KPMG: kunstmatige intelligentie helpt bij foutopsporing

24 september 2010

Een team van vier medewerkers heeft een tool ontwikkeld die zelfstandig in staat is opvallende en afwijkende grootboektransacties op te sporen in omvangrijke datasets. Op boekhoudkundig terrein kan de software van KPMG, die nog in de kinderschoenen staat, voor een grote verbetering in de financiële controle zorgen.

De tool, die de naam K-LDR [spreek uit: Kay Leader] draagt, werkt anders dan nu gebruikte methoden voor data-analyse. Traditionele data-analysetechnieken analyseren op vooraf geprogrammeerde risico-indicatoren en kunnen patronen en verbanden herkennen waarnaar gezocht wordt. K-LDR kijkt waar de afwijkingen in de dataset zitten. De tool gebruikt een vorm van ‘unsupervised learning’, en vindt de afwijkingen, zonder dat opdracht is gegeven bepaalde afwijkingen op te sporen. Zo kan de nieuwe tool de blinde vlekken in de traditionele aanpak invullen. K-LDR is volgens Rens Rozekrans, partner bij KPMG en verantwoordelijk voor Risk & Compliance, nadrukkelijke een toevoeging op het bestaande pallet data-analysetoepassingen.

Aan de wieg van K-LDR stond Thom Eijken, die een eerste versie ontwikkelde in het kader van zijn afstudeerproject bij KPMG Forensic Technology, als onderdeel van zijn master Bedrijfswiskunde en Informatica. Na zijn afstuderen kwam Eijken bij KPMG Forensic in dienst en werkte hij met drie collega’s verder aan de tool. Samen met collega Vivian Blankers, die Artificial (Forensic) Intelligence aan de Universiteit van Amsterdam studeerde en in november 2009 bij KPMG binnenkwam, schreef Eijken het meeste van de software.

Quintra Rijnders, manager bij KPMG Forensic Technology, zegt dat er binnen haar afdeling al langer ideeën leven om kunstmatige intelligentie in te zetten voor het opsporen van fouten en fraude. “Het afstudeerproject van Thom Eijken was de eerste stap om daar een tool voor te ontwikkelen. Hij maakte een ‘rough draft’ en toonde aan dat het in de testomgeving werkte: De afwijkende transacties die we bewust in een dataset hadden aangebracht, wist de tool eruit te halen.”

In het afgelopen halfjaar heeft het vierkoppige team de tool getuned, het algoritme nog iets aangepast en enkele methodologische knopen doorgehakt. De volgende stap was een uitgebreide test op zes datasets van complete boekjaren van vijf middelgrote en grote organisaties. Alle transacties in het grootboek van de organisaties werden aan de test onderworpen. “De test gaf aan dat de minder gebruikelijke handmatige journaalposten het meest afwijken”, zegt Rozekrans. “Ook fouten in systeemboekingen kwamen naar voren, zoals onvolledig of niet tijdig verwerkte batchboekingen.”

Rijnders legt uit hoe de tool werkt. “Eerst maken we handmatig een selectie van de relevante grootboekvelden die meegenomen moeten worden in de analyse. Van die selectie maakt de tool een Bayesiaans of probabilistisch netwerk om de onderlinge verbanden tussen die velden aan te geven. Vervolgens worden alle transacties tegen het netwerk aangehouden om de afwijkende boekingen eruit te halen. Het systeem bepaalt zelf wat afwijkt en wat niet, op basis van een zelf opgestelde norm, die is voortgekomen uit de dataset zelf.”

“De top tien van de lijst met opvallende transacties uit de uitgebreide test hebben we aan de klanten teruggekoppeld”, zegt Rijnders. “Ze bleken de opvallende transacties te kennen, als er bijvoorbeeld een pand was aangekocht of een voorziening was getroffen. In enkele gevallen konden de afwijkingen door de klanten niet worden geplaatst en was er nader onderzoek nodig.” De belofte van de zelflerende tool ligt volgens Rozekrans in het continu monitoren van bedrijfsprocessen, in plaats van achteraf zoals nu gebeurt. “We gaan steeds meer toe naar het in realtime analyseren van bedrijfsdata. Deze tool kan een stap in die richting betekenen. Het is veelbelovend, maar we zijn nog niet klaar.”

KPMG Forensic kreeg van de Verenigde Staten tot China reacties van KPMG-collega’s. Het team dat nu aan K-LDR werkt, is inmiddels vijftien mensen groot. Het product moet nu verder worden ontwikkeld en het is nog niet zeker hoe dat gaat lopen. “De volgende stap is de implementatie van de tool in onze procedures voor data-analyse en audits”, zegt Rozekrans. “Ik verwacht dat we het op termijn in advies- en auditopdrachten bij klanten gaan gebruiken. We gaan het product niet zelfstandig verkopen.”

 
Lees het hele artikel
Je kunt dit artikel lezen nadat je bent ingelogd. Ben je nieuw bij AG Connect, registreer je dan gratis!

Registreren

  • Direct toegang tot AGConnect.nl
  • Dagelijks een AGConnect nieuwsbrief
  • 30 dagen onbeperkte toegang tot AGConnect.nl

Ben je abonnee, maar heb je nog geen account? Laat de klantenservice je terugbellen!