Efektivní identifikace nestandardního průběhu procesů, nesrovnalostí a nekalého jednání ve veřejné správě Jiří Přibyslavský, SAP Analytics
SAP řešení pro governance, risk and compliance Core GRC SAP Access Control application SAP Process Control application SAP Risk Management application SAP Fraud Management analytic application SAP Audit Management application SAP Global Trade Services application SAP Electronic Invoicing for Brazil application Security SAP Single Sign-On application SAP Identity Management application SAP Enterprise Threat Detection application SAP Solution Extensions SAP Access Violation Management application by Greenlight SAP Regulation Management application by Greenlight SAP Dynamic Authorization Management application by NextLabs SAP Technical Data Export Compliance application by NextLabs 2015 SAP SE or an SAP affiliate company. All rights All rights reserved. reserved. Public 2
Jak řešení funguje? Textový soubor, formulář IS Veřejné správy EXPERTNÍ PRAVIDLA ANALÝZA VZTAHŮ DOKUMENTACE Registr ekonomický ch subjektů, Trestní rejstřík Sjednocení dat DETEKCE UMĚLÁ INTELIGENCE INVESTIGACE REPORTY, ANALÝZY ROZHODNUTÍ KOMUNIKACE Finanční transakce (Státní pokladna, banky ) Komunikace -telefony, emaily, soc. sítě 3
Možnosti tvorby detekční metody Expert Expertní pravidlo Strategie a kalibrace Detekce Šetření Reporting a dokumentace Data Prediktivní Modely 4
Zadání nové detekční metody Expertní pravidlo Významné zakázky bez uveřejnění Zakázka Velikost zakázky je vyšší než 10 mil. CZK 10 mil. CZK Žádný komentář 5
Příklady oblastí expertních pravidel Claim Vendor & Service Provider Payments Customer Accounting Purchasing Invoices Travel Expenses Nesrovnalosti v nahlášených pojistných událostech / ztrátách Identifikovatce podvodné osoby Ověření, zda je nárok v souvislosti s plněním či jinou pohledávkou Časté změny v datech dodavatele Dodavatel se nachází v rizikové zemi Rozdělování (smurfing) příchozích plateb (split invoices) Nesrovnalosti v platbách dodavatelům Zákazník se nachází v rizikové zemi Bankovní účet a adresa v rozdílných zemích List Screening (e.g. PEP lists- Politically exposed person) Účetní doklady zpracované v neobvyklých či mimořádných termínech Konflikt zájmů Nesrovnalosti v objednávkách Nesrovnalosti ve fakturách Vyhledávání dle klíčových slov Nesrovnalosti v cestovních příkazech a nákladech 6
Možnosti tvorby detekční metody Expert Expertní pravidlo Strategie a kalibrace Detekce Šetření Reporting a dokumentace Data Prediktivní Modely 7
Kdo tvoří a používá prediktivní modely? Datový vědec, statistik Běžný analytik Běžný uživatel 8
DATA SCIENCE Quiz Tato čísla byla nalezena ve dvou daňových přiznáních. Jedno z nich je smyšlené. Které? EUR EUR 127,- 2.863,- 10.983,- 694,- 29.309,- 32,- 843,- 119.846,- 48.744,- 1.946,- 275,- 937,- 82.654,- 18.465,- 725,- 98.832,- 7.363,- 4.538,- 38,- 8.327,- 482,- 2.945,- 9
DATA SCIENCE Quiz Benfordův zákon je matematický zákon, který říká, že v mnoha souborech přirozených dat čísla mnohem častěji začínají číslicí 1 než na jiné číslice. EUR 127,- 2.863,- 10.983,- 694,- 29.309,- 32,- 843,- 119.846,- 48.744,- 1.946,- 275,- EUR EUR 937,- 82.654,- 937,- 18.465,- 82.654,- 725,- 18.465,- 98.832,- 725,- 7.363,- 98.832,- 4.538,- 7.363,- 38,- 4.538,- 8.327,- 38,- 482,- 8.327,- 2.945,- 482,- 2.945,- 10
SAP HANA PAL Algoritmy Association Analysis Apriori Apriori Lite FP-Growth KORD Top K Rule Discovery Cluster Analysis ABC Classification DBSCAN K-Means K-Medoid Clustering K-Medians Kohonen Self Organized Maps Agglomerate Hierarchical Affinity Propagation Classification Analysis CART * C4.5 Decision Tree Analysis CHAID Decision Tree Analysis K Nearest Neighbour Logistic Regression Back-Propagation (Neural Network) Naïve Bayes Support Vector Machine Probability Distribution Distribution Fit Cumulative Distribution Function Quantile Function Outlier Detection Inter-Quartile Range Test (Tukey s Test) Variance Test Anomaly Detection Link Prediction Common Neighbors Jaccard s Coefficient Adamic/Adar Katzβ Regression Multiple Linear Regression Polynomial Regression Exponential Regression Bi-Variate Geometric Regression Bi-Variate Logarithmic Regression Time Series Analysis Single