Deteccion Fraude con PICALO DetectLets

8/19/2019 Deteccion Fraude con PICALO DetectLets

1/51

Detección de Fraude

Herramientas para unamejor detección de fraude

RD 2015/11/05Ing. Carlos Carrion


2/51

Detección de Fraudere!es Historias de fraude

"s#uema de la !isión de Herramientas

$r#uitectura de %icalo

"jemplo de Código & como tra'aja

Direcciones futuras de in!estigación

(olicitud de $&uda

Detect)ets con %icaloRD 2015/11/05

Ing. Carlos Carrion


3/51

Dos *ipos de Fraude"n FAVOR de la +rgani,ación

- )a manipulación de los estadosfinancieros para acer !er mejor a laempresa ante las partes interesadas.

- *am'ien llamada fraude de $dministración o de "F F( Financial(tatements .


"n CONTRA de la +rgani,ación- Ro'o de acti!os de información etc.- *am'i n llamada fraude de "mpleado o

de Consumo.


4/51

Reporte de $CF" so're Fraude & $'uso

"studio de 2.1/2 a3os con 2 40 fraudes

totali,aron 15 'illones de dólares.- "l costo del Fraude a las organi,aciones en

6($ supera los 7800 'illones anualmente.

- Costos de Fraude & a'uso asumido porempleadores en promedio es de 97 al diapor empleado.

- )a organi,ación pierde en promedio cercadel 4: de sus ingresos totales anualesde'ido a fraude & a'uso cometido por suspropios empleados.



5/51

"studio de por "rnst ;


6/51

Costo del Fraude- )as p rdidas por fraude reducen ingreso

neto de forma directa.

- (i el margen de 'eneficio es del 10: losingresos de'en aumentar en 10 !eces lasp rdidas para recuperar el efecto a losingresos netos.

• % rdidas 71 illón• Ingresos 71 illón


– Ingresos 7100100:

– Bastos 90

90: – Ingreso Eeto7 1010:

– Fraude 1 – Restante.. 7 9


7/51

Costo del Fraude? "jemplos

Fa'ricante de $utomó!iles.

• Fraude 78>4 millones• argen de eneficio 10:• Ingresos necesarios 78.>4 illones• "n 720 000 por auto

21 000 autos


anco de escala ma&or.

–

Fraude 7100 millones – argen de eneficio 10: – Ingresos necesarios 71 illón – "n 7100 por a3o de cuenta corriente10 millones de cuentas nue!as


8/51

Caso reciente de Fraude

- Bran fraude de 72.4 'illones a lo

largo de 9 a3os.• $3o 1 7400 mil• $3o > 78 millones• $3o 5 7 0 millones• $3o @ 7400 millones•

$3o 9 72.4 'illones- "n los a3os & 9 cuatro de los

'ancos mGs grandesestu!ieron in!olucrados &perdieron mGs de 7500millones.


$lgunas de las organi,aciones in!olucradas? erril )&nc C ase .%.organ 6nion an of (Jit,erland Credit )&nnaise (umitomo & otros.


9/51

Cada %ersona tiene un precio

$'ra am )incoln una !e, ec ó a un om're

fuera de su oficina mu& enojadorec a,ando un so'orno sustancial. KCadaom're tiene su precioL eAplicó )incoln K&

el se esta'a acercando al mioL.



10/51

*ra'ajadores (uperHumanosResumen de Horas Eormal "Atras Do'le "Atra para

periodo de 2 semanas independiente de factura o tarjeta

de tiempos.)os tra'ajadores iniciaron sesión de oras en 2 tarjetas detiempo para tra'ajos simultGneos.



11/51

"jemplos de Detección en 'ase a DatosComo Eegocios Familiares?

+rdenes de tra'ajo autori,ados por el comprador.

Cargos a factura autori,ados por el comprador.+rdenes de tra'ajo entregadas al e#uipo contratista.


