Creditcardmaatschappijen gebruiken al langere tijd dergelijke systemen om afwijkingen in creditcardgebruik te detecteren. Ook bij verzekeringsmaatschappijen zijn deze systemen in gebruik om mogelijke frauduleuze claims te kunnen detecteren. Volgens KPMG kan haar software op boekhoudkundig terrein voor een verbetering in de financiële controle zorgen.

Test

KPMG heeft de software getest bij vijf grotere organisaties in de verzekeringsbranche, de onderwijssector en bij handelsondernemingen en dienstverleners. Van de organisaties is voor één of meerdere boekjaren de integrale financiële data verkregen en geanalyseerd met behulp van de nieuwe KPMG-software. Uit de test blijkt dat het aantal mogelijk ongebruikelijke transacties in de data bij de organisaties relatief gezien uiteenloopt van 0,1% tot 4%. Over het algemeen vertegenwoordigen de mogelijk ongebruikelijke transacties 0,1% tot 28% van de totale hoeveelheid euro’s in de populatie. De test is uitgevoerd op alle transacties in het grootboek van de organisaties. ‘Zoals verwacht geeft de test aan dat de minder gebruikelijke handmatige journaalposten het meest afwijken,’ aldus Rens Rozekrans, partner bij KPMG en verantwoordelijk voor Risk & Compliance. ‘Ook fouten in systeemboekingen komen naar voren, zoals onvolledig of niet tijdig verwerkte batchboekingen. Daarnaast merkten een aantal bij de test betrokken organisaties op dat opvallende transacties inderdaad werden opgespoord, een bewijs dat de software werkt. Het is duidelijk dat de software van KPMG een aanvulling vormt op het pallet van oplossingen dat ingezet kan worden in het kader van het voortdurend monitoren van de bedrijfsprocessen. Een ontwikkeling die door steeds meer bedrijven wordt nagestreefd.’

Dataset

Waar traditionele data-analyse technieken analyseren op vooraf geprogrammeerde risico-indicatoren, analyseert de software van KPMG op basis van de kennis die in de data aanwezig is. Rozekrans: ‘Deze kennis zit verscholen in de patronen en mogelijk ongebruikelijke transacties in de data zelf. Onze software vormt dan ook een aanvulling op de traditionele methoden van data-analyse. Het blijft zinnig om op bekende risico-indicatoren data te analyseren om inzicht te krijgen in de bedrijfsrisico’s die worden gelopen. Voor een compleet beeld is onze software een belangrijke aanvulling op de voornoemde traditionele methoden, omdat de gehele populatie vanuit de data zelf wordt geanalyseerd en daarmee de ‘blinde vlekken’ in de traditionele methoden worden ondervangen. Door traditionele methoden aan de software te koppelen, kijk je als het ware vanuit meerdere perspectieven naar dezelfde dataset. Voor de toekomst verwacht ik een grotere benutting van zelflerende systemen in het kader van het voortdurend monitoren van bedrijfsprocessen. We gaan steeds meer toe naar het real-time analyseren van bedrijfsdata. Dit impliceert dat data op alle niveaus snel beschikbaar moet zijn. Het toepassen van zelflerende systemen past binnen deze ontwikkeling.’