ביקורת רצה על דגימה. מול חברה שרושמת מאות אלפי רשומות בשנה, המשרד יכול היה למשוך רק מדגם אקראי קטן ולבקש אסמכתאות. הטעויות הגסות צצו; ההונאה המתואמת, הגניבה השקטה, המניפולציה, ישבו ב-99% שאף אחד לא הסתכל עליהם, והחשיפה נשארה על המשרד.
מדגם אקראי של כמה עשרות עסקאות מתוך אלפים נתן כיסוי שרחוק מלהספיק, והשאיר את המשרד חשוף לתביעות רשלנות מקצועית אם חברה מבוקרת הייתה קורסת מאוחר יותר על משהו שהמדגם במקרה פספס.
מציאת החריגות ביד הייתה בעיה בפני עצמה. מתמחים העבירו שבועות בסריקה של קובצי דאטה עצומים באקסל, והתהליך היה איטי, מתיש וקל לאבד בו ריכוז, בדיוק התנאים שבהם חריגה עדינה חומקת.
וההונאה האמיתית תוכננה להסתתר. תשלומים שפוצלו כדי להישאר מתחת לסף אישור, רשומות שהוקלדו בשעות הקטנות, ספקים פיקטיביים, אלה דפוסים שמדגם אקראי כמעט בטוח יפספס, מפני שאף שורה בודדת בהם לא נראית שגויה בפני עצמה.
להחליף את המדגם באוכלוסייה המלאה, ולתת לאלגוריתם להחליט איפה אדם צריך להסתכל.
הכנסנו מנוע שקולט את כל פקודות היומן של השנה ובוחן את האוכלוסייה השלמה בשבריר שנייה, כך שהביקורת כבר לא נשענת על מדגם אקראי של כמה עשרות עסקאות.
מודלים לזיהוי חריגות מסמנים באופן מיידי את הדפוסים המסגירים, ספק פיקטיבי שחולק כתובת אימייל עם עובד, עסקאות שנרשמו בסופי שבוע, פקודות היפוך חוזרות, ומספרים עגולים באופן חשוד, ההונאה המתואמת שאף שורה בודדת שלה לא נראית שגויה בפני עצמה.
השותף האחראי מקבל לוח בקרה שמדרג כל תחום בדוחות הכספיים לפי סיכון ומכוון את מאמץ הצוות בדיוק לאן שהאלגוריתם מצא אי-התאמה או דפוס בסיכון גבוה, במקום לפזר אותו בשווה על הכול.
מכיוון שכל האוכלוסייה מנותחת, המשרד יכול להראות שהוא הסתכל על הכול ולתעד את הכיסוי, שזה בדיוק הסטנדרט שתקני ביקורת מחמירים מצפים לו ושמדגם אף פעם לא יכול להוכיח.
השבועות שהמתמחים העבירו בגלילה בקובצי דאטה נעלמו, והזמן שלהם עבר לשיקול הדעת הביקורתי שבאמת דורש אדם, אחרי שהמנוע הציף את המועמדים.
אותה סריקה שמגנה על המשרד מציפה בעיות אמיתיות עבור החברה המבוקרת, דליפת מזומנים והפרדת תפקידים חלשה, והופכת את הביקורת מחתימה לייעוץ שהלקוח מעריך.
כיסוי מלא, ממצאים אמיתיים, ופחות זמן באתר.
הביקורת עברה ממדגם אקראי לניתוח של 100% מהנתונים, מה שהעלה בחדות את איכות הביקורת והוריד את סיכון הרשלנות המקצועית של המשרד כמעט לאפס. היא גם תפסה כמה מקרים אמיתיים של דליפת מזומנים והפרדת תפקידים חלשה אצל לקוחות, עבודה שהלקוח העריך הרבה מעבר לחתימה.
עבודת השטח שנפלה על המתמחים צנחה בחדות, מה שהוריד את העלות של כל התקשרות ואפשר למשרד להגיש הצעות תחרותיות יותר לעבודות ביקורת חדשות בלי לעגל פינות באיכות.
מדגם הוא הימור שההונאה נמצאת בחלק שבמקרה בחרתם. הערך כאן הוא ניתוח של כל הספר, לתת למודל להציף את הדפוסים שאדם לא יכול לראות לרוחב מאות אלפי שורות, ולכוון את שיקול הדעת של צוות הביקורת בדיוק לאן שהסיכון יושב. זו אותה גישה של זיהוי חריגות שמאחורי עבודת זיהוי ההונאות שלנו, מכוונת לביקורת במקום לתביעות ביטוח.
כללי הונאה גסים הענישו לקוחות ישרים ועדיין פספסו את הדבר האמיתי. מודל בזמן אמת דירג סיכון ברגע, תפס יותר הונאות בזמן שאִפשר לתביעות אמיתיות לעבור בלי החיכוך.
לפרויקט המלא ← זיהוי הונאות · מגזר ציבוריבדיקות ידניות של גוף ציבורי אפשרו להונאה לעבור וגרמו למבקשים ישרים לחכות שבועות. דירוג סיכון חתך הפסדי הונאה בכ-50% והתראות שווא ב-80%, והזיז אישורים לגיטימיים משבועות לדקות.
לפרויקט המלא ←
Reef TRH