Resultados de determinación?Consejo declaró #ue los so'ornos se esta'an produciendocon una determinada empresa.(e in!estigó & determinaron cual comprador autori,ó lostra'ajos."l e#uipo contratista & el comprador de la compa3=a eranfamiliares.

uc as !eces son atrapados por delación directa oindirecta por ej. su piscina & ostentación.

$nGlisis de Datos?Incrementos sistemGticos en los costos.%icos inesperados en el gasto.)os aumentos solamente en una parte de una tendencia.


12/51

%lataforma de In!estigaciónHistoria Contable:

1980 Declaración de ("C 6($ (ecurities and "Ac ange Commission ?)os contadores pueden lograr detectar eAageraciones de gran!alor en los acti!os & las ganancias #ue resulten de fraude porcolusion o de otra forma.

(eries de Conta'ilidad !ersión 1980


1941? K(i las die, normas auditor=a a ora aceptadas fueronsatisfactorias para su propósito no tendr=amos las peticionesde orientación para eAtender la responsa'ilidad auditorespara la detección de irregularidades #ue a ora encontramosen nuestra literatura profesional.

199@ ($( 2.

2002 ($( 99.


13/51

Historia de Investigación del Fraude:

"Acelente re!isión de la literatura por Eiesc Jiest, ( ult, ;Mim'elman 2000 ?

- Nui n comete fraude.- anderas rojas- "spacio de eApectati!as- "Apectati!as del auditor

- *eor=a de uegos entre $uditor & la Berencia- Relaciones $uditor/Cliente- Oaloración del Riesgo & $&udas en la Decisión- Factores gerenciales #ue afectan el fraude


%lataforma de In!estigación

l f d ó


14/51

Fraude EF utilizando Análisis de Relación

- Hansen et al 1994 desarrolló un modelo generali,ado derespuesta cualitati!a desde las fuentes internas.- Breen & C oi 199@ usaron redes neuronales para clasificar

casos fraudulentos.- (ummers & (Jeen& 199 identificaron Fraude "F usando

información interna & eAterna.- enis 1999 desarrolló un modelo %ro'it utili,andorelaciones radios para identificación de fraude.- ell & Carcello 2000 desarrolló un modelo de regresión

logistica para identificar fraude.- *ra'ajos actuales por cPee por Cecc ini & por $l'rec t.- Einguno a encontrado la K'ala de plataL usando

información eAterna para identificar fraude.

- Fraude de Berencia "F o F( es mu& dif=cil de encontrar.RD 2015/11/05

Ing. Carlos Carrion


%l f d I ! i ió


15/51

Cuales son las cuatro grandes acciones a realizar!

- Cada firma parece tener diferentes grupos de tra'ajo para ladetección de fraude.

- EingQn modelo de mejores prGcticas a emergido.

- $uditores de *I reali,an prue'as de control en sistemas deempresas sin detección de fraude.

- Reuniones con ill *itera de ";


16/51

"or#ue NO se encuentra el $raude!

- *iempo limitado"l recurso mGs precioso es la atención a 'rindar.- Historia

6so intensi!o de muestreo falta de detalles.Falta de istórico de instrucción en la detección de fraudes

- "sca,a eAperiencia en los s=ntomas de fraude.

- Falta de erramientas espec=ficas para fraude.

- u& pocas a'ilidades de anGlisis.

- Falencia de eAperiencia en tecnolog=a aplicada.

- $uditores encuentran 20 a >0 : de fraude.



Reporte $CF" 2008

%l t f d I ! ti ió


17/51

Ha% una $or&a &e'or!



Re#uerimientos de tiempo ra,ona'le

Integración de I$ & $utoDetección

$l alcance de la ma&or=a de los $uditoresEo se re#uieren a'ilidades t cnicas ele!adas

Facilidad de Integración en diferentes

es#uemas de 'ases de datos

Costo "fecti!o



18/51

"istas de (etección )(ectec*ets+

- 6n Detect)et codifica?Información de 'ase en es#uema.

Detalle de un indicador espec=fico del es#uema. $sistente de interfa, para #ue usuario !a&a a tra!esde la selección de entrada.

