De verplichting komt, maar de voorbereiding kost meer tijd dan je denkt.

iXBRL wordt de nieuwe standaard voor financiële verantwoording in het onderwijs. De verplichting gaat gefaseerd in, met 2028 als streefjaar voor een bredere invoering. Dat klinkt ruim, maar de praktijk leert dat dit soort trajecten meer voorbereiding vergt dan organisaties vooraf inschatten.

Het gaat niet alleen om het aanschaffen van de juiste software. Je moet ook je interne processen doorlichten, definities afstemmen en controleren of je bronsystemen de juiste data leveren. Dat zijn stappen die tijd kosten en die je niet in een paar weken afrondt. Een schoolbestuur dat pas in 2027 begint, werkt al snel onder druk. En beslissingen onder druk leiden zelden tot de beste inrichting.

Bovendien verandert regelgeving in het onderwijs vaker dan gepland. Wie zijn databasis nu op orde brengt, is niet alleen klaar voor iXBRL maar ook beter voorbereid op andere veranderingen die nog komen.

Wat een goede databasis echt betekent

iXBRL werkt alleen goed als de data achter het format klopt. En daar zit voor veel organisaties de echte uitdaging. Financiële gegevens staan verspreid over meerdere systemen, definities worden niet consistent gebruikt en de vertaalslag naar DUO-categorieën gebeurt handmatig door één of twee mensen die het proces uit hun hoofd kennen.

Een goede databasis betekent dat gegevens uit verschillende bronsystemen op dezelfde manier worden gedefinieerd en opgeslagen. Het betekent ook dat die gegevens op elk moment opvraagbaar zijn zonder handmatige tussenkomst. Skoogle, het datawarehouse van Datapas, brengt precies die samenhang aan. Gegevens uit personeelsadministratie, financiële systemen en andere domeinen komen samen op één plek, consistent en herleidbaar.

Een praktisch voorbeeld: stel dat je formatiebeheer en je financiële administratie niet op dezelfde manier omgaan met de definitie van een fte. Dan kloppen je cijfers intern wel, maar wijken ze af als je ze naast elkaar legt. iXBRL maakt dat soort inconsistenties zichtbaar. Beter om dat nu te ontdekken dan vlak voor de deadline.

Vroeg starten geeft ruimte om rustig te leren

Wie nu begint, heeft de luxe van tijd. Tijd om te experimenteren, om vragen te stellen en om stapsgewijs toe te werken naar een robuust aanleverproces. Die ruimte heb je niet als je in het jaar van de verplichting begint.

Vroeg starten betekent ook dat je de iXBRL-taxonomie rustig kunt leren kennen. De taxonomie beschrijft welke codes bij welke financiële posten horen. Die mapping van je interne categorieën naar de taxonomie is een klus die zorgvuldigheid vraagt. Als je daarvoor de tijd neemt, hoef je het niet twee keer te doen.

Bij Datapas zien we dat organisaties die dit proces vroegtijdig oppakken, ook sneller de voordelen ervaren. Niet alleen voor de DUO-aanlevering, maar ook voor de interne rapportage. Een goed ingericht datawarehouse en een consistent begrotingsproces leveren het hele jaar voordelen op. Dat is de reden waarom vroeg beginnen geen last is, maar een investering die al snel terugverdiend wordt.

Hoe je de voorbereiding aanpakt zonder je organisatie te overbelasten

Voorbereiding op iXBRL hoeft niet te betekenen dat alles tegelijk verandert. Een gefaseerde aanpak werkt beter, zeker in een sector waar capaciteit schaars is.

Begin met een inventarisatie. Welke systemen gebruik je, wie beheert welke data en welke stappen in het huidige aanleverproces zijn handmatig? Die inventarisatie geeft je een eerlijk beeld van waar de risico's zitten en waar je als eerste energie in moet steken.

Daarna is het zinvol om de definities binnen je organisatie te harmoniseren. Dat is geen technische stap, maar een organisatorische. Afspraken maken over hoe begrippen worden gedefinieerd en wie daarvoor verantwoordelijk is. Vervolgens kun je die afspraken verankeren in je systemen. Capisci, de begrotingstool van Datapas, sluit direct aan op wet- en regelgeving en helpt om het begrotingsproces consistent te houden. Dat is een goede basis voor de vertaalslag naar iXBRL.

