruikbare en betrouwbare data set? Hoe kom ik aan de benodigde kennis en vaardigheden? Hoe kan ik dit (voor)financieren? Mag het wel vanuit onze beroepsreglementering?
Over onze beroepsreglementering 1. De NV COS is gebaseerd op principes 2. Verkennen en interpreteren is daarin een integraal onderdeel 3. Voorkom het blindstaren op data 4. Koppeling van interne en externe data vergroot de bewijskracht 5. Documenteer je keuzes!
Om mee te nemen 1. Wie is er in mijn omgeving vaardig met data en kan mij helpen? 2. Welke klant wil met mij deze route volgen? 3. Met welke collega kan ik samenwerken?
Data interpreteert zichzelf niet; het is hoe je er naar kijkt