$lgoritmo codificado en formato standar.(eguimiento de KComo interpretar los resultadosL.

- )a entrada es una o mas o'jetos de ta'la.

- )a salida es una o mas o'jetos de ta'la.





19/51

(e&ostración de (ectec*et

- anipulación de ofertas cuando una sola persona se encarga & prepara todas las compras & !entas.

- D ( ( $ccess &(N) +racle (N) (r! %ostBre- (oftJare $C) o ID"$ o %icalo

- Construir los Cimientos de la $plicación

%ermite control total de la plataforma.

%ermanecer como Código )i're mejor #ue tratar el programa en una plataforma particular. (oporta indoJs 6niA )inuA ac. %ermitir uso anidado dentro de una plataforma ma&or. )a preferencia ma&oritaria & personal es %&t on.



%lataforma de (oporte %IC$)+


20/51

Ar#uitectura "ICA*O



Rutinas Ei!el >? (istema "Aperto+ntolog=as 'asado en Reglas & )ógica

%ara descru'rir inteligentemente fraude en conjuntos de datosusando rutinas Detect)et Ei!el 2

)icencias diferentes $sistente Detec)et

del Interfa, Brafico de 6suarioa )i'reria Detect)et

Código )i're%lataforma cru,ada delinterfa, grafico a usuar io

Código )i'reRutinas Ei!el 2? Detec)etsanderas Rojas "spec=ficas

anipulación +fertas (o'ornos& otros s=ntomas

Diferentes licenciasRutinas Ei!el 1? $nGlisis de ase

(ort (earc (elect "Apresion *endencia etcCódigo )i're



21/51

Ar#uitectura "ICA*O





22/51

Co&o (etect*ets dirigen el "roble&a



Tie&,o *i&itado:- Detect)ets pro!een un asistente interfa, para ejecuciónrGpidaS #ue pueden ser encadenados & automati,ados en ungran sistema.

Alto Costo:- Detect)ets estGn 'asados como (oftJare de Código

)i're colocGndolos a disposición de pe#ue3as & grandesempresasS permitiendo ademGs crear un entorno comunitariopara detección de fraude.

Escaza E-,eriencia en s.nto&as de $raude:- Detect)ets pro!ee una gran li'rer=a de rutinas disponi'les

para #ue los auditores se encarrilen & caminen a tra!es del

proceso de detección.



23/51

Co&o (etect*ets dirigen el "roble&a



Falta de /erra&ientas es,ec.$icas de $raude:- %icalo pro!ee una solución a'ierta #ue se puede mejorar

cada !e,S colocando un juego de erramientas espec=ficas defraude en manos de auditores.

0u% ,ocas Habilidades de Análisis:- Detect)ets codifica totalmente los algoritmos & los

decodifica permitiendo al auditor permanecer en el ni!elconceptual mejor #ue en el ni!el de implementación.

Falencia de e-,eriencia en tecnolog.a a,licada:- Detect)ets pro!ee una solución modo asistente #ue es

fGcil de utili,arS %icalo permite un interfa, de usuario tipo"Acel.

Ei!el 1 de %IC$)+


24/51

Estructuras de (atos


Ei!el 1 de %IC$)+

0ódulo 1i&,le

0ódulo 2en$ord

0ódulo de Tabla Cruzada

0ódulo de 2ase de (atos

0ódulo Financiero

0ódulo de Agru,a&iento

0ódulo de Tendencia

*ibrerias "%t/on

Ei!el 1 %IC$)+


25/51

Estructuras de (atos )(ata 1tructures+


Ei!el 1 %IC$)+

El ob'eto Tabla )Table+:- "s la estructura de datos 'Gsica. %icalo pro!ee una

solución a'ierta #ue puede mejorar cada !e, colocando un juego de erramientas espec=ficas de fraude en manos deauditores.

