Opdracht Auditing Steekproeven – Interest on
outstanding invoices
Datum : 28-02-2022
Studenten : Tilburgstudent
Docent : …
Introductie van de dataset:
De dataset die wordt gebruikt in deze opdracht is een aangepaste versie van een bestaande
dataset van de City of York Council , gepubliceerd via Google Dataset Search. De dataset
bestaat uit “Interest liable (£) to suppliers due to late payment of invoices and % of supplier
invoices paid within 30 days”. Op basis van deze dataset is vastgesteld dat het gaat om
uitstaande facturen waarop rente verschuldigd is.
We bepalen de volgende normen (SOLL):
Betalingen worden binnen 30 dagen voldaan (kolom H)
Het te betalen rentebedrag over verschuldigde leveranciersfacturen is nauwkeurig
ingevoerd.
De “Actual Data” in dit geval wordt gesteld op, (1) begin- en einddatum factuur en het (2)
bedrag verschuldigde rente over facturen. Er zijn geen verdere auxiliary data
geïdentificeerd. Ondanks dat data beschikbaar is in een digitaal format, zal later worden
aangegeven waarom toch is gekozen voor een steekproef en niet voor een integrale aanpak.
Kenmerken Data-analyse:
Bij de eerste inspectie van de dataset hebben we een aantal fouten geïdentificeerd die
relatief gemakkelijk kunnen worden geëlimineerd door middel van data-analyse. We hebben
daarom gekozen om deze fouten er eerst uit te halen. De volgende werkzaamheden worden
uitgevoerd:
Check op volledigheid van de dataset door het opvragen van IPE. Bewijslast wordt
opgevraagd en hierbij moet minimaal zichtbaar zijn: aantal observaties (rijen), gebruikte
parameters, datum en/of gebruikte query’s/scripts.
Data opschoning. Om de kwaliteit van data te bepalen en te voorkomen dat onjuiste
conclusies worden getrokken wordt gecheckt op de volgende kenmerken
(GEAUZOMOFO):
o Null-waardes in Value, StartDate en/of EndDate
o Onjuist format: EUR (€) in plaats van GBP (£), alle data formats die afwijken van
MM/DD/YYYY (DD/MM/YYYY, MM-DD-YYYY of MM-DD-YY bijvoorbeeld). Datum
DD/MM/YYYY in plaats van MM/DD/YYYY en/of andere afwijkingen in het
format(s)
o Plausibiliteit: onjuiste waardes zoals 32-12-2016 en 32-12-2020 omdat in deze
jaren sprake was van een schrikkeljaar (met een extra dag); negatieve waarden in
Value, een EndDate vóór StartDate.
o Intern Strijdig: Capital fees horen niet bij interest payable thuis.
o Onwaarschijnlijke patronen, bijvoorbeeld door een histogram te maken zien we
een piek van betalingen op één datum.
Desalniettemin dienen issues in kwaliteit van de data handmatig te worden opgelost. Het
“verwijderen” van records kan er tot leiden dat deze data straks niet meer aansluit op het
crediteurenbestand. Het toepassen van andere data-analyse technieken zoals de Gaussian
verdeling, een scatter plot of whisker boxplot achten we gezien de beperkte aanwezigheid
van kwantitatieve data (Value, StartDate, EndDate) niet passend.
Daarna wordt de SOLL-positie bepaald. Deze stellen we als volgt vast:
Betalingen worden binnen 30 dagen voldaan, (EndDate – StartDate < 30 dagen)
, Het te betalen rentebedrag over verschuldigde leveranciersfacturen is nauwkeurig
ingevoerd. Dit kan worden bepaald door steekproefsgewijs te bepalen of de waardes
in de spreadsheet overeenkomen met de originele factuur. Tevens dienen de
hoeveelheden (waarover de rente wordt berekend) overeen te komen met de data in
het crediteurenbestand.
Kenmerken Steekproef:
Na het gebruik van data-analyse op de populatie en na de schoning van de data, dient
gekozen te worden voor een gegevensgerichte controle. We hebben hierbij de volgende
overweging(en) genomen tussen (1) Cijferanalyse, (2) Steekproef en (3) Kritische
deelwaarneming
(1) Cijferanalyse: Indien we slechts willen vaststellen of nog te betalen rente op tijd
worden betaald, is een cijfer-analyse op de gehele populatie voldoende
(2) Steekproef: Indien we (vanuit Audit-overwegingen) niet alleen willen vaststellen of
de rente op tijd is betaald maar ook of we vastlegging tijdig/ nauwkeurig was zullen we
individuele records moeten vergelijken met data uit andere bronnen (e.g.
boekhoudsysteem, ERP-systeem of fysieke facturen). Aangezien we deze aanvullende
werkzaamheden uitvoeren is dit economisch niet rendabel om uit te voeren op een
populatie van 250 facturen. Daarom zal hier een steekproef genomen moeten worden.
