Recomendados
Recomendados
Más contenido relacionado
Destacado
Similar a Cómo el Análisis de Datos Combate el Delito Financiero
Similar a Cómo el Análisis de Datos Combate el Delito Financiero (20)
Más de Emily Mermell
Más de Emily Mermell (17)
Cómo el Análisis de Datos Combate el Delito Financiero
- 1. Cómo Emplear el Análisis de Datos para Combatir el Delito Financiero- Maximizar las Herramientas Analíticas en el Cumplimiento
- 2. Evolución en contexto de Análisis de Datos Documentacion y Almacenamiento • Reportes • Consultas Colaborativas Estadísticas, Análisis Predictivo • Seguimiento • Worklfow • BI y Gestión Manual Análisis en Tiempo Real Tiempo Real Multicanal - Gestión Batch o CuasiTiempo Real - Gestión en Tiempo Real y Alertas y Bloqueo Preventivo Análisis Masivo (BIG DATA) Generadores de Cambio en la Evolución: • Mayor Volumen de Información a Analizar, de múltiples fuentes y aplicaciones • Diversidad de Patrones Delictivos cuyo dinamismo dificulta su detección y prevención • Expansión de Canales de Servicio, presenciales y virtuales en dispersión geográfica • Necesidad imperativa de mitigación de pérdidas • Entorno Regulatorio de mayor alcance, oportuno y preciso.
- 3. Beneficios de Herramientas Analíticas Integrales En Función del Tiempo • Conectividad Versátil y Rápida • Ingestión de Fuentes de Información en Tiempo Real • Acciones del Usuario en forma de Autoservicio (Workflow) • Análisis de Casuística y Alertas con Eficiencia En Función del Resultado • Integridad y Consistencia en las estadísticas y reportes según lo ingerido • Capacidades de Bloqueo e Interrupción según la criticidad del caso (score) • Retroalimentación y Auto-Aprendizaje • Índices aceptables de : Falso Positivo y Porcentaje de Detección En Función del Contexto • Capacidad de Multi Canal, Multi Aplicación, Multi Regulación, Multi Entorno • Descubrimiento o sugerencia de afinamientos • KPI y KRI según unidad de negocio • Identificación de patrones o modus operandi emergentes • Mitigación Eficiente según el balance de Costo-Beneficio
- 4. Características de Tecnologías Analíticas Característica • Ingestión Datos • Interfases • Latencia • Integración • Contexto • Escalabilidad • Sofisticación • Exploración • Resultados • Volúmen • Expectativa • Accesibildad • Tipo de Datos • Alcance • Usuarios • Seguridad • Distribución Básica • Uni-fuente • Estándares • Batch • Construíble • Uni-Canal • In-Situ • Reportes • Interna • Información • Corporativo • Detección • Red • Estructurdos • Distribuído • Expertos • Passwords’ • Confidencial Avanzada • Multi-Fuente • Extendidas • Tiempo Real • Intrínseca • Multi-Canal • Nube • Recomendaciones • Social • Decisiones • Masivo • Predicción • Móvil, BYOD • No & Semi – Estructurados • Omnipresente • Auto-Aprendizaje • Biomética • Compartida &Colaborativa
- 5. Desafíos de las Herramientas Analíticas • Los Datos Masivos, es el nuevo recurso mundial en proceso de explotación. • La toma de decisiones crece de menos a más, demandando más insumos (Datos) y mayor agilidad. • La cantidad de Datos crece a mayor ritmo que las capacidades analíticas de lo sistemas
- 6. Generadores de Cambio Las herramientas analíticas para la Prevención y Cumplimiento requieren ajustarse a los siguientes desafíos: • Velocidad – En el proceso analítico de interacciones, transacciones y movimientos de datos. • Volumen – Los insumos de información a analizar son cada vez mayores • Variedad – Analizar datos estructurados, no estructurados, multimedia. • Veracidad – Los resultados inciertos son motivo de pérdidas, sanciones, o incumplimiento regulatorio.
- 7. Tendencias Para el 2015 el 80% de los datos existentes serán inciertos .. El acelerado ritmo de generación de información util, en interacciones multimedia en redes sociales, operaciones registradas en dominios exógenos, transacciones originadas en nuestros sistemas…nos empujan a revisar cuan precisas serán las decisiones a tomar.
- 8. Tendencias al 2015.. ANALISIS DE DATOS MASIVOS Optimiza Procesos Entorno Regulatorio Movilidad Social Media Integración Nube Volúmenes Datos
- 10. Cómo Emplear el Análisis de Datos para Combatir el Delito Financiero • Moderador: Matías Livachof Forensic Technology Manager KPMG LLP
- 11. Objetivos esenciales del uso de análisis de datos Identificación, preservación, recuperación, proces amiento y análisis de cualquier información que se encuentre estructurada, normalizada y/o codificada en formato digital, orientado a la generación de evidencia que pueda ser utilizada como prueba en una investigación, y eventualmente presentada como respaldo de acciones legales en un litigio.
- 12. Fuente de la informacion Sistema contable de la compañía (ERP), aplicaciones verticales propietarias o desarrolladas por otras compañías, interfaces entre sistemas, planillas de informes financieros.
- 13. Definición de datos • No estructurada: La encontramos en fuentes tales como documentos, el web o las suscripciones a servicios de información y en formatos muy diversos como texto, videos, audio o imágenes. • Estructurada: La que estamos acostumbrados a administrar y