Tot slot is het belangrijk om de kennis over het aanleverproces niet bij één persoon te laten liggen. Documenteer wat je doet en waarom. Dat maakt je organisatie minder kwetsbaar en het maakt het proces makkelijker over te dragen als iemand wisselt van rol.

Wat iXBRL oplevert buiten de DUO-aanlevering

De voordelen van iXBRL reiken verder dan de jaarlijkse aanlevering. De structuur die je aanbrengt in je data heeft ook intern waarde. Dashboards worden betrouwbaarder, analyses worden sneller gemaakt en bestuursrapportages zijn makkelijker te vergelijken over de jaren heen.

Cockpit, het business intelligence systeem van Datapas, werkt het beste als de onderliggende data consistent en goed gedefinieerd is. De stoplichtfunctie die signaleert wanneer iets aandacht nodig heeft, is alleen zinvol als de cijfers waarop die functie draait kloppen. Een goede voorbereiding op iXBRL versterkt dus ook de kwaliteit van de interne sturing.

Bovendien wordt vergelijkbaarheid met andere schoolbesturen eenvoudiger. Als iedereen dezelfde taxonomie gebruikt, kunnen benchmarks worden gemaakt die nu moeilijk te maken zijn door de variatie in hoe data wordt geregistreerd en aangeleverd. Dat is waardevol voor een sector die steeds meer datagedreven werkt.

Samenwerking met de juiste partners maakt het verschil

De overgang naar iXBRL is geen project dat je in je eentje doet. Je hebt partners nodig die het onderwijsdomein kennen en die begrijpen hoe de processen in een schoolbestuur werken. Generieke softwareoplossingen schieten tekort als ze niet zijn afgestemd op de specifieke vereisten van het onderwijs.

Datapas werkt nauw samen met onderwijsspecialisten en andere partners zodat de implementatie aansluit op de werkwijze van schoolbesturen. Dat betekent dat je niet zelf hoeft uit te zoeken hoe de taxonomie zich verhoudt tot jouw interne categorie-indeling. Die kennis zit bij de partner die je begeleidt.

Een schoolbestuur dat vroeg in gesprek gaat met de juiste partner, heeft ook meer invloed op hoe het traject wordt ingericht. Je kunt dan prioriteiten stellen op basis van je eigen situatie, in plaats van mee te liften op een standaard implementatieplan dat misschien niet past bij jouw organisatie.

Tijd genoeg is geen excuus om te wachten

2028 is een deadline, geen startpunt. Wie nu begint met de voorbereiding, bouwt rustig aan een databasis die niet alleen geschikt is voor iXBRL, maar ook intern meer waarde oplevert. De stappen die nodig zijn voor een goede aanlevering aan DUO zijn dezelfde stappen die je bedrijfsvoering versterken.

Wil je weten waar jouw organisatie nu staat en welke stappen logisch zijn? Neem contact op met Datapas en bespreek samen hoe je de voorbereiding aanpakt op een manier die past bij jouw bestuur.

Veelgestelde vragen over vroeg starten met iXBRL

Is het zinvol om nu al te beginnen als we een klein schoolbestuur zijn?

Ja, ook voor kleinere besturen is vroeg beginnen verstandig. De capaciteit is bij kleinere organisaties vaak beperkter, wat betekent dat je juist meer tijd nodig hebt om het proces rustig in te richten. Bovendien geldt ook voor kleine besturen dat de verplichting eraan komt. Een geleidelijke voorbereiding is altijd beter dan een haastige implementatie vlak voor de deadline.

Wat als onze huidige software nog niet klaar is voor iXBRL?

Dat is een veelgehoorde situatie. Veel financiële systemen worden de komende jaren bijgewerkt om iXBRL te ondersteunen. Dat betekent niet dat je nu stil hoeft te zitten. Je kunt al beginnen met het harmoniseren van definities, het in kaart brengen van je datastromen en het verbeteren van de kwaliteit van je brondata. Die stappen zijn los van de softwarekeuze en leggen een stevige basis.

Hoe weet ik of mijn data goed genoeg is om te beginnen met iXBRL?

Een eerste stap is het uitvoeren van een interne check op consistentie. Kloppen de cijfers in je financiële administratie met de gegevens in andere systemen? Worden dezelfde begrippen overal op dezelfde manier gebruikt? Als je die vragen niet direct kunt beantwoorden, is dat al een signaal dat er werk aan de winkel is. Een datawarehouse zoals Skoogle helpt bij het zichtbaar maken van inconsistenties en het structureren van de data.