(3) Kritische deelwaarneming Aangezien we nu niet weten “Waar het fout gaat” is
een kritische deelwaarneming uitgesloten. Eveneens introduceren we anders een bias
in onze controle met deze methode waardoor we mogelijk type 2 (False negative)
fouten krijgen.
Vanwege overweging 2, is gekozen voor een (2) Steekproef. We kiezen voor de steekproef
omdat de belangrijkste post “te betalen interest” op leveranciersfacturen een waarde
uitgedrukt in valuta is. Door een geldsteekproef te hanteren kunnen we ponden selecteren
en daarmee ponden evalueren, waardoor de conclusie van de geldsteekproef ook in ponden
uit te drukken is. We stellen de steekproef samen op basis van de facturen met behulp van
Simple random Sampling. Hiermee is eventuele bias in selectie van samples uitgesloten en
is een statistische steekproef mogelijk. Iedere factuur heeft nu een evenredig grote kans om
geselecteerd te worden.
Materialiteit, onnauwkeurigheid en onbetrouwbaarheid
Normaliter, wordt de materialiteit bepaald op basis van zowel kwantitatieve- als kwalitatieve
factoren zoals: Grootte van de post op de balans (SCOT), frauderisico, kwaliteit van interne
beheersing en Benchmarks geldend voor de sector/industrie. De waarde van post “Nog te
betalen rente leveranciers” is geen complexe post en wordt ook niet bepaald o.b.v. een
geschatte waarde. De waarde is gebaseerd op de uitstaande facturen maal rentepercentage.
Daarom wordt de uitvoeringsmaterialiteit vastgesteld op 3% van de totale waarde van de
interestbetalingen (£ 58.879), toelaatbare afwijking is derhalve £ 1.766 voor getrokken
facturen uit de steekproef.
Betrouwbaarheid is gesteld op 95% zekerheid, met α = 5%. Derhalve kunnen wij met 95%
zekerheid zeggen dat de foutkans op type I errors 0 is.
Onnauwkeurigheid wordt vastgesteld op een kritieke foutkans p m = 3
R factor is 3
Dit geeft een steekproefomvang van (1 – 0,03) n = 0.05 à n = 100 volgens SMASH-22
(zie Figuur 1).
,Uit onze fictieve dataset Casus Auditing Dataset.xlsx bepalen we dat in een periode van 4
jaar een totaal van interestbetalingen £ 58.878,79 uitgaande cashflow is vastgelegd.
Samengevat hebben wij conform SMASH-22:
Betrouwbaarheid is 95% (onbetrouwbaarheid vastgesteld op α = 5%) i.v.m. type 1
error
Uitvoeringsmaterialiteit = 3%
Toelaatbare afwijking = £ 58.879 * 0,03 = £ 1.766
Risico (factor R) = 5%
o R = np = GAMMA.INV(1-0.05;1;1) = 3
o Steekproefomvang aantal facturen is derhalve: 100 facturen
o (1 – 0,03) n = 0.05 à n = 100 facturen steekproef trekken.
(0,97)^100 = 0,048
Figuur 1. SMASH-22
Als evaluatie stellen we dat er bij 0 fouten in de 100 waarnemingen een uitspraak kunnen
doen dat de populatie foutloos is R-factor 3 met 95% zekerheid. Bij het vinden van een
fouten dient de omvang van steekproeven uitgebreid te worden om het incidentele karakter
van afwijkingen vast te stellen.
