Fraud management. Richard Dobiš

Transkript

1 Fraud management Richard Dobiš

2 Lidská mysl je úžasný nástroj a když má patričnou zkušenost... Co víc business potřebuje? Odborný odhad HPP al. HPH Zbytečná otázka Kritické množství Projektový manager řídící X lidí Dispečer drah (železnice) 2

3 Různé problémy vyžadují různé typy podpory... How best to? Prescriptive Predictive Descriptive Where we are?

4 Není SW jako SW knihovna, metoda a obsah Rozdělení podle počtu metod Knihovna vs. Metoda Příklad: SPSS, Ilog Optimization vs. SNOW, SNAzzy, RAMP Rozdělení podle interpretačního kontextu Kalkulačky vs. Branžové řešení Příklad: SPSS, EPMS vs. DIOS, Ilog Transportation analyst Rozdělení podle přítomnosti intelektuálního kapitálu Framework vs. Kalibrovaný model Příklad: SPSS, Cognos TM1 vs. FAMS, TACOS Podle specifik řešení se liší nároky na uživatele. 4

5 Skutečný příběh pojistných podvodů naznačuje důležité aspekty řešení podvodů: HW, SW, Data, Lidé, Organizace Jedna paní z Austrálie... Dva aspekty podvodu Násobné pojištění Opakování vzorce Předpoklady identifikace podvodu Data Sdílení dat Metody analýzy Osvědčená metoda Uspořádat podle důležitosti (velikosti částek) Jiné aspekty 5 Systematicky malý vliv

6 Společnosti mají k dispozici spoustu dat... Vzrostl objem dat... ale skutečná znalost pocházející z dat nerostla proporcionálně Organizace mají lepší přístup k datům... ale často je to příliš mnoho dat Okamžité a přímočaré benefity už byly realizovány. další přínosy jsou možné jen přes pokročilou analýzu dat 6

7 Zjednodušená taxonomie analytických metod pro detekci podvodů Expertní pravidla Přibližně směrem na cíl Formalizace expertní zkušenosti formou pravidla definují zlé/dobré situace Charakteristika: Hrubé síto, náročné na formulaci Supervizované metody Na cíl podle navigace Model kalibrovaný na trénovací množině (vlastnosti výsledek) Charakteristika: Snadné použití, přesnost vysoká, citlivé na kvalitu dat, trénink pro jeden vzor podvodů Nesupervizované metody Oklikou podle tajných značek 7 Identifikace odlišných charakteristik chování Charakteristika: Účinné, náročné na formulaci, detekce i nových vzorů

8 Detekce nestandardností (podezřelého chování) má širší kontext. Nález Akce Vyšetřování chování Detekce a Analýza případů Podvody a hrubé nedbalosti Chyby a nedostatky fakturace Kvalita služeb Odmítnout výplatu budoucích pohledávek Využít opravné prostředky Zrušit smlouvu Poslat dopis požadující opravu chyb(y) Na setkání předložit důkazy Poskytnout nápravná školení / vzdělávání Požadovat náhradu škody za neoprávněné platby Poskytnout vzdělání / školení Pozastavit nebo zrušit licenci 8

9 Přístup k detekci podvodů v praxi z hlediska aplikace analytických metod je různý... Retrospektivní analýza Analytici hledají podvodné chování a formalizují modus operandi do pravidel obchodní logiky (do modelů) Analýza případů podle pravidel obchodní logiky (podle modelů) Systém provádí prvotní analýzy a identifikaci, což umožňuje vyšetřovatelům zaměřit se na podstatu případu Analýza případů v rámci business procesů (podle modelů) Analýza probíhá předtím, než je platba na účet provedena, což významně snižuje náklady vymáhání a může zrychlit procesy Poskytování dat konzultační společnosti (IBM) Pravidelně nebo ad-hoc konzultanti nalézají pravidla, nebo sporné případy. 9

10 Metoda EPMS pracuje s entitami a jejich charakteristikami, které jsou individuálně ohodnoceny, zkombinovány do skupin a následně je vyčísleno skupinové resp. celkové hodnocení. Agents, Brokers, Institutions Individuals, etc. Finanacial Transactions Entities Composite Group1 Group2 Group3 Feat 91 Feat 94 Feat 96 Feat 92 Feat 95 Feat 97 Feat 93 Feat 98 Peer Group Transactions Models for selectivity programs and compliance management Data Visualization Peer Group Profiles Profiles to be investigated Report Wizard C O M P O S IT E G B G B G B G roups Model je formalizovaná reprezentace hypotézy, která je používána pro zjištění stupně odlišnosti od standardu. F B 0011 F B 0012 F B 0013 F B 0001 F B 0004 F B 0006 F B 0002 F B 0005 F B 0007 F B 0003 F B 0008 F eatures 10 Inform ational F eatures

11 Demo 11

12 Klíčové otázky pro IT manažery a CIO Proč nové metody analýzy dat? Proč další SW? Proč najímat cizí konzultanty pro řešení analytických úkolů? 12

13 Děkujeme za pozornost 13