- Casi todas las rutinas de entrada & salida de ta'las lespermite ser encadenadas. - (us m todos inclu&en? Clasificación sort operaciones de

columna operaciones de fila importar/eAportar desde o aformatos de teAto delimitado o "Acel..

Ti,os de Colu&na inclu%e:- )ógico ooleano "ntero Integer %unto Flotante

Floating %oint Fec a Date Fec a*iempo Date*imeCadena de caracteres (tring .

Ei!el 1 %IC$)+


26/51

0ódulo 1i&,le )1i&,le 0odule+


Ei!el 1 %IC$)+

"rovee co&o o,eraciones básicas:- untura joining 'Qs#ueda eAacta matc ing 'Qs#ueda

ineAacta fu,,& matc ing & selección select .

Con las siguientes sentencias:- colTjoin colTleftTjoin colTrig tTjoin

- colTmatc colTmatc Tsame colTmatc Tdiff - compareTrecords customTmatc customTmatc Tsame customTmatc Tdiff descri'e eApressionTmatc

findTduplicates findTgaps.

- fu,,&searc fu,,&matc fu,,&coljoin. - getTunordered join leftTjoin rig tTjoin - select selectT'&T!alue selectToutliers selectToutliersT, selectTnonoutliers selectTnonoutliersT,

selectTrecords soundeA soundeAcol.

- sort etc.

10

Ei!el 1 %IC$)+


27/51

0ódulo 2en$ord )2en$ords 0odule+


Ei!el 1 %IC$)+

"rovee análisis de la cantidad de valores seg3n la$or&ulación de 2en$ord:

calc4ben$ord:- Calcula la pro'a'ilidad para un simple d=gito.

get4e-,ected:- Calcula la pro'a'ilidad para un nQmero total.

anal%ze:- $nali,a un entero conjunto de datos data set & Calcularesumen de resultados.

2F

Ei!el 1 %IC$)+


28/51

0ódulo de Tabla Cruzada )CrossTable 0odule+


Ei!el 1 %IC$)

"rovee resu&en agru,ado de datos ,or caracter.sticas:

,ivot:- (imilar a la función "Acel de ta'la llamada %IO+*.

,ivot4table:- Reali,a el pi!ote de ta'la & mantiene resultados en un

diccionario mejor #ue en cuadr=cula.,ivot4&a,4detail:

- Reali,ar el pi!ote de ta'la & mantiene resultados en unaforma mu& detallada usando un diccionario.

CT

Ei!el 1 %IC$)+


29/51

0ódulo de 2ase de (atos )(ata2ase 0odule+


Ei!el 1 %IC$)

"rovee cone-ión % o,eracioned a 2ases de (atos:

OdbcConnection:- Conecta a cual#uier ase de Datos con es#uema +D C.

"ostgre15*Connection:- Conecta a 'ase de datos %ostgre(N).

0%15*Connection:- Conecta a 'ase de datos &(N)

$demGs inclu&e !arias funciones de a&uda a consultas #uer&tales como creacion #uer& creation anGlisis de resultdados

results anal&sis

(2

Ei!el 1 %IC$)+


30/51

0ódulo Financiero )Financial 0odule+


Ei!el 1 %IC$)

Calcula varias ,ro,orciones o razones )radios+ $inancieras

,ara a%udar en el análisis de estados $inancieros:

Current Radio: Indice de )i#uide,5uic6 Radio: Indice de )i#uide, Inmediata

Net7or6ing Ca,ital: Capital de *ra'ajo EetoReturn on Assets ROA: Retorno so're $cti!osReturn on e#uit% ROE: Retorno so're Ingresos %ropiosReturn on co&&on e#uit%: Retorno so're patrimonio comQn"ro$it 0argin: argen de eneficioEarnings ,er s/are: Banancias a Distri'uir Assets turnover: Rotación de $cti!osInventor% turnover: Rotación de In!entarios(ebt to E#uit%: Deuda a %atrimonio"rice Earnings: *asa de Banancias so're %recio

FN

Ei!el 1 %IC$)+


31/51



$)


