Im Zeitalter der globalisierten Märkte, des aufkeimenden internationalen Handels, komplexer Finanzsysteme, sich ständig weiterentwickelnder Compliance- und Regulierungslandschaften und des schnellen technologischen Fortschritts hat die Wirtschaftskriminalität leider einen deutlichen Anstieg in Umfang, Vielfalt und Raffinesse erlebt. Während Wirtschaftskriminalität früher Bilder hochfliegender Führungskräfte heraufbeschwor, die aus Firmenkassen stahlen, ist die moderne Landschaft viel komplexer und umfasst Fehlverhalten aller Formen und Größen, wie internationale Bestechung und Korruption, raffinierte Geldwäsche, Betrug im Gesundheitswesen, komplexer Rechnungslegungs- und Finanzberichterstattungsbetrug, Wertpapierhandelssysteme und Cyberkriminalität, um nur einige zu nennen.
Die Wirtschaftskriminellen von heute sind klüger und technisch versierter, nutzen oft komplexe und isolierte Systeme aus und umgehen oft archaische Betrugs- und Compliance-Überwachungslösungen, die von Unternehmen und Regierungsbehörden verwendet werden. Und während Kriminelle die riesigen Datenmengen effektiv zu ihrem Vorteil nutzen, um Ermittler zu verschleiern und eine Entdeckung zu vermeiden, haben Unternehmen Schwierigkeiten, Daten effektiv zu speichern, zu verwalten und zu nutzen, um Compliance-Probleme, Betrug, Verschwendung und Missbrauch zu untersuchen und zu verhindern.
VERWENDEN SIE ANALYSEN UND MACHINE LEARNING, UM GESCHÄFTSPROBLEME ZU LÖSEN
Lernen Sie mit unserem Online-Schulungsprogramm neue Analyse- und maschinelle Lernfähigkeiten, die Sie sofort in die Tat umsetzen können.
Als zusätzliche Herausforderung haben die Aufsichtsbehörden die Messlatte höher gelegt und erwarten dies von den Unternehmen datengetriebene Methoden einsetzen Wirtschaftskriminalität zu bekämpfen.
Die gute Nachricht ist, dass Data Science und Big Data Analytics schnell aufholen und bereits eine Fülle von Lösungen und Techniken bieten, um Wirtschaftskriminalität zu verhindern, aufzudecken, zu untersuchen und zu beseitigen. Lassen Sie uns über einige der Best Practices sprechen, die Organisationen und Regierungsbehörden angewendet haben, um Wirtschaftskriminalität mithilfe von Data Science und Big Data Analytics zu bekämpfen.
- Aggregieren von Silodaten: Dabei können einzelne Datensätze analysiert werden informativ, Verknüpfung unterschiedliche Datensätze zusammen, um Trends und Zusammenhänge erkennen zu können Transformativ zur Identifizierung von Fehlverhalten von Unternehmen. Und obwohl das Zusammenfügen verstreuter Daten niemals trivial ist, haben Fortschritte in der Datentechnik diese Aufgabe erheblich vereinfacht. Softwarelösungen sind heute verfügbar, um Daten aus den allgemein verwendeten Datenquellen zu integrieren, wie z. B. ERP-Systemdaten (z. B. Lieferantenzahlungen), CRM-/Vertriebsdatenbanken, HR- und Gehaltsabrechnungssysteme und andere Quellen von Drittanbietern. Viele verfügbare Tools verfügen über visuelle „Drag-and-Drop“-Funktionen für die häufigsten Anwendungsfälle. Für komplexere Integrationen können Tools ohne signifikante angepasste Programmierung verwendet werden, damit Geschäftsanwender Variablen im Handumdrehen konfigurieren und ändern können.
- Nutzung nicht-traditioneller Datenquellen: Interne Daten wie Systemzugriffsprotokolle, Gebäudezugangsdaten, Mitarbeiterbefragungen, Leistungsbeurteilungen und sogar externe Daten wie Social-Media-Informationen können wertvolle Einblicke liefern und dabei helfen, Lücken bei Betrugs- und Compliance-Untersuchungen und -Überwachungen zu schließen. Beispielsweise wird Social Media Analytics zunehmend verwendet, um für eine Untersuchung relevante Fakten mit Querverweisen zu versehen (z. B. wer, was, wo, warum und wann ein Ereignis stattgefunden hat). Die Analyse der Datumsnähe von Veranstaltungen, Teilnehmern, Orten und Stimmungen, auf die in sozialen Medien in Verbindung mit Transaktionen in Unternehmenssystemen, wie z. B. erstattungsfähigen Mitarbeiterausgaben, verwiesen wird, kann den Ermittlern von Betrug und Fehlverhalten eine „rauchende Waffe“ liefern.