Exponential Smoothing Double Exponential Smoothing Triple Exponential Smoothing Forecast Smoothing ARIMA Brown Exponential Smoothing Croston method Forecast Accuracy Measure Linear Regression with Damped Trend and Seasonal Adjust Data Preparation Sampling Random Distribution Sampling Binning Scaling Partitioning Principal Component Analysis Statistic Functions (Univariate) Mean, Median, Variance, Standard Deviation Kurtosis Skewness Statistic Functions (Multivariate) Covariance Matrix Pearson Correlations Matrix Chi-squared Tests: Test of Quality of Fit Test of Independence F-test (variance equal test) Other Weighted Scores Table Substitute Missing Values 11
Kdo tvoří a používá prediktivní modely? Datový vědec, statistik Běžný analytik Běžný uživatel 12
Tvorba predikčního modelu na 3 kliknutí 13
Možnosti tvorby detekční metody Expert Expertní pravidlo Strategie a kalibrace Detekce Šetření Reporting a dokumentace Data Prediktivní Modely 14
Kalibrace detekční metody 15
Alerty 16
Analýza případu Případ 3302 Případ 17
Rozhodnutí a dokumentace případu Případ 3302 18
Předání výsledků Případ 3302 19
Příklady využití řešení ve veřejné správě Analýzy, vyšetřování a prevence daňových podvodů Kontrola přerozdělování financí Identifikace nestandardních stavů v procesech a chyb Zneužívání sociálních dávek, zdravotní péče Identifikace podezřelých zásilek v rámci EU Nestandardní veřejné zakázky, dotace, granty Střet zájmů (podvody v oblasti nákupu, prodeje, ) Uplácení (získání významné zakázky/objednávky nebo umožnění neoprávněné fakturace, manipulace výběrového řízení, ) 20
Závěr Vyšší ochrana veřejných prostředků Zabránění podvodům nebo pokusům o podvody Odstranění chyb v systémech Odhalení nestandardních situací v reálném čase nebo v dávkovém zpracování Společnosti na světě ztrácí každou 1 vteřinu Nekalým jednáním 2 000 000 CZK Každá organizace ztrácí cca 5% svého rozpočtu 21
Děkuji za pozornost Jiří Přibyslavský SAP Analytics Presales SAP ČR, spol. s r.o. Budova BBC Beta Vyskočilova 1481/4 140 00 Praha M +420 604 976 220 E jiri.pribyslavsky@sap.com
No part of this publication may be reproduced or transmitted in any form or for any purpose without the express permission of SAP SE or an SAP affiliate company. SAP and other SAP products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of SAP SE (or an SAP affiliate company) in Germany and other countries. Please see http://global12.sap.com/corporate-en/legal/copyright/index.epx for additional trademark information and notices. Some software products marketed by SAP SE and its distributors contain proprietary software components of other software vendors. National product specifications may vary. These materials are provided by SAP SE or an SAP affiliate company for informational purposes only, without representation or warranty of any kind, and SAP SE or its affiliated companies shall not be liable for errors or omissions with respect to the materials. The only warranties for SAP SE or SAP affiliate company products and services are those that are set forth in the express warranty statements accompanying such products and services, if any. Nothing herein should be construed as constituting an additional warranty. In particular, SAP SE or its affiliated companies have no obligation to pursue any course of business outlined in this document or any related presentation, or to develop or release any functionality mentioned therein. This document, or any related presentation, and SAP SE s or its affiliated companies strategy and possible future developments, products, and/or platform directions and functionality are all subject to change and may be changed by SAP SE or its affiliated companies at any time for any reason without notice. The information in this document is not a commitment, promise, or legal obligation to deliver any material, code, or functionality. All forwardlooking statements are subject to various risks and uncertainties that could cause actual results to differ materially from expectations. Readers are cautioned not to place undue reliance on these forward-looking statements, which speak only as of their dates, and they should not be relied upon in making purchasing decisions. 23