Zoeken Contact

In kaart brengen van frauderisico’s met behulp van data-analyse

Data-analyse kan een krachtig middel zijn om frauderisico’s in kaart te brengen. Aan het in kaart brengen van frauderisico’s met behulp van slimme data-analyses zitten wel enkele haken en ogen. Niet alle data zijn (meteen) geschikt voor analyse. De beschikbaarheid van gegevens en de kwaliteit van de beschikbare gegevens zijn medebepalend voor de effectiviteit van de uitgevoerde analyses. Welke valkuilen zijn verbonden aan data-analyse en wat zijn factoren die kunnen bijdragen aan het effectief identificeren van frauderisico’s met behulp van data-analyse?

Een krachtig middel

Om maar meteen de verwachtingen te managen, dit artikel is geen lofzang over data-analytics. Om te komen tot een gedegen set van data-analyses moet een vaak weerbarstig proces worden doorlopen. Met grotere en kleinere succesjes en soms ook met tegenvallers. Doordat eindresultaten niet altijd aan (hooggespannen) verwachtingen voldoen, kan de interesse vanuit gebruikers snel wegebben. De betrokken data-analist beteuterd achterlatend, omdat hij zulke mooie technische hoogstandjes heeft uitgehaald om goed werkende analyses op te leveren.

Dat data-analyse een krachtig hulpmiddel kan zijn voor het in kaart brengen van risico’s, afwijkingen van het proces en van zwakheden in beheersmaatregelen, staat als een paal boven water. Het is de kunst om het op een dusdanige manier in te richten dat het ook succesvol kan zijn. We gaan hier daarom in op een verschillende valkuilen die samenhangen met data-analyse, maar ook op een aantal voorwaarden die kunnen bijdragen aan het succes.

Succesfactoren

Laten we uitgaan van de situatie waarin successen kunnen worden geboekt, hier noemen we vijf aspecten die kunnen bijdragen aan het succes. In de opsomming hebben wij geen rangorde aangebracht, wat betekent dat het ene aspect niet meer zal bijdragen dan het andere. In die zin zijn de aspecten te zien als randvoorwaarden voor succes.

  1. Zorg voor een gestructureerd proces dat begint met goed geformuleerde onderzoeksvragen
  2. Begin klein (maar niet te klein)
  3. Zorg dat de data die wordt gebruikt voor analyses van goede kwaliteit is
  4. Laat bij teleurstellende eerste resultaten niet alle aandacht verdwijnen
  5. Zorg dat eindgebruikers inzicht hebben in het proces van data-analyse

 

  1. Gestructureerd proces

Het toepassen van data-analyse is bij voorkeur geen eenmalige exercitie. Het werkt het meest krachtig als het onderdeel is van de reguliere bedrijfsvoering. Om de data-analyse structureel vorm te geven kan een proces worden ingericht waarvan de volgende stappen onderdeel uitmaken:

  • Bepalen informatiebehoefte
  • Verzamelen gegevens
  • Prepareren gegevens voor analyse
  • Analyseren gegevens
  • Rapporteren
  • (Indien nodig) aanvullend onderzoek

Bij het doorlopen van deze processtappen worden de keuzes en beslissingen gedocumenteerd die gedurende het analyseproces zijn genomen. Hierdoor is het mogelijk om de analyses te herhalen en te verbeteren. De resultaten van de analyses dienen intern te worden geanalyseerd en eventueel te worden besproken met de verantwoordelijke managers. Resultaten kunnen namelijk in eerste instantie relevant lijken, maar mogelijk bestaan binnen de organisatie heldere verklaringen of leveren de resultaten geen nieuwe inzichten op. Door het management actief te betrekken bij de resultaten van de analyses (al dan niet weergegeven in een dashboard) kunnen organisaties een vorm van bewustzijn voor zwakheden in de organisatie creëren. Dit bewustzijn werkt weer kwaliteit verhogend.

  1. Begin klein, maar niet te klein

Data-analyse kan snel ‘te groot’ worden. Door gegevens te combineren met andere gegevens ontstaan nieuwe inzichten, door ook nog eens mooie visualisaties toe te voegen ziet het geheel er daarnaast gelikt uit. Dan ontstaat ook nog het idee om gegevens bijvoorbeeld ook nog te verrijken met gegevens van buiten de organisatie. Het gevaar bestaat dat men in één keer een zo volledig mogelijke set van analyses neer wil zetten. Daarom is het belangrijk om, zoals onder het ‘gestructureerde proces’ beschreven eerst de informatiebehoefte (de zoekvragen) goed in kaart te brengen. Is het al direct nodig om de analyses te verrijken? Of volstaat een eerste analyse van één specifieke gegevens set?

