DSA Nyenrode Business University NJ2023 les 1
Samenvatting artikel Gepp et al. (2018)
Korte versie samenvatting:
De studie van Gepp et al. (2018), getiteld "Big Data Techniques in Auditing Research and
Practice: Current Trends and Future Opportunities", onderzoekt het gebruik van big data-
technieken in de auditpraktijk en vaststelt dat deze technieken niet zo wijdverbreid zijn in
auditing als in andere gerelateerde velden. De studie introduceert big data-technieken en
hun oorsprong in de multivariate statistische literatuur om auditors te helpen deze
technieken te begrijpen. Vervolgens worden bestaande onderzoeken naar big data in
accounting en finance beoordeeld, waarbij wordt vastgesteld dat auditing achterloopt op
andere onderzoeksstromen, zoals financiële noodmodellering, financiële fraude modellering,
en beursvoorspelling en kwantitatieve modellering.
Het artikel behandelt de volgende belangrijke thema's:
1. Inleiding tot Big Data-technieken: De definitie en kenmerken van big data, met
nadruk op de vier V's: Volume, Variëteit, Snelheid en Waarheid. Het benadrukt de
groeiende hoeveelheid en diversiteit van data beschikbaar voor auditors, inclusief
realtime-informatie en online tekstuele informatie.
2. Systematische Literatuuroverzicht: Het artikel presenteert een systematische review
van big data-technieken in auditing, onderzoek en praktijk, waarbij 286 artikelen
werden geïdentificeerd en uiteindelijk 45 relevante artikelen werden geselecteerd.
Het identificeert vier hoofdgenealogieën van onderzoek: financiële noodmodellering,
financiële fraude modellering, beursvoorspelling en kwantitatieve modellering, en
auditing, en constateert dat er aanzienlijke vooruitgang is geboekt in de eerste drie
velden, maar dat auditing achterloopt bij de implementatie van big data-technieken.
3. Financiële Noodmodellering: Verschillende studies hebben big data-technieken
toegepast om financiële nood of falen van bedrijven te detecteren en te voorspellen.
Dit omvat het gebruik van beslisbomen, neurale netwerken en machine learning.
Dergelijke technieken kunnen auditors helpen bij het beoordelen van de financiële
levensvatbaarheid van bedrijven.
4. Financiële Fraude Modellering: Dit segment bespreekt het gebruik van big data-
technieken voor het modelleren van financiële fraude, een belangrijk aandachtspunt
voor organisaties wereldwijd. Verschillende benaderingen zoals neurale netwerken,
beslisbomen, genetische algoritmen en taalgebaseerde hulpmiddelen zijn
geëvalueerd voor fraude detectie en preventie.
5. Beursvoorspelling en Kwantitatieve Modellering: Onderzoek in dit gebied richt zich
op voorspellende analyse en beleggingsadvies, met toepassingen zoals neurale
netwerken, genetische algoritmen en sentimentanalyse van financieel nieuws en
online bronnen.
6. Toepassing in Auditing: Ondanks de ontwikkelingen in bovengenoemde gebieden is
de adoptie van big data-technieken in de auditpraktijk traag. Er is een oproep voor
meer onderzoek en een betere afstemming op de praktijk, met inbegrip van het
, bijwerken van de standaarden en het omarmen van big data-technieken in auditing
om te voldoen aan de eisen van cliënten en de waarde van auditing te vergroten.
Het artikel benadrukt de behoefte aan meer onderzoek en een grotere uitlijning met de
praktijk, met name in de context van realtime-informatie en op collaboratieve platforms. De
auteurs roepen op tot een grotere inzet van big data-technieken in auditing en suggereren
dat dit de effectiviteit en efficiëntie van audits kan verbeteren.
Samenvatting artikel Gepp et al. (2018)
Korte versie samenvatting:
De studie van Gepp et al. (2018), getiteld "Big Data Techniques in Auditing Research and
Practice: Current Trends and Future Opportunities", onderzoekt het gebruik van big data-
technieken in de auditpraktijk en vaststelt dat deze technieken niet zo wijdverbreid zijn in
auditing als in andere gerelateerde velden. De studie introduceert big data-technieken en
hun oorsprong in de multivariate statistische literatuur om auditors te helpen deze
technieken te begrijpen. Vervolgens worden bestaande onderzoeken naar big data in
accounting en finance beoordeeld, waarbij wordt vastgesteld dat auditing achterloopt op
andere onderzoeksstromen, zoals financiële noodmodellering, financiële fraude modellering,
en beursvoorspelling en kwantitatieve modellering.
Het artikel behandelt de volgende belangrijke thema's:
1. Inleiding tot Big Data-technieken: De definitie en kenmerken van big data, met
nadruk op de vier V's: Volume, Variëteit, Snelheid en Waarheid. Het benadrukt de
groeiende hoeveelheid en diversiteit van data beschikbaar voor auditors, inclusief
realtime-informatie en online tekstuele informatie.
2. Systematische Literatuuroverzicht: Het artikel presenteert een systematische review
van big data-technieken in auditing, onderzoek en praktijk, waarbij 286 artikelen
werden geïdentificeerd en uiteindelijk 45 relevante artikelen werden geselecteerd.
Het identificeert vier hoofdgenealogieën van onderzoek: financiële noodmodellering,
financiële fraude modellering, beursvoorspelling en kwantitatieve modellering, en
auditing, en constateert dat er aanzienlijke vooruitgang is geboekt in de eerste drie
velden, maar dat auditing achterloopt bij de implementatie van big data-technieken.
3. Financiële Noodmodellering: Verschillende studies hebben big data-technieken
toegepast om financiële nood of falen van bedrijven te detecteren en te voorspellen.
Dit omvat het gebruik van beslisbomen, neurale netwerken en machine learning.
Dergelijke technieken kunnen auditors helpen bij het beoordelen van de financiële
levensvatbaarheid van bedrijven.
4. Financiële Fraude Modellering: Dit segment bespreekt het gebruik van big data-
technieken voor het modelleren van financiële fraude, een belangrijk aandachtspunt
voor organisaties wereldwijd. Verschillende benaderingen zoals neurale netwerken,
beslisbomen, genetische algoritmen en taalgebaseerde hulpmiddelen zijn
geëvalueerd voor fraude detectie en preventie.
5. Beursvoorspelling en Kwantitatieve Modellering: Onderzoek in dit gebied richt zich
op voorspellende analyse en beleggingsadvies, met toepassingen zoals neurale
netwerken, genetische algoritmen en sentimentanalyse van financieel nieuws en
online bronnen.
6. Toepassing in Auditing: Ondanks de ontwikkelingen in bovengenoemde gebieden is
de adoptie van big data-technieken in de auditpraktijk traag. Er is een oproep voor
meer onderzoek en een betere afstemming op de praktijk, met inbegrip van het
, bijwerken van de standaarden en het omarmen van big data-technieken in auditing
om te voldoen aan de eisen van cliënten en de waarde van auditing te vergroten.
Het artikel benadrukt de behoefte aan meer onderzoek en een grotere uitlijning met de
praktijk, met name in de context van realtime-informatie en op collaboratieve platforms. De
auteurs roepen op tot een grotere inzet van big data-technieken in auditing en suggereren
dat dit de effectiviteit en efficiëntie van audits kan verbeteren.
