You are on page 1of 51

Detección de Fraude

Herramientas para una
mejor detección de fraude

RD 2015/11/05
Ing. Carlos Carrion

Detección de Fraude
Breves Historias de fraude
Esquema de la visión de Herramientas
Arquitectura de Picalo
Ejemplo de Código y como trabaja
Direcciones futuras de investigación
Solicitud de Ayuda
DetectLets con Picalo
RD 2015/11/05
Ing. Carlos Carrion

Dos Tipos de Fraude
En FAVOR de la Organización
- La manipulación de los estados
financieros para hacer ver mejor a la
empresa ante las partes interesadas.
- Tambien llamada fraude de
Administración o de EF (FS Financial
Statements).
En CONTRA de la Organización
- Robo de activos, de información, etc.
- También llamada fraude de Empleado o
de Consumo.
RD 2015/11/05
Ing. Carlos Carrion

Reporte de ACFE sobre Fraude y Abuso
Estudio de 2.1/2 años con 2,608 fraudes
totalizaron 15 billones de dólares.
- El costo del Fraude a las organizaciones en
USA supera los $400 billones anualmente.
- Costos de Fraude y abuso asumido por
empleadores en promedio es de 9$ al dia
por empleado.
- La organización pierde en promedio cerca
del 6% de sus ingresos totales anuales
debido a fraude y abuso cometido por sus
propios empleados.
RD 2015/11/05
Ing. Carlos Carrion

Estudio de por Ernst & Young (Europa)
- Uno o cinco trabajadores son concientes de
fraude en su lugar de trabajo.
- 80% estaría dispuesto a convertir en
cómplice, pero sólo el 43% lo hacen.
- Los empleadores perdieron 20 centavos por
cada dólar debido al fraude laboral.
- Tipos de Fraude:
Robo de artículos de oficina
37%
Pago de horas extras trabajadas 16%
Inflar cuentas de Gastos
7%
Tomando sobornos de proveedores
6%
RD 2015/11/05
Ing. Carlos Carrion

– Ingresos … $100 100% • Pérdidas … $1 Millón – Gastos … 90 • Ingresos … $1 Billón 90% – Ingreso Neto$ 10 10% – Fraude … 1 – Restante. . los ingresos deben aumentar en 10 veces las pérdidas para recuperar el efecto a los ingresos netos.Costo del Fraude . $ 9 RD 2015/11/05 Ing..Las pérdidas por fraude reducen ingreso neto de forma directa. Carlos Carrion .Si el margen de beneficio es del 10%.

• • • • Fraude $436 millones Margen de Beneficio = 10% Ingresos necesarios… $4. Carlos Carrion . – Fraude $100 millones – Margen de Beneficio = 10% – Ingresos necesarios… $1 Billón – En $100 por año de cuenta corriente.000 por auto.Costo del Fraude: Ejemplos Fabricante de Automóviles. 10 millones de cuentas nuevas RD 2015/11/05 Ing.000 autos Banco de escala mayor. 218.36 Billones En $20.

J. Carlos Carrion . • Año 1 $600 mil • Año 3 $4 millones • Año 5 $80 millones • Año 7 $600 millones • Año 9 $2. Credit Lynnaise. Union Bank of Switzerland. Algunas de las organizaciones involucradas:Merril Lynch.Caso reciente de Fraude .6 billones . Sumitomo y otros. cuatro de los bancos más grandes estuvieron involucrados y perdieron más de $500 millones.En los años 8 y 9. RD 2015/11/05 Morgan.6 billones a lo largo de 9 años. Ing.Gran fraude de $2. Chase.P.

Cada Persona tiene un precio Abraham Lincoln una vez echó a un hombre fuera de su oficina. Carlos Carrion . “Cada hombre tiene su precio”. explicó Lincoln. “y el se estaba acercando al mio”. RD 2015/11/05 Ing. muy enojado rechazando un soborno sustancial.