, Appendix:
Tab: Beschrijving:
(1) kpi-occ13
(Original) De originele brondata zoals gehaald uit Google Daset Search
Een gemodificeerd versie van tab: "(1) kpi-occ13 (Original)" met nieuwe
(2) Dataset casus waarneming- en fouten
(3) Dataset schoon Geschoonde versie van "(2) Dataset casus"
(4) SMASH-22 Ingevulde SMASH-22 tool o.b.v. onze dataset.
outstanding invoices
Datum : 28-02-2022
Studenten : Tilburgstudent
Docent : …
Introductie van de dataset:
De dataset die wordt gebruikt in deze opdracht is een aangepaste versie van een bestaande
dataset van de City of York Council , gepubliceerd via Google Dataset Search. De dataset
bestaat uit “Interest liable (£) to suppliers due to late payment of invoices and % of supplier
invoices paid within 30 days”. Op basis van deze dataset is vastgesteld dat het gaat om
uitstaande facturen waarop rente verschuldigd is.
We bepalen de volgende normen (SOLL):
Betalingen worden binnen 30 dagen voldaan (kolom H)
Het te betalen rentebedrag over verschuldigde leveranciersfacturen is nauwkeurig
ingevoerd.
De “Actual Data” in dit geval wordt gesteld op, (1) begin- en einddatum factuur en het (2)
bedrag verschuldigde rente over facturen. Er zijn geen verdere auxiliary data
geïdentificeerd. Ondanks dat data beschikbaar is in een digitaal format, zal later worden
aangegeven waarom toch is gekozen voor een steekproef en niet voor een integrale aanpak.
Kenmerken Data-analyse:
Bij de eerste inspectie van de dataset hebben we een aantal fouten geïdentificeerd die
relatief gemakkelijk kunnen worden geëlimineerd door middel van data-analyse. We hebben
daarom gekozen om deze fouten er eerst uit te halen. De volgende werkzaamheden worden
uitgevoerd:
Check op volledigheid van de dataset door het opvragen van IPE. Bewijslast wordt
opgevraagd en hierbij moet minimaal zichtbaar zijn: aantal observaties (rijen), gebruikte
parameters, datum en/of gebruikte query’s/scripts.
Data opschoning. Om de kwaliteit van data te bepalen en te voorkomen dat onjuiste
conclusies worden getrokken wordt gecheckt op de volgende kenmerken
(GEAUZOMOFO):
o Null-waardes in Value, StartDate en/of EndDate
o Onjuist format: EUR (€) in plaats van GBP (£), alle data formats die afwijken van
MM/DD/YYYY (DD/MM/YYYY, MM-DD-YYYY of MM-DD-YY bijvoorbeeld). Datum
DD/MM/YYYY in plaats van MM/DD/YYYY en/of andere afwijkingen in het
format(s)
o Plausibiliteit: onjuiste waardes zoals 32-12-2016 en 32-12-2020 omdat in deze
jaren sprake was van een schrikkeljaar (met een extra dag); negatieve waarden in
Value, een EndDate vóór StartDate.
o Intern Strijdig: Capital fees horen niet bij interest payable thuis.
o Onwaarschijnlijke patronen, bijvoorbeeld door een histogram te maken zien we
een piek van betalingen op één datum.
Desalniettemin dienen issues in kwaliteit van de data handmatig te worden opgelost. Het
“verwijderen” van records kan er tot leiden dat deze data straks niet meer aansluit op het
crediteurenbestand. Het toepassen van andere data-analyse technieken zoals de Gaussian
verdeling, een scatter plot of whisker boxplot achten we gezien de beperkte aanwezigheid
van kwantitatieve data (Value, StartDate, EndDate) niet passend.
Daarna wordt de SOLL-positie bepaald. Deze stellen we als volgt vast:
Betalingen worden binnen 30 dagen voldaan, (EndDate – StartDate < 30 dagen)
, Het te betalen rentebedrag over verschuldigde leveranciersfacturen is nauwkeurig
ingevoerd. Dit kan worden bepaald door steekproefsgewijs te bepalen of de waardes
in de spreadsheet overeenkomen met de originele factuur. Tevens dienen de
hoeveelheden (waarover de rente wordt berekend) overeen te komen met de data in
het crediteurenbestand.
Kenmerken Steekproef:
Na het gebruik van data-analyse op de populatie en na de schoning van de data, dient
gekozen te worden voor een gegevensgerichte controle. We hebben hierbij de volgende
overweging(en) genomen tussen (1) Cijferanalyse, (2) Steekproef en (3) Kritische
deelwaarneming
(1) Cijferanalyse: Indien we slechts willen vaststellen of nog te betalen rente op tijd
worden betaald, is een cijfer-analyse op de gehele populatie voldoende
(2) Steekproef: Indien we (vanuit Audit-overwegingen) niet alleen willen vaststellen of
de rente op tijd is betaald maar ook of we vastlegging tijdig/ nauwkeurig was zullen we
individuele records moeten vergelijken met data uit andere bronnen (e.g.
boekhoudsysteem, ERP-systeem of fysieke facturen). Aangezien we deze aanvullende
werkzaamheden uitvoeren is dit economisch niet rendabel om uit te voeren op een
populatie van 250 facturen. Daarom zal hier een steekproef genomen moeten worden.