,ara a%udar en el análisis de estados $inancieros:

Current Radio: Indice de )i#uide,5uic6 Radio: Indice de )i#uide, Inmediata

Net7or6ing Ca,ital: Capital de *ra'ajo EetoReturn on Assets ROA: Retorno so're $cti!osReturn on e#uit% ROE: Retorno so're Ingresos %ropiosReturn on co&&on e#uit%: Retorno so're patrimonio comQn"ro$it 0argin: argen de eneficio

Earnings ,er s/are: Banancias a Distri'uir Assets turnover: Rotación de $cti!osInventor% turnover: Rotación de In!entarios(ebt to E#uit%: Deuda a %atrimonio"rice Earnings: *asa de Banancias so're %recio

FN

Ei!el 1 %IC$)+


32/51



)


,ara a%udar en el análisis de estados $inancieros:Current Radio:- Indice de )i#uide,? $cti!oTCorr / %asi!oTCorr

5uic6 Radio:- Indice de )i#uide, Inmediata

"feCaj an U CAC / %asi!oTCorr

Net7or6ing Ca,ital:- Capital de *ra'ajo Diferencia del $cti!o & %asi!ocorrientes

$cti!oTCorr V %asi!oTCorr

Return on Assets ROA:

- Retorno so're $cti!osIn reso Eeto / *otal $cti!os

FN

Ei!el 1 %IC$)+FN


33/51



)

Return on e#uit% ROE:- Retorno so're Ingresos %ropios

IngresoTEeto / %atrimonio

Return on co&&on e#uit%:- Retorno so're patrimonio comQn

IngresoTEeto V Di!idendoT%refrd / %atrimonio -onoT%refrd

"ro$it 0argin:- argen de eneficio

6tilidadTEeta / OentasEarnings ,er s/are:

- Banancias a Distri'uir IngresoTEeto V Di!idendoT%refrd /

%romedioT%ondT$ccn

FN

Ei!el 1 %IC$)+FN


34/51



)

Assets turnover:

- Rotación de $cti!os Oentas / *otalT$cti!os

Inventor% turnover:- Rotación de In!entarios

Oentas / In!entario CostoTOentas / In!entarioT%romedio

(ebt to E#uit%:- Deuda a %atrimonio

*otalT%asi!os / *otalT$cti!os V *otalT%asi!os

"rice Earnings:- *asa de Banancias so're %recio OalorT ercadoT$ccion / BananciasTDistri'uir

FN

Ei!el 1 %IC$)+8R


35/51

0ódulo de Agru,a&iento )8rou,ing 0odule+


)

Estrati$ica con detalles el $ondo de 15* 8RO9" 20antiene las tablas de detalle &e'or #ue su&arizarlas

strati$%:- "stratifica una ta'la en E nQmero de ta'las.

strati$%4b%4e-,ression:- "stratifica una ta'la utili,ando una eApresión ar'itraria.

strati$%4b%4value:- "stratifica so're unos !alores Qnicos.strati$%4b%4ste,:

- "stratifica 'asado en esta'lecer rango num rico.strati$%4b%4date:

- "stratifica 'asado en un rango de fec as.1u&&arizing e s similar a (N) BR+6% < pero permite

cual#uier tipo de función a ser utili,ada para torali,ar BR+6%< generalmente solo permite sum stde! mean etc .

"sto puede ser reali,ado en las mismas formas #ue laestratificación.

8R

Ei!el 1 %IC$)+T(


36/51

0ódulo de Tendencias )Trending 0odule+


Varias $or&as de analizar tendencias % ,atrones en el

tie&,ocusu&:

- * cnica suma acumulada para deteccion de puntos decam'io en tendencias.

/ig/lo;4slo,e:- todo de pronóstico %untoT$lto/%untoT ajo de !alores.average4slo,e:

- todo de la recta con pendiente promedio.regression:

- *endencia de medición eAtrema con proAimidad a lamedia de la siguiente medición./ands/a6e4slo,e:

- $proAimación por enlace de puntos cercanos.