RD 2015/11/05 Ing. independiente de factura o tarjeta de tiempos. Carlos Carrion . Doble Extra) para periodo de 2 semanas. Extras.Trabajadores SuperHumanos Resumen de Horas (Normal. Los trabajadores iniciaron sesión de horas en 2 tarjetas de tiempo para trabajos simultáneos.

Carlos Carrion . Se investigó y determinaron cual comprador autorizó los trabajos. su piscina y ostentación. Muchas veces son atrapados por delación directa o indirecta. Ordenes de trabajo entregadas al equipo contratista. El equipo contratista y el comprador de la compañía eran familiares.Ejemplos de Detección en base a Datos Como Negocios Familiares: Ordenes de trabajo autorizados por el comprador. Cargos a factura autorizados por el comprador. Resultados de determinación: Consejo declaró que los sobornos se estaban produciendo con una determinada empresa. Análisis de Datos: Incrementos sistemáticos en los costos. RD 2015/11/05 Ing. Picos inesperados en el gasto. por ej. Los aumentos solamente en una parte de una tendencia.

versión 1940) 1961: “Si las diez normas (auditoría) ahora aceptadas fueron satisfactorias para su propósito no tendríamos las peticiones de orientación para extender la responsabilidad (auditores) para la detección de irregularidades que ahora encontramos en nuestra literatura profesional. (Series de Contabilidad.Plataforma de Investigación Historia Contable: 1940 Declaración de SEC (USA Securities and Exchange Commission): Los contadores pueden lograr detectar exageraciones de gran valor en los activos y las ganancias que resulten de fraude por colusion o de otra forma. 1997 SAS 82. Carlos Carrion . RD 2015/11/05 Ing. 2002 SAS 99.

Expectativas del auditor . Shultz & Zimbelman (2000): .Espacio de expectativas . .Teoría de Juegos entre Auditor y la Gerencia . Carlos Carrion .Valoración del Riesgo y Ayudas en la Decisión .Factores gerenciales que afectan el fraude RD 2015/11/05 Ing.Relaciones Auditor/Cliente .Banderas rojas .Plataforma de Investigación Historia de Investigación del Fraude: Excelente revisión de la literatura por Nieschwiestz.Quién comete fraude.

Carlos Carrion . . RD 2015/11/05 Ing.Plataforma de Investigación Fraude EF utilizando Análisis de Relación. .Summers y Sweeny (1998) identificaron Fraude EF usando información interna y externa.Hansen.Ninguno ha encontrado la “bala de plata” usando información externa para identificar fraude.Fraude de Gerencia (EF o FS) es muy difícil de encontrar. . . . et al (1996) desarrolló un modelo generalizado de respuesta cualitativa desde las fuentes internas.Bell y Carcello (2000) desarrolló un modelo de regresión logistica para identificar fraude.Benish (1999) desarrolló un modelo Probit utilizando relaciones (radios) para identificación de fraude.Trabajos actuales por McKee. . . por Cecchini y por Albrecht. .Green y Choi (1997) usaron redes neuronales para clasificar casos fraudulentos.

Auditores de TI realizan pruebas de control en sistemas de empresas.Ningún modelo de mejores prácticas ha emergido. RD 2015/11/05 Ing.Cada firma parece tener diferentes grupos de trabajo para la detección de fraude. . . Carlos Carrion . .Plataforma de Investigación Cuales son las cuatro grandes acciones a realizar? . sin detección de fraude.Reuniones con Bill Titera de E&Y.

Auditores encuentran 20 a 30 % de fraude.Falencia de experiencia en tecnología aplicada.Escaza experiencia en los síntomas de fraude.Tiempo limitado El recurso más precioso es la atención a brindar. .Falta de herramientas específicas para fraude.Historia Uso intensivo de muestreo. falta de detalles. .Muy pocas habilidades de análisis.Plataforma de Investigación Porque NO se encuentra el fraude? . . Falta de histórico de instrucción en la detección de fraudes . . Carlos Carrion . . Reporte ACFE 2004 RD 2015/11/05 Ing.