(3) Kritische deelwaarneming Aangezien we nu niet weten “Waar het fout gaat” is
een kritische deelwaarneming uitgesloten. Eveneens introduceren we anders een bias
in onze controle met deze methode waardoor we mogelijk type 2 (False negative)
fouten krijgen.
Vanwege overweging 2, is gekozen voor een (2) Steekproef. We kiezen voor de steekproef
omdat de belangrijkste post “te betalen interest” op leveranciersfacturen een waarde
uitgedrukt in valuta is. Door een geldsteekproef te hanteren kunnen we ponden selecteren
en daarmee ponden evalueren, waardoor de conclusie van de geldsteekproef ook in ponden
uit te drukken is. We stellen de steekproef samen op basis van de facturen met behulp van
Simple random Sampling. Hiermee is eventuele bias in selectie van samples uitgesloten en
is een statistische steekproef mogelijk. Iedere factuur heeft nu een evenredig grote kans om
geselecteerd te worden.
Materialiteit, onnauwkeurigheid en onbetrouwbaarheid
Normaliter, wordt de materialiteit bepaald op basis van zowel kwantitatieve- als kwalitatieve
factoren zoals: Grootte van de post op de balans (SCOT), frauderisico, kwaliteit van interne
beheersing en Benchmarks geldend voor de sector/industrie. De waarde van post “Nog te
betalen rente leveranciers” is geen complexe post en wordt ook niet bepaald o.b.v. een
geschatte waarde. De waarde is gebaseerd op de uitstaande facturen maal rentepercentage.
Daarom wordt de uitvoeringsmaterialiteit vastgesteld op 3% van de totale waarde van de
interestbetalingen (£ 58.879), toelaatbare afwijking is derhalve £ 1.766 voor getrokken
facturen uit de steekproef.
Betrouwbaarheid is gesteld op 95% zekerheid, met α = 5%. Derhalve kunnen wij met 95%
zekerheid zeggen dat de foutkans op type I errors 0 is.
Onnauwkeurigheid wordt vastgesteld op een kritieke foutkans p m = 3
R factor is 3
Dit geeft een steekproefomvang van (1 – 0,03) n = 0.05 à n = 100 volgens SMASH-22
(zie Figuur 1).
,Uit onze fictieve dataset Casus Auditing Dataset.xlsx bepalen we dat in een periode van 4
jaar een totaal van interestbetalingen £ 58.878,79 uitgaande cashflow is vastgelegd.
Samengevat hebben wij conform SMASH-22:
Betrouwbaarheid is 95% (onbetrouwbaarheid vastgesteld op α = 5%) i.v.m. type 1
error
Uitvoeringsmaterialiteit = 3%
Toelaatbare afwijking = £ 58.879 * 0,03 = £ 1.766
Risico (factor R) = 5%
o R = np = GAMMA.INV(1-0.05;1;1) = 3
o Steekproefomvang aantal facturen is derhalve: 100 facturen
o (1 – 0,03) n = 0.05 à n = 100 facturen steekproef trekken.
(0,97)^100 = 0,048
Figuur 1. SMASH-22
Als evaluatie stellen we dat er bij 0 fouten in de 100 waarnemingen een uitspraak kunnen
doen dat de populatie foutloos is R-factor 3 met 95% zekerheid. Bij het vinden van een
fouten dient de omvang van steekproeven uitgebreid te worden om het incidentele karakter
van afwijkingen vast te stellen.
, Appendix:
Tab: Beschrijving:
(1) kpi-occ13
(Original) De originele brondata zoals gehaald uit Google Daset Search
Een gemodificeerd versie van tab: "(1) kpi-occ13 (Original)" met nieuwe
(2) Dataset casus waarneming- en fouten
(3) Dataset schoon Geschoonde versie van "(2) Dataset casus"
(4) SMASH-22 Ingevulde SMASH-22 tool o.b.v. onze dataset.
