Data Analytics Prevenção e deteção de Fraude

Tamanho: px

Começar a partir da página:

Download "Data Analytics Prevenção e deteção de Fraude"

Júlio César Arantes Fagundes
5 Há anos
Visualizações:

1 Data Analytics Prevenção e deteção de Fraude 21

2 Agenda Auditoria Interna e Fraude

3 Agenda Introdução à Fraude Papel da Auditoria Interna Cases Studies Data Analytics Exemplos Reconhecer 3

Conceito de Fraude e Triângulo da Fraude Definição de Fraude Quaisquer atos ilegais caracterizados por desonestidade, dissimulação ou quebra de confiança.

4 Conceito de Fraude e Triângulo da Fraude Definição de Fraude Quaisquer atos ilegais caracterizados por desonestidade, dissimulação ou quebra de confiança. Estes atos não implicam no uso de ameaça de violência ou de força física. As fraudes são perpetradas por indivíduos e organizações a fim de obter dinheiro, ativos ou serviços; para evitar pagamento ou perda de serviços; ou para garantir vantagem pessoal ou em negócios. 4

5 Árvore da Fraude Corrupção Apropriação indevida de Ativos Fraude no Relato Financeiro Existência e Qualidade do Registo de Informação 5

6 Reconhecer a existência 6

7 Avaliar as Perdas 7

8 Combater 8

9 Agenda Introdução à Fraude Papel da Auditoria Interna Cases Studies Data Analytics Exemplos Abordagem Dinâmica 9

10 Auditoria Interna e Fraude 10

a organização gere o risco de fraude 2200 Planeamento do Trabalho da Auditoria ( ) O plano

11 Auditoria Interna e Fraude 2120 Gestão de riscos 2120.A2 A atividade de auditoria interna deve avaliar o potencial de ocorrência de fraude e como a organização gere o risco de fraude 2200 Planeamento do Trabalho da Auditoria ( ) O plano deve considerar as estratégias, objetivos e riscos da organização que sejam relevantes para o trabalho. Estatísticas Descritivas 11

12 Auditoria Interna e Fraude Outliers Avaliação de Modelos Clustering 12

13 Auditoria Interna e Fraude 2060 Reporte para a Alta Administração e o Conselho ( ) Os reportes devem também incluir questões de riscos e de controles significativos, incluindo os riscos de fraude, os assuntos de governança e outros assuntos que requerem a atenção da alta administração e/ou do conselho Data Visualization 13

14 Agenda Data Analytics

15 Data Analytics: Porquê? Eficiência Falhas no Sistema de controlo interno Porquê? Cruzamento de informação entre várias fontes de informação Monitorização continua permite controlar a totalidade das transacções Novos sistemas vs. implementação de novos controlos 15

16 Data Analytics Panorama atual Controlos Manuais Controlos Automáticos A crescente implementação de controlos automáticos aumenta a confiança no controlo interno, mas existem opções que podem criar oportunidade de fraude: Controlos mal desenhados Repetitividade e conhecimento adquirido Por outro lado, a implementação de controlos automáticos possibilita: Registo da totalidade das transações Análise de informação estruturada 16

17 Controlo Interno vs. Data Analytics Panorama atual Controlos Manuais Controlos Automáticos A crescente implementação de controlos automáticos aumenta a confiança no controlo interno, mas: Controlos mal desenhados Repetitividade Conhecimento adquirido Registo da totalidade das transações Registo de logs Análise de informação estruturada 17

18 Qual é o objetivo? 18

19 Data Analytics - Processo Identificar sistemas de origem e características dos dados a extrair. Pedido formal de extracção de dados. Tradução das regras de teste em técnicas de análise. Identificação de tendências, anomalias e falhas de controlo. Análise crítica, investigação e root-cause analysis. Definição do teste Identificação e extração dos dados Análise à Qualidade de Dados Análise de Dados Reporte e Monitorização Definição dos indicadores de fraude que se pretendem analisar com base na experiência e regras de negócio. Conversão, relação e «limpeza» de dados. Importação para software de análise de dados. Relatório focado no negócio e perceptível por todas as partes envolvidas.. Re-execução dos testes com base periódica. 19

20 Definição dos testes Testes standard Conhecimento, experiência e regras de negócio Histórico de casos de fraude Fácil implementação Testes ad-hoc Endereçam riscos específicos Cruzamento de informação entre fontes e sistemas Investigação de situações 20

21 Modelos de Análise Statistic-based Cálculo de parâmtros estatísticos e identificação de outliers ou valores que excedam desvio padrão. Identificação de mínimos e máximos. Identificação de anomalias. Agrupamento e classificação da informação. (e.g. Distribuição de valores, Sistema de origem, utilizador, região, entre outros) Utilização de algoritmos estatísticos (e.g. Benford Law) Knowledge-based Utilização de técnicas de data mining, reconhecimento de padrões, inteligência artificial, machine learning, redes bayesianas (causais) 21

Identificação de atividades não usuais ou picos de transações.

22 Técnicas de Análise Deteção de anomalias Se algo não parece bem, provavelmente não está bem. Deteção de anomalias estatísticas ou com base em regras de negócio. Identificação de atividades não usuais ou picos de transações. Modelação preditiva Conhecimento de negócio aliado a dados que comprovam o conecimento permitem modelar comportamentos e identificar aqueles que fogem ao previsto. Identificação de comportamentos não padronizados e/ou não usuais. 22

Simulação Através do conhecimento obtido através dos dados é possível

23 Técnicas de Análise Inteligência artificial Aprendizagem efetuada com base em dados históricos e algoritmos de inteligência artificial. Simulação Através do conhecimento obtido através dos dados é possível similar comportamentos e calcular impactos para situações hipotéticas. 23

24 Ferramentas de Análise Soluções Customizadas Linguagens de programação de scripting (Julia, R, Python, ) Ferramentas de seleção e extracção de bases de dados (MySQL, SQL, Oracle, ) Construção de reporting/front-end 24

25 Análise Contínua Grande vantagem da análise de dados Ganho de eficiência Implementação de processos contínuos com notificações dinâmicas. Identificação de situações suspeitas em real-time Deteção de fragilidades e prevenção de eventos de fraude futuros 25

26 Agenda Introdução à Fraude Papel da Auditoria Interna Cases Studies Data Analytics Exemplos Exemplo 26

27 Exemplo 27

28 Exemplo Modus operandi Realização de despesas legítimas Pedidos de reembolso duplicados Impacto Período temporal: entre 2012 e 2016 Número de transações: 29 Total de transações: 132,000 O que poderíamos ter feito? 28

Documentos relacionados

Dedicados em exclusivo à área analítica desde 1994, somos o parceiro ideal para a realização de projetos de análise de dados.

Dedicados em exclusivo à área analítica desde 1994, somos o parceiro ideal para a realização de projetos de análise de dados. Os serviços Data Mining Services têm como objetivo disponibilizar às organizações