Plataforma de Investigación Hay una forma mejor? Requerimientos de tiempo razonable Integración de IA y AutoDetección Al alcance de la mayoría de los Auditores (No se requieren habilidades técnicas elevadas) Facilidad de Integración en diferentes esquemas de bases de datos Costo Efectivo RD 2015/11/05 Ing. Carlos Carrion .

Plataforma de Investigación Pistas de Detección (DectecLets) .Un DetectLet codifica: Información de base en esquema. Seguimiento de “Como interpretar los resultados”. Detalle de un indicador específico del esquema. RD 2015/11/05 Ing. . Asistente de interfaz para que usuario vaya a traves de la selección de entrada. . Algoritmo codificado en formato standar.La entrada es una o mas objetos de tabla.La salida es una o mas objetos de tabla. Carlos Carrion .

Unix. PostGre) .Construir los Cimientos de la Aplicación Permite control total de la plataforma.Manipulación de ofertas cuando una sola persona se encarga y prepara todas las compras y ventas. Linux.Plataforma de Investigación Demostración de DectecLet .DBMS (MS Access. Mac. MySQL. Oracle. SQL Srv. Carlos Carrion . La preferencia mayoritaria y personal es Python. Soporta Windows.Software ACL o IDEA o Picalo . . RD 2015/11/05 Ing. Permitir uso anidado dentro de una plataforma mayor. Permanecer como Código Libre mejor que tratar el programa en una plataforma particular.

Select. Carlos Carrion .Plataforma de Soporte PICALO Arquitectura PICALO Rutinas Nivel 3: Sistema Experto Ontologías basado en Reglas y Lógica Para descrubrir inteligentemente fraude en conjuntos de datos usando rutinas DetectLet Nivel 2 (Licencias diferentes) Asistente DetecLet del Interfaz Grafico de Usuario a Libreria DetectLet (Código Libre) Plataforma cruzada del Rutinas Nivel 2: DetecLets interfaz grafico a usuario Banderas Rojas Específicas (Código Libre) Manipulación Ofertas. etc) (Código Libre) RD 2015/11/05 Ing. Tendencia. Sobornos y otros síntomas (Diferentes licencias) Rutinas Nivel 1: Análisis de Base (Sort. Expresion. Search.

Carlos Carrion .Plataforma de Soporte PICALO Arquitectura PICALO RD 2015/11/05 Ing.

colocándolos a disposición de pequeñas y grandes empresas.DetectLets están basados como Software de Código Libre. Carlos Carrion .Plataforma de Soporte PICALO Como DetectLets dirigen el Problema Tiempo Limitado: . Alto Costo: . que pueden ser encadenados y automatizados en un gran sistema. RD 2015/11/05 Ing.DetectLets provee una gran librería de rutinas disponibles para que los auditores se encarrilen y caminen a traves del proceso de detección. permitiendo además crear un entorno comunitario para detección de fraude.DetectLets proveen un asistente interfaz para ejecución rápida. Escaza Experiencia en síntomas de fraude: .

permitiendo al auditor permanecer en el nivel conceptual mejor que en el nivel de implementación. Falencia de experiencia en tecnología aplicada: . RD 2015/11/05 Ing.Plataforma de Soporte PICALO Como DetectLets dirigen el Problema Falta de herramientas específicas de fraude: .DetectLets codifica totalmente los algoritmos y los decodifica.DetectLets provee una solución modo asistente que es fácil de utilizar. colocando un juego de herramientas específicas de fraude en manos de auditores. Muy pocas Habilidades de Análisis: . Picalo permite un interfaz de usuario tipo Excel. Carlos Carrion .Picalo provee una solución abierta que se puede mejorar cada vez.