Als een organisatie start met het inrichten van data-analyses, loont het om een eerste analyse in te richten op een beperkte groep aan gegevens. Begin bijvoorbeeld met uitsluitend een analyse van bankmutaties. Zodra die analyses goed zijn ingericht en herhaalbaar zijn, kunnen andere gegevens worden betrokken bij de analyses. Bijvoorbeeld door ook crediteurenstamgegevens bij de analyses te betrekken. En als dat dan weer goede inzichten oplevert, is het bijvoorbeeld interessant om een visualisatie te maken van de herkomst en bestemming van betalingen op landenniveau.

  1. Kwaliteit van gegevens

In de praktijk blijkt een periodieke analyse van de kwaliteit van de in de administratieve systemen vastgelegde gegevens niet altijd goed uitvoerbaar. De kwaliteit van de in de administratieve systemen vastgelegde gegevens en de controls om die kwaliteit te bewaken blijken dan niet toereikend te zijn. Vanuit risicoperspectief is dit onwenselijk, omdat juist een periodieke analyse van gegevens in de administratieve systemen kan leiden tot het identificeren van zwakheden in de interne beheersing.

  1. Behoud de aandacht ook bij teleurstellingen

Het zal ongetwijfeld gebeuren dat een analyse resultaten oplevert die voor weinig nieuwe inzichten zorgen. De kans dat een initiatief hiermee ook direct eindigt is dan aanwezig. Door in een vroeg stadium al duidelijk alle verwachtingen helder te hebben en door hierover te communiceren kan teleurstelling worden vermeden. Een eindgebruiker moet weten dat bijvoorbeeld een analyse die niet direct een vermoeden van fraude oplevert, niet een mislukte analyse is. In de praktijk is de analyse juist zeer geslaagd, er is immers geen indictie van een frauderisico, maar het resultaat is niet ‘spectaculair’. In een casus uit de praktijk verdween de aandacht voor een project om met behulp van data-analyse frauderisico’s te identificeren. Toen uit de analyses als resultaat naar voren kwam dat er geen indicaties waren, werd het project stilgelegd.

  1. Betrek eindgebruikers

Om de acceptatie van resultaten van data-analyse te vergroten, is het zaak om gebruikers van de resultaten actief te betrekken. Dat kan zijn door ze in een vroeg stadium een training data-analyse voor dummies te geven, maar dat kan ook zijn door de resultaten te presenteren in een dashboard waarin gebruikers zelf nog aanvullende filters kunnen toepassen, zodat ze zelf ook met de resultaten aan de slag kunnen.

Valkuilen

Het is wellicht wat makkelijk, maar in de hiervoor beschreven succesfactoren zitten telkens ook de valkuilen verscholen. De rij van valkuilen wordt dan:

  • Een project voor data-analyse starten zonder heldere structuur en zonder aandacht voor de benodigde borging van het proces.
  • Teveel tegelijk willen analyseren. Hoe groter de ambitie, hoe moeilijker het wordt om successen te boeken. Met kleine stappen (laten we het maar ‘sprints’ noemen) kan worden gebouwd aan een groter geheel, maar dan dus wel stap voor stap.
  • Data-analyse van gegevens met weinig structuur of van gegevens met beperkte kwaliteit levert geen goede inzichten op. Waarschijnlijk levert het zelfs veel uitval op waardoor de aandacht en interesse van de eindgebruikers zal verzwakken. Het inventariseren en eventueel op peil brengen van de benodigde datakwaliteit dient daarom een essentieel onderdeel te zijn van een traject met data-analyse. Zonder deze stap wordt een data-analyse zelden succesvol.
  • Soms levert een analyse zoveel resultaten op dat het bijna onmogelijk is om de resultaten te verifiëren. Als dit zo is, moeten de zoekvragen wellicht worden aangepast of moeten bepaalde elementen buiten beschouwing gelaten worden. Het zonder enige afstemming overdragen van grote hoeveelheden aan resultaatregels maakt het voor eindgebruikers niet aantrekkelijk om het nut van data-analyse in te (gaan) zien.
  • En dan moet de data-analyse geen show worden van de data-analist die de meest fraaie hoogstandjes presenteert. Een data-analyse die technisch perfect is uitgevoerd, maar die niet aansluit bij de eindgebruiker of die te complex is om door de eindgebruiker te doorgronden, zal weinig effectief blijken te zijn.

 

Een krachtig middel!

 

Contact

Wil je kennismaken met ons? We praten graag verder over dit onderwerp, neem gerust contact op met een van onze vakspecialisten:

Bekijk gerelateerde publicaties

Interessante publicaties voor u geselecteerd

Audit

De volledigheid van de managementletter

Audit

Effectiviteit en efficiency van bedrijfsprocessen

Integriteit

Oplossingsgericht omgaan met integriteit

Fraude-risicomanagement

Vier verkeerde uitgangspunten voor onderzoek naar ongewenst gedrag

Fraude

Geen gouden bergen, hoge rendementen

Onderzoek

Onafhankelijk onderzoek is niet onafhankelijk omdat er onafhankelijk op staat

Op deze website gebruikt Ebbenpartners cookies en vergelijkbare technieken om de website goed te kunnen laten werken en om te analyseren hoe de website wordt gebruikt.