Zelflerende software detecteert opvallende transacties Onderzoek naar de mogelijkheden om concepten uit de kunstmatige intelligentie in te zetten voor analyse van financiële gegevens

Het in kaart brengen van opvallende transacties in het kader van de accountantscontrole wordt vaak gedaan vanuit een traditionele benadering van een kwalitatieve risicoanalyse en een kwantitatieve (data-)analyse gebaseerd op ervaringsregels. Hierbij worden risico-indicatoren die niet betrokken zijn in voornoemde kwalitatieve risico- en data-analyse buiten beschouwing gelaten. In dit artikel wordt aangetoond dat ‘unsupervised’ zelflerende software op effectieve en efficiënte wijze uitzonderingen op bestaande datastructuren in een grootboek in kaart brengt. De software vormt een aanvulling op het pallet van oplossingen dat kan worden ingezet in het kader van het voortdurend monitoren van de bedrijfsprocessen.