Nivel 1 de PICALO Estructuras de Datos Módulo Simple Módulo Benford Módulo de Tabla Cruzada Módulo de Base de Datos Módulo Financiero Módulo de Agrupamiento Módulo de Tendencia Librerias Python RD 2015/11/05 Ing. Carlos Carrion .

operaciones de fila.Casi todas las rutinas de entrada y salida de tablas. Picalo provee una solución abierta que puede mejorar cada vez. Carlos Carrion . operaciones de columna.Lógico (Booleano). FechaTiempo (DateTime). importar/exportar desde o a formatos de texto delimitado o Excel. . Tipos de Columna incluye: .Es la estructura de datos básica. les permite ser encadenadas. Cadena de caracteres (String).. .Nivel 1 PICALO Estructuras de Datos (Data Structures) El objeto Tabla (Table): .Sus métodos incluyen: Clasificación (sort). Punto Flotante (Floating Point). RD 2015/11/05 Ing. Entero (Integer). colocando un juego de herramientas específicas de fraude en manos de auditores. Fecha (Date).

col_match_diff . custom_match_same custom_match_diff.fuzzysearch. . col_right_join . custom_match. find_gaps.col_match. select_by_value. soundex. fuzzymatch. búsqueda inexacta (fuzzy matching) y selección (select). select_outliers_z select_nonoutliers.Juntura (joining). left_join. select_records. col_left_join. soundexcol. select_outliers. select_nonoutliers_z. describe. etc. right_join . expression_match. join.select. RD 2015/11/05 Ing. Con las siguientes sentencias: .Nivel 1 PICALO Módulo Simple (Simple Module) SM Provee como operaciones básicas: . find_duplicates. fuzzycoljoin. búsqueda exacta (matching).sort.compare_records. . Carlos Carrion . col_match_same. .get_unordered.col_join.

Carlos Carrion .Calcula la probabilidad para un número total.Nivel 1 PICALO Módulo Benford (Benfords Module) BF Provee análisis de la cantidad de valores según la formulación de Benford: calc_benford: .Analiza un entero conjunto de datos (data set) y Calcula resumen de resultados.Calcula la probabilidad para un simple dígito. RD 2015/11/05 Ing. analyze: . get_expected: .

Realizar el pivote de tabla y mantiene resultados en una forma muy detallada usando un diccionario.Nivel 1 PICALO Módulo de Tabla Cruzada (CrossTable Module) CT Provee resumen agrupado de datos por características: pivot: .Realiza el pivote de tabla y mantiene resultados en un diccionario mejor que en cuadrícula.Similar a la función Excel de tabla llamada PIVOT. pivot_map_detail: . pivot_table: . Carlos Carrion . RD 2015/11/05 Ing.

Conecta a base de datos MySQL Además incluye varias funciones de ayuda a consultas (query). análisis de resultdados (results analysis) RD 2015/11/05 Ing.Conecta a base de datos PostgreSQL.Conecta a cualquier Base de Datos con esquema ODBC. Carlos Carrion .Nivel 1 PICALO Módulo de Base de Datos (DataBase Module) DB Provee conexión y operacioned a Bases de Datos: OdbcConnection: . tales como creacion (query creation). PostgreSQLConnection: . MySQLConnection: .

Nivel 1 PICALO Módulo Financiero (Financial Module) FN Calcula varias proporciones o razones (radios) financieras para ayudar en el análisis de estados financieros: Current Radio: Indice de Liquidez Quick Radio: Indice de Liquidez Inmediata NetWorking Capital: Capital de Trabajo Neto Return on Assets ROA: Retorno sobre Activos Return on equity ROE: Retorno sobre Ingresos Propios Return on common equity: Retorno sobre patrimonio común Profit Margin: Margen de Beneficio Earnings per share: Ganancias a Distribuir Assets turnover: Rotación de Activos Inventory turnover: Rotación de Inventarios Debt to Equity: Deuda a Patrimonio Price Earnings: Tasa de Ganancias sobre Precio RD 2015/11/05 Ing. Carlos Carrion .