- Anwendung regelbasierter Analysen: Regelbasierte Tests sind eine bewährte Methode zur Identifizierung von Warnsignalen oder statistischen Anomalien, um Ermittler auf potenzielles Fehlverhalten oder Compliance-Probleme hinzuweisen. Sobald ein konsolidiertes Datenrepository über mehrere Datenquellen hinweg erstellt wurde, können regelbasierte Tests zur Identifizierung bestimmter Attribute von Datensätzen (z. B. Schlüsselwörter, monetäre Metriken, statistische Ausreißer, Benutzerinformationen) dabei helfen, Korrelationen, Anomalien und Kohorten mit hohem Risiko zu identifizieren B. Transaktionen, Mitarbeiter, Lieferanten, Abteilungen oder geografische Standorte.
- Risikobewertung: Dies ist eine häufig verwendete Methode, um die Ergebnisse von datengesteuerten Tests zu destillieren, wobei Daten, die bestimmte Parameter „treffen“, aggregiert werden können, so dass risikoreichere Elemente von Interesse, sei es eine Person, Zahlung, Anbieter, Kunde usw., sind sprudelte an die Oberfläche. Wenn ein Mitarbeiter beispielsweise Anomalien mit erstattungsfähigen Ausgaben hat, wie z. B. bestimmte Schlüsselwörter in Freitextkommentaren, doppelte oder knapp unter der Genehmigungsschwelle liegende Ausgaben, würde er als „höheres Risiko“ eingestuft. Diese Ergebnisse können dann mit Tests auf anderen Datenquellen wie Trainingssystemberichten, Zeiterfassungssystemen oder Daten der Compliance-Abteilung korreliert werden, um eine zusammengesetzte Risikobewertung der Person zu erstellen.
- Vorhersagemodellierung: Da Organisationen analytischer werden und einfachen Zugriff auf zuverlässige Echtzeitdaten haben, verbessert sich die Ausgereiftheit der Anomalieerkennung durch die Verwendung von Maschinelles Lernen und künstliche Intelligenz. In diesem Stadium ahmen die Lösungen zur Aufdeckung von Wirtschaftskriminalität oft die fortschrittlichen Betrugserkennungstechniken nach, die in der Welt des Zahlungsverkehrs und des E-Commerce verwendet werden (man denke an Echtzeitwarnungen vor Kreditkartenbetrug, die man erhält). können genutzt werden, um prädiktive Lösungen zu entwickeln, die eine frühzeitige Erkennung potenzieller Betrugsfälle ermöglichen.
- Dynamische Visualisierungen erstellen: Interaktive Visualisierungen zur Synthese großer Mengen komplexer Informationen und deren Präsentation in einem leicht verständlichen Format sind ein entscheidender Schritt in jeder Analyselösung. Funktionen wie geografische Kartierung, zeitliche Analysen, Beziehungsdiagramme und Grafiken zur Risikobewertung ermöglichen ein effektives Data Storytelling und liefern sichtbare, greifbare Beweise für Aktivitäten mit hohem Risiko, die entweder stattgefunden haben oder wahrscheinlich stattfinden werden. Während die meisten handelsüblichen Dashboarding-Tools für die häufigsten Visualisierungsanwendungsfälle im Bereich Compliance und Risiko ausreichen, entscheiden sich einige Unternehmen dafür, in maßgeschneiderte webbasierte Benutzeroberflächen (UI)-Lösungen zu investieren, die maximale Flexibilität, Geschwindigkeit und Genauigkeit bieten.
Der vielleicht greifbarste Weg, um zu verstehen, wie Data Science und Big Data Analytics zur Bekämpfung von Wirtschaftskriminalität eingesetzt werden können, ist das Beispiel aus der Praxis. Nach einem Whistleblower-Vorwurf bezüglich falscher Berichterstattung über Zeiterfassungsaktivitäten durch bestimmte Mitarbeiter wurden wir von einer großen Regierungsbehörde beauftragt, forensische Datenanalysen zu entwerfen und durchzuführen, um Indikatoren für möglichen Betrug, Verschwendung und Missbrauch zu identifizieren. Mithilfe einer Kombination aus regelbasierten, statistischen und visuellen Analysen und einer zusammengesetzten Risikobewertung identifizierten wir Zeitberichte und Personen mit einem erhöhten Risiko, falsche Stunden zu melden. Mit benutzerdefinierten Abfragen korrelierten wir Informationen aus mehreren unterschiedlichen Datensätzen, einschließlich detaillierter täglicher Zeitberichtsdaten, Gebäudezugangsprotokolldaten und einem dedizierten System, das die Kommunikation zwischen Mitarbeitern im Außendienst und im Home Office aufzeichnete. Diese Analyse ermöglichte es uns, die geleisteten Arbeitsstunden zu bestätigen und, was noch wichtiger ist, diejenigen zu identifizieren, die nicht durch andere bestätigende Beweise gestützt wurden. Der Kunde konnte mit seinem Zeiterfassungssystem Schadensersatz verlangen, gegen Einzelpersonen vorgehen und Kontrollschwächen beheben.
Im Kampf gegen unternehmerisches Fehlverhalten und Vario
Bei uns Formen der Wirtschaftskriminalität steckt der Teufel sicherlich im Detail. Data Science und Big Data Analytics sind unverzichtbare Tools im Arsenal eines jeden Unternehmens.
