Aan de slag met data-analyses

Door , gepubliceerd op

In een vorig blog hebben we het gehad over de lifecycle van een controle. De eerste fase die we bespraken was de onderzoeksfase. In sommige gevallen duurt een onderzoeksfase een paar dagen, andere keren zijn we maanden bezig. Het is dus belangrijk om een beetje grip te houden op de voortgang van het onderzoek. In dit blog beschrijven we een aantal van de stappen die we nemen in de onderzoeksfase. De ontwikkeling van de controle kan bij veel van deze stappen helaas ook spaak lopen.

De scope en het nut definiëren van de controle

Het onderzoek begint vaak met een mail of een telefoontje over iets dat fout gaat bij de klant. Dan gaan we kijken naar de business case voor de controle. Een fout is een fout, maar ze zijn natuurlijk niet allemaal even belangrijk. Kost de fout veel tijd? Of is het een compliance risico om dit soort fouten in ons systeem te laten? Hebben leveranciers, klanten of medewerkers van onze klant hier last van? Soms gaat het ook gewoon om schoonheidsfouten of een verschil van mening over hoe iets geboekt dient te worden. Het is belangrijk om hier wel even stil bij te staan, vooral als er veel controles worden gemaakt of als de beschikbare middelen beperkt zijn. Je wilt dan een onderscheid kunnen maken in prioriteit.

Benodigde data vaststellen

In de tweede stap kijken we naar de data die we nodig hebben voor de analyse. Dat is dus de data die we nodig hebben om de fout op te sporen, maar we moeten ook rekening houden met de data die de administrateur nodig heeft om de fout makkelijk op te lossen. Een simpel voorbeeld: stel dat wij de crediteurnaam niet nodig hebben om de fout te detecteren, dan zouden we dat gegeven achterwege kunnen laten. Maar misschien kan een administrateur met die crediteurnaam in een milliseconde een inschatting maken wat er fout gaat en dus gerichter te werk gaan.

Er moet dus in kaart gebracht worden welke dataset(s) we nodig hebben en welke kolommen er getoond moeten worden.

Intern niveau (Functioneel Beheer)

In het ergste geval is niet alle data die we nodig hebben aanwezig. Dan moeten we samen met (bijvoorbeeld) Functioneel Beheer kijken hoe deze data ontsloten kan worden. Wellicht moeten er bepaalde queries of programma’s in het ERP-systeem worden gemaakt of moet de data worden getransporteerd naar een data warehouse.

Extern niveau (RealtimeMonitor)

Terwijl Functioneel Beheer kijkt of de data beschikbaar is moeten wij ook kijken of de controle goed ingericht kan worden in ons controle framework. Heel veel dingen zijn al mogelijk, maar het framework blijft groeien naarmate onze klanten meer exotische controles aanvragen.

Het is afhankelijk van de complexiteit van de business rules hoe lang deze fase duurt. In 99% van de gevallen zijn de business rules goed in te programmeren in ons framework en als dat niet zo is dan kan het framework makkelijk uitgebreid worden. De overige 1% zijn meestal de wat complexere en minder concrete business rules. Sommige van deze business rules moeten uiteindelijk met Machine Learning/Artificial Intelligence opgelost worden.

Data kwaliteit

Als we de data eenmaal hebben dan doen we daar een aantal kwaliteitschecks op. In sommige datasets ontbreken er gegevens of zijn de gegevens verre van uniform. Dit kan effect hebben op de controle resultaten. Dus moeten we inschatten of we met deze data alsnog een acceptabele controle kunnen inrichten. Hier loopt een controle meestal niet op spaak, maar het is wel belangrijk om dit soort dingen mee te nemen om verrassingen voor de administrateur te voorkomen.

Opbouw van daadwerkelijke automatisering

Als al deze stappen zijn doorlopen dan kunnen we de automatisering maken. Hier hebben we een controle framework voor gemaakt met herbruikbare stukken code, zodat we erg makkelijk controles en business rules kunnen in programmeren.

Testing van automatisering

Op zijn minst sluiten we het automatiseringsproces af met een aantal handmatige testruns om te kijken of de resultaten er oke uitzien. Maar ook dit is afhankelijk van de complexiteit van de controle en natuurlijk het risico dat de klant loopt bij fouten. In veel gevallen is een controle makkelijk op het zicht te valideren, maar voor riskante en complexe controles is het verstandig om wat testcases op te stellen en die door de controle heen te halen om te kijken of alles wel correct verloopt.

Documenteren van automatisering en changes

We hebben het leukste voor het laatste bewaard: het documenteren. Als je alles pas aan het eind documenteert loop je het risico dat van uitstel afstel komt. Maar in de praktijk hebben we meestal al genoeg mailverkeer en commentaar in ons ticketsysteem om een adequate documentatie te vormen van hoe de controle tot stand is gekomen.

In control met onze oplossingen

We hebben verschillende producten om met algoritmes in control te komen. Om datagedreven te gaan werken en om data slim te gebruiken om continu te verbeteren.

GRATIS

Laagdrempelige manier om kennis te maken met geautomatiseerde data-analyses

Gratis

FLEX

Een maatwerk algoritme om dat ene specifieke probleem in je administratie op te lossen

Vanaf 4500

EXPERT

Een met een vakinhoudelijk expert ontwikkelde en beproefde set algoritmes op specifieke thema's

Vanaf 5000

ENTERPRISE

Een volledige suite om datagedreven continu te verbeteren met een onbeperkt aantal algoritmes

Vanaf 50000

Op de hoogte blijven?

Volg ons op  LinkedIn of lees ons blog.

Tip je collega

De kleine lettertjes

Voorwaarden

Home
Oplossingen Gratis Flex Expert Enterprise
Blog Ons verhaal Contact