Carlos Carrion .Nivel 1 PICALO Módulo Financiero (Financial Module) FN Calcula varias proporciones o razones (radios) financieras para ayudar en el análisis de estados financieros: Current Radio: Indice de Liquidez Quick Radio: Indice de Liquidez Inmediata NetWorking Capital: Capital de Trabajo Neto Return on Assets ROA: Retorno sobre Activos Return on equity ROE: Retorno sobre Ingresos Propios Return on common equity: Retorno sobre patrimonio común Profit Margin: Margen de Beneficio Earnings per share: Ganancias a Distribuir Assets turnover: Rotación de Activos Inventory turnover: Rotación de Inventarios Debt to Equity: Deuda a Patrimonio Price Earnings: Tasa de Ganancias sobre Precio RD 2015/11/05 Ing.

Indice de Liquidez: Activo_Corr / Pasivo_Corr Quick Radio: .Nivel 1 PICALO Módulo Financiero (Financial Module) FN Calcula varias proporciones o razones (radios) financieras para ayudar en el análisis de estados financieros: Current Radio: .Capital de Trabajo (Diferencia del Activo y Pasivo corrientes) Activo_Corr – Pasivo_Corr Return on Assets ROA: .Indice de Liquidez Inmediata ( EfeCajBan + CxC ) / Pasivo_Corr NetWorking Capital: . Carlos Carrion .Retorno sobre Activos Ingreso_Neto / Total_Activos RD 2015/11/05 Ing.

Carlos Carrion .Retorno sobre Ingresos Propios Ingreso_Neto / Patrimonio Return on common equity: .Margen de Beneficio Utilidad_Neta / Ventas Earnings per share: .Retorno sobre patrimonio común (Ingreso_Neto – Dividendo_Prefrd)/(Patrimonio Bono_Prefrd) - Profit Margin: .Nivel 1 PICALO FN Módulo Financiero (Financial Module) Return on equity ROE: .Ganancias a Distribuir ( Ingreso_Neto – Promedio_Pond_Accn Dividendo_Prefrd ) / RD 2015/11/05 Ing.

Rotación de Inventarios Ventas / Inventario Costo_Ventas / Inventario_Promedio Debt to Equity: .Nivel 1 PICALO Módulo Financiero (Financial Module) Assets turnover: .Rotación de Activos Ventas / Total_Activos FN Inventory turnover: .Tasa de Ganancias sobre Precio Valor_Mercado_Accion / Ganancias_Distribuir RD 2015/11/05 Ing. Carlos Carrion .Deuda a Patrimonio Total_Pasivos / ( Total_Activos – Total_Pasivos ) Price Earnings: .

stdev. mean. stratify_by_value: . Carlos Carrion . stratify_by_expression: . pero permite cualquier tipo de función a ser utilizada para toralizar (GROUP BY generalmente solo permite sum.Estratifica una tabla en N número de tablas.Nivel 1 PICALO GR Módulo de Agrupamiento (Grouping Module) Estratifica con detalles el fondo de SQL GROUP BY. Summarizing es similar a SQL GROUP BY. stratify_by_date: . etc). Mantiene las tablas de detalle mejor que sumarizarlas. RD 2015/11/05 Ing.Estratifica sobre unos valores únicos.Estratifica basado en un rango de fechas. stratify: .Estratifica basado en establecer rango numérico. stratify_by_step: . Esto puede ser realizado en las mismas formas que la estratificación.Estratifica una tabla utilizando una expresión arbitraria.

handshake_slope: .Método de pronóstico Punto_Alto/Punto_Bajo de valores. average_slope: . Carlos Carrion .Nivel 1 PICALO Módulo de Tendencias (Trending Module) TD Varias formas de analizar tendencias y patrones en el tiempo.Aproximación por enlace de puntos cercanos. regression: . highlow_slope: . RD 2015/11/05 Ing. cusum: .Técnica (suma acumulada) para deteccion de puntos de cambio en tendencias.Tendencia de medición extrema con proximidad a la media de la siguiente medición.Método de la recta con pendiente promedio.