T(

Ei!el 1 %IC$)+


37/51

*ibrer.as "%t/on


*engua'e de ,rogra&ación ,oderoso % $ácil con unaco&unidad signi$icativa en l.nea

- *iene soporte Orientado a Ob'etos *otal.

- Rutinas de anipulación & $nGlisis de Te-to .

- Rutinas de malla para sitios ;eb .- Rutinas de $nGlisis de correos e&ai< .

- Benerador de n3&eros aleatorios .

- ConeAión con casi todas las 2ases de (atos .

- antenimiento & (esarrollo de sitios Je'.

- Innumera'les librerias disponi'les en l=neacasi todas código a'ierto .

Detect)ets con %IC$)+


38/51

En version = >? a&biente 7indo;s


Agru,ados en base a los casos de $raude a,ortadosE&,lo%ees:

- Casos de fraude in!idi!idual colecti!a para regir lanómina & pagos de onorarios en la empresa.

"a%&ents:

- (ituaciones de los c e#ues emitidos #ue pueden producirdolo o diferencias en contra."rocure&ent:

- (ospec as de fraude en las rdenes de compra.ṕ"roducts:

- Des!iaciones en precio rotación & calidad de productos#ue la empresa re#uiere.Vendors:

- Casos de pro!eedores & sus datos #ue potencialmentees necesario anali,ar & registrar.

E"A

RV



39/51

RD 2015/11/05

Ing. Carlos Carrion

E&,lo%ees )E&,leados+

C/e#ueo del I( de e&,leado contra .ndice de di$untos:- Casos de datos de fallecidos siendo utili,ados.

C/e#ueo de validez del n3&ero se seguridad social:- (ituaciones de irregular o error num de seguridad social.

E&,leados con au&ento de /oras e-tras:- Incremento desmesurado de tiempo eAtra registrando.E&,leados sin vacaciones utilizadas o d.as de en$er&edad:

- %or indicios de alguien mu& sano o #ue es fantasma.C/e#ues ,agados des,u@s de Fec/a de cierre nó&ina:

- Casos de ajuste o cam'ios #ue pueden ser sospec osos"agos at.,icos #ue a,arecen en el "ago Total a e&,leado:- oti!os #ue no se aplican o no eAisten para pagar.

Valor escandaloso ,agado ,or algo irrelevante:- 6so de nómina para pagos sospec osos de alto !alor.



40/51

RD 2015/11/05

Ing. Carlos Carrion

Agru,ados en base a los casos de $raude a,ortados

"



41/51

RD 2015/11/05

Ing. Carlos Carrion

"a%&ents )"agos+

C/e#ues cancelados $uera de secuencia:- (altos en la numeración consecuti!a de c e#ues.

C/e#ues ,agados a E$ectivo o Cas/:- Casos en nom're 'eneficiario con sentido de efecti!o.

Co&,aración de Cuentas de (e,ósito (irecto:- %ara !erificar otros pagos reali,ados 'ajo mismo moti!o.

Re&bolsos de gastos du,licados:- (ospec as en reponer !alores pagados pre!iamente.

8astos &@dicos $acturados ,ero no realizados:- Incidencias de facturas m dicas so're algo no ejecutado.

"agos realizados a $acturas con secuencia sos,ec/osa:- 6so de secuencias de factura sospec osas.Totales de Factura % "ago di$erentes:

- Casos de #ue se paga diferente !alor al total de factura.(e&asiados c/e#ues anulados:

- %uede causar reuso de c e#ue para pagar otros !alores.

"

Detect)ets con %IC$)+$


42/51

RD 2015/11/05

Ing. Carlos Carrion


A


A


43/51

RD 2015/11/05

Ing. Carlos Carrion

"rocure&ents )Ad#uisiciones o Co&,ras+

O$ertas ace,tadas des,u@s de $ec/a acordada:- (ospec as de preferencia de ciertas ofertas.O$ertas esti&adas con variación signi$icativa en ,recios de

,roducto:- %recios por item en ofertas aparecen altos al comparalos.

