ביקורת מסורתית מתבססת על דגימה. מול חברה שרושמת מאות אלפי רשומות בשנה, המשרד יכול היה לדגום באקראי רק חלק קטן ולבקש עבורו אסמכתאות. הטעויות הגסות אולי צצו, אבל ההונאה המתואמת, הגניבה השקטה והמניפולציות הסתתרו ב-99% מהנתונים שאף אחד לא בדק, והותירו את המשרד חשוף לסיכון.
מדגם אקראי של כמה עשרות עסקאות מתוך אלפים סיפק כיסוי חלקי בלבד, והשאיר את המשרד חשוף לתביעות בגין רשלנות מקצועית במקרה שחברה מבוקרת תקרוס בשלב מאוחר יותר בגלל פרט שהמדגם פספס.
איתור חריגות באופן ידני היה בעיה בפני עצמה. מתמחים העבירו שבועות בסריקה של קובצי נתונים עצומים באקסל, והתהליך היה איטי, מתיש ומועד לטעויות, בדיוק התנאים שבהם חריגות קטנות חומקות מהעין.
הונאות מתוחכמות נועדו להישאר מתחת לרדאר. תשלומים שפוצלו כדי לא לחצות את סף האישור, רשומות שהוקלדו בשעות הקטנות של הלילה וספקים פיקטיביים, אלה דפוסים שמדגם אקראי כמעט בוודאות יפספס, מכיוון שאף שורה בודדת לא נראית חריגה כשלעצמה.
להחליף את המדגם בבדיקה של כלל הנתונים, ולתת לאלגוריתם להחליט היכן נדרשת בדיקה אנושית.
הטמענו מנוע שקולט את כל פקודות היומן השנתיות ובוחן את כלל הנתונים 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, כל אותן הונאות מתואמות שאף שורה בודדת בהן לא נראית חריגה כשלעצמה.
השותף האחראי מקבל לוח בקרה שמדרג כל סעיף בדוחות הכספיים לפי רמת סיכון, וממקד את מאמצי הצוות בדיוק במקומות שבהם האלגוריתם זיהה אי-התאמה או דפוס בסיכון גבוה, במקום לפזר את המשאבים באופן שווה על פני כל הנתונים.
מכיוון שכלל הנתונים מנותחים, המשרד יכול להוכיח שבדק הכול ולתעד את היקף הכיסוי, בדיוק הסטנדרט שדורשים תקני ביקורת מחמירים ושמדגם לעולם לא יוכל לספק.
השבועות שהמתמחים העבירו בסריקת קובצי נתונים נעלמו, והזמן שלהם הופנה להפעלת שיקול דעת ביקורתי שבאמת דורש מעורבות אנושית, לאחר שהמנוע הציף את המקרים החשודים.
אותה סריקה שמגנה על המשרד מציפה בעיות אמיתיות עבור החברה המבוקרת, כמו זליגת כספים והפרדת תפקידים לקויה, והופכת את הביקורת מפעולת חתימה טכנית לייעוץ שהלקוח מעריך.
כיסוי מלא, ממצאים אמיתיים, ופחות זמן בשטח.
הביקורת עברה ממדגם אקראי לניתוח של 100% מהנתונים, מה שהעלה משמעותית את איכות הביקורת והוריד את סיכון הרשלנות המקצועית של המשרד כמעט לאפס. המערכת גם זיהתה מקרים אמיתיים של זליגת כספים והפרדת תפקידים לקויה אצל לקוחות, ערך מוסף שהלקוח העריך הרבה יותר מעוד חתימה.
עבודת השטח שהוטלה על המתמחים צנחה בחדות, מה שהוריד את העלות של כל תיק ביקורת ואפשר למשרד להגיש הצעות תחרותיות יותר ללקוחות חדשים בלי להתפשר על האיכות.
מדגם הוא הימור שההונאה נמצאת בחלק שבמקרה בחרתם. הערך כאן הוא ניתוח של כל ספר החשבונות, לתת למודל להציף את הדפוסים שאדם לא יכול לזהות לרוחב מאות אלפי שורות, ולמקד את שיקול הדעת של צוות הביקורת בדיוק במוקדי הסיכון. זו אותה גישה של זיהוי חריגות שעומדת מאחורי עבודת זיהוי ההונאות שלנו, אך מותאמת לעולם הביקורת 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