RD 2015/11/05 Ing. .Innumerables librerias disponibles en línea (casi todas código abierto).Tiene soporte Orientado a Objetos Total.Rutinas de malla para sitios web.Mantenimiento y Desarrollo de sitios web. . Carlos Carrion . .Conexión con casi todas las Bases de Datos.Rutinas de Manipulación y Análisis de Texto.Nivel 1 PICALO Librerías Python Lenguaje de programación poderoso y fácil con una comunidad significativa en línea. .Rutinas de Análisis de correos (emaiĺ). . . . .Generador de números aleatorios.

Casos de proveedores y sus datos que potencialmente es necesario analizar y registrar. Carlos Carrion .Situaciones de los cheques emitidos que pueden producir dolo o diferencias en contra. rotación y calidad de productos que la empresa requiere.Sospechas de fraude en las ṕrdenes de compra. RD 2015/11/05 Ing. Payments: . colectiva para regir la nómina y pagos de honorarios en la empresa.35 ambiente Windows Agrupados en base a los casos de fraude aportados E P A R V Employees: . Procurement: .Desviaciones en precio. Products: .DetectLets con PICALO En version 4. Vendors: .Casos de fraude invidividual.

Situaciones de irregular o error num de seguridad social. Carlos Carrion .Casos de datos de fallecidos siendo utilizados. Chequeo de validez del número se seguridad social: . Empleados con aumento de horas extras: .Motivos que no se aplican o no existen para pagar.Uso de nómina para pagos sospechosos de alto valor. Cheques pagados después de Fecha de cierre nómina: .DetectLets con PICALO Employees (Empleados) Chequeo del ID de empleado contra índice de difuntos: .Casos de ajuste o cambios que pueden ser sospechosos Pagos atípicos que aparecen en el Pago Total a empleado: . Valor escandaloso pagado por algo irrelevante: . RD 2015/11/05 Ing.Incremento desmesurado de tiempo extra registrando. Empleados sin vacaciones utilizadas o días de enfermedad: .Por indicios de alguien muy sano o que es fantasma.

DetectLets con PICALO Agrupados en base a los casos de fraude aportados P RD 2015/11/05 Ing. Carlos Carrion .

Puede causar reuso de cheque para pagar otros valores.Incidencias de facturas médicas sobre algo no ejecutado.DetectLets con PICALO Payments (Pagos) P Cheques cancelados fuera de secuencia: . Rembolsos de gastos duplicados: .Para verificar otros pagos realizados bajo mismo motivo.Uso de secuencias de factura sospechosas. Totales de Factura y Pago diferentes: .Saltos en la numeración consecutiva de cheques. Cheques pagados a Efectivo o Cash: . Gastos médicos facturados pero no realizados: .Casos en nombre beneficiario con sentido de efectivo. Demasiados cheques anulados: . Carlos Carrion .Sospechas en reponer valores pagados previamente.Casos de que se paga diferente valor al total de factura. Pagos realizados a facturas con secuencia sospechosa: . RD 2015/11/05 Ing. Comparación de Cuentas de Depósito Directo: .

Carlos Carrion .DetectLets con PICALO Agrupados en base a los casos de fraude aportados A RD 2015/11/05 Ing.

DetectLets con PICALO Procurements (Adquisiciones o Compras) A1 Ofertas aceptadas después de fecha acordada: .Uso posible de ofertas para preparar ganadora. Ofertas removidas durante la revisión técnica: . Ofertas con precios de items que son porcentualmente derivados de otra ofertas: .Sospechas de preferencia de ciertas ofertas. Carlos Carrion . Resumen por proveedor: .Ofrecer parámetros de ofertas y proveedores que ganan. RD 2015/11/05 Ing.Sospechas de preferencia de ciertas ofertas.Precios por item en ofertas aparecen altos al comparalos.Sospecha de maquillaje de ofertas basada en otras. Ofertas con idénticos montos en detalle por item: . Ofertas estimadas con variación significativa en precios de producto: .

Instrumento de Seguridad Incremental: .Sospechas de preferencia de ciertas ofertas.DetectLets con PICALO Procurements (Adquisiciones o Compras) A2 Conexiones entre ofertantes: . Ofertas excesivamente altas en valor: .Ofrecer parámetros de ofertas ganadoras y patrón. Ultimo ofertante ganador: .A traves de secuenciamiento ver si maquillan ofertas. Múltiples Ofertas en mismo día: .Para tapar conflicto de intereses aparecen parientes.Casos de colusión o mismos ofertantes con diferente nombre. RD 2015/11/05 Ing.Misma fecha aparecen ofertas elaboradas y entregadas. Carlos Carrion . Apellidos de Ofertantes similar al de Evaluadores: .

Compras ligeramente menores al umbral de total por Proveedor: .Casos de maquillaje de ofertas y favoritismos.Para establecer patrón de posible colusión.DetectLets con PICALO Procurements (Adquisiciones o Compras) A3 Compras ligeramente menores al umbral determinado: . Rotación de Oferta Ganadora: . Carlos Carrion .De 1 oferta comparar el patron de valores bajo umbral .Posible maquillaje de las ofertas. Patrón de retiro de oferta con valor mas bajo: . Oferta simple en proyecto con exceso del umbral: .Sospecha de conspiración por quitar oferta conveniente. RD 2015/11/05 Ing.Posible maquillaje de ofertas. Precios similares en las ofertas: .

Verificar total de oferta con total del detalle de factura: .Sospecha de preferencia a proveedor.Para establecer patrón de posible colusión. Oferta ganadora NO es la oferta con mas bajo valor: .DetectLets con PICALO Procurements (Adquisiciones o Compras) A4 Oferta simple en proyecto con exceso del umbral del total por proveedor: .Posible suma diferente del detalle con total oferta. Oferta ganadora apenas menor: . Oferta ganadora NO con menor total por proveedor: . Carlos Carrion .Casos de maquillaje de ofertas y favoritismos. RD 2015/11/05 Ing.Rotura de oferta para ofrecer preferencia a ganador.

DetectLets con PICALO Agrupados en base a los casos de fraude aportados R RD 2015/11/05 Ing. Carlos Carrion .

A traves de los costos y los precios determina exceso de devoluciones.Indicador de fraude determinado por cantidad de devoluciones. Comparación de precios con productos similares: .DetectLets con PICALO Products (Productos) R Incremento anormal en precios de producto: .En misma categoría busca diferencias extremas de precio entrel ellos. Retornos o devoluciones excesivas: . Carlos Carrion . Devoluciones significativas de producto: . RD 2015/11/05 Ing.Para detectar aumento de precio sin justificación.

DetectLets con PICALO Agrupados en base a los casos de fraude aportados V RD 2015/11/05 Ing. Carlos Carrion .

Encontrar Proveedores con números de factura secuencial: .A traves de ley de Benford para n digitos por columna y estratifica para analizar si cumple o no.Sospecha de ubicación física a proveedores.A modo de ejemplo genera m números de n digitos regidos por la Ley de Benford. Hallar Grupos de números fabricados o inventados: . Crear números bajo Ley de Benford: .Para detectar relación de identificación entre Empleado y proveedors por leves diferencias en datos. RD 2015/11/05 Ing.Sospecha de secuencias factura por proveedor Proveedores pagados que tienen Direcciones y correo disperso: . Carlos Carrion .DetectLets con PICALO Vendors (Proveedores) V1 Comparar Datos de Empleado con los de Proveedor usando Coincidencia Parcial: .

DetectLets con PICALO Vendors (Proveedores) V2 Proveedores pagados NO son calificados: .Para evitar fraude con pagos realizados a proveedor fantasma. RD 2015/11/05 Ing. Pagos realizados a Proveedores NO aprobados: .Establece si proveedor pagado es fantasma y totaliza.A través de lista de proveedores calificados verifica cuales de los que se pagaron no lo son o son fantasmas.De cuando en cuando en cierta factura de a poco algun proveedor eleva sus precios. Carlos Carrion . Proveedores alzan sus precios: . Proveedores pagados NO calificados y totales por proveedor: .