O$ertas re&ovidas durante la revisión t@cnica:- (ospec as de preferencia de ciertas ofertas.Resu&en ,or ,roveedor:

- +frecer parGmetros de ofertas & pro!eedores #ue ganan.O$ertas con id@nticos &ontos en detalle ,or ite&:

- (ospec a de ma#uillaje de ofertas 'asada en otras.O$ertas con ,recios de ite&s #ue son ,orcentual&ente

derivados de otra o$ertas:- 6so posi'le de ofertas para preparar ganadora.

A

Detect)ets con %IC$)+) d AB


44/51

RD 2015/11/05

Ing. Carlos Carrion


Cone-iones entre o$ertantes:- Casos de colusión o mismos ofertantes con diferente

nom're.O$ertas e-cesiva&ente altas en valor:

- (ospec as de preferencia de ciertas ofertas.A,ellidos de O$ertantes si&ilar al de Evaluadores:- %ara tapar conflicto de intereses aparecen parientes.

Instru&ento de 1eguridad Incre&ental:- $ tra!es de secuenciamiento !er si ma#uillan ofertas.

9lti&o o$ertante ganador:- +frecer parGmetros de ofertas ganadoras & patrón.03lti,les O$ertas en &is&o d.a:

- isma fec a aparecen ofertas ela'oradas & entregadas.

AB


45/51

Detect)ets con %IC$)+" & )Ad# i i i C & A


46/51

RD 2015/11/05

Ing. Carlos Carrion


O$erta si&,le en ,ro%ecto con e-ceso del u&bral del total,or ,roveedor:

- Rotura de oferta para ofrecer preferencia a ganador.Veri$icar total de o$erta con total del detalle de $actura:

- %osi'le suma diferente del detalle con total oferta.O$erta ganadora a,enas &enor:

- Casos de ma#uillaje de ofertas & fa!oritismos.O$erta ganadora NO es la o$erta con &as ba'o valor:

- (ospec a de preferencia a pro!eedor.O$erta ganadora NO con &enor total ,or ,roveedor:- %ara esta'lecer patrón de posi'le colusión.

A=

Detect)ets con %IC$)+Agru ados en base a los casos de $raude a ortados


47/51



R

Detect)ets con %IC$)+" d t )" d t + R


48/51


"roducts )"roductos+

Incre&ento anor&al en ,recios de ,roducto:- %ara detectar aumento de precio sin justificación.

Co&,aración de ,recios con ,roductos si&ilares:- "n misma categor=a 'usca diferencias eAtremas de

precio entrel ellos.Retornos o devoluciones e-cesivas:

- $ tra!es de los costos & los precios determina eAceso dede!oluciones.

(evoluciones signi$icativas de ,roducto:- Indicador de fraude determinado por cantidad de

de!oluciones.

R

Detect)ets con %IC$)+Agru ados en base a los casos de $raude a ortados


49/51



V

Detect)ets con %IC$)+Vendors )"roveedores+ V


50/51


Vendors ) roveedores+

Co&,arar (atos de E&,leado con los de "roveedor usandoCoincidencia "arcial:- %ara detectar relación de identificación entre "mpleado &

pro!eedors por le!es diferencias en datos.Crear n3&eros ba'o *e% de 2en$ord:

- $ modo de ejemplo genera m nQmeros de n digitosregidos por la )e& de enford.Hallar 8ru,os de n3&eros $abricados o inventados:

- $ tra!es de le& de enford para n digitos por columna &estratifica para anali,ar si cumple o no.

Encontrar "roveedores con n3&eros de $actura secuencial:- (ospec a de secuencias factura por pro!eedor "roveedores ,agados #ue tienen (irecciones % correo

dis,erso:- (ospec a de u'icación f=sica a pro!eedores.

V


51/51

Deteccion Fraude con PICALO DetectLets

Documents

Transcript of Deteccion Fraude con PICALO DetectLets