Benford - Analiza la distribución de los primeros dígitos de una columna numérica y la compara con la distribución de Benford. - Devuelve una puntuación de Benford entre 0 y 1, donde valores cercanos a 1 indican una distribución más cercana a Benford. - También devuelve la distribución observada y esperada de Benford para cada primer dígito. - Se puede usar para detectar manipulación de datos financieros. Valores lejos de 1 pueden indicar fraude. - Recibe una tabla

1. Deteccion de Fraude
Herramientas para una
mejor deteccion de fraude
RD 2015/11/05
Ing. Carlos Carrion

2. Deteccion de Fraude
Breves Historias de fraude
Esquema de la vision de Herramientas
Arquitectura de Picalo
Ejemplo de Codigo y como trabaja
Direcciones futuras de investigación
Solicitud de Ayuda
RD 2015/11/05
Ing. Carlos Carrion

3. Dos tipo 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)
RD 2015/11/05
Ing. Carlos Carrion
En contra de la Organización
- Robo de activos, de información, etc.
- Tambien llamada fraude de Empleado o
de Consumo.

4. 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

5. 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

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

7. Costo del Fraude: Ejemplos
Fabricante de Automóviles.
– Fraude $436 millones
– Margen de Beneficio = 10%
– Ingresos necesarios… $4.36 Billones
– En $20,000 por auto,
218,000 autos
RD 2015/11/05
Ing. Carlos Carrion
Banco de escala mayor.
– Fraude $100 millones
– Margen de Beneficio = 10%
– Ingresos necesarios… $1 Billón
– En $100 por año de cuenta corriente,
10 millones de cuentas nuevas

8. Caso reciente de Fraude
- Gran fraude de $2.6 billones a lo
largo de 9 años.
– Año 1 $600 mil
– Año 3 $4 millones
– Año 5 $80 millones
– Año 7 $600 millones
– Año 9 $2.6 billones
- En los años 8 y 9, cuatro de los
bancos más grandes
estuvieron involucrados y
perdieron más de $500
millones.
RD 2015/11/05
Ing. Carlos Carrion
Algunas de las organizaciones involucradas:Merril Lynch, Chase, J.P.
Morgan, Union Bank of Switzerland, Credit Lynnaise, Sumitomo y otros.

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

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

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

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

13. 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.
(Series de Contabilidad, version 1940)
RD 2015/11/05
Ing. Carlos Carrion
1961: “Si las diez normas (auditoria) 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.
1997 SAS 82.
2002 SAS 99.

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

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

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

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

18. Hay una forma mejor?
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigación
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

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

20. Demostración de DectecLet
- Manipulación de ofertas cuando una sola persona
se encarga y prepara de todas las ofertas.
- MS Access
- software ACL o IDEA
- Construir los Cimientos de la Aplicación
Permite control total de la plataforma
Permanecer como Código Libre mejor que
tratar el programa a una plataforma particular.
Soporta Windows, Unix, Linux, Mac.
Permitir uso anidado dentro de una plataforma mayor.
La preferncia mayoritaria y personal es Python.
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigación

21. Arquitectura PICALO
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Soporte 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
interfaz grafico a usuario
(Código Libre)
Rutinas Nivel 2: DetecLets
Banderas Rojas Específicas
Manipulación Ofertas, Sobornos
y otros síntomas
(Diferentes licencias)
Rutinas Nivel 1: Análisis de Base
(Sort, Search, Select, Expresion, Tendencia, etc)
(Código Libre)

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

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

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

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

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

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

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

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

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

31. Módulo Financiero (Financial Module)
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
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

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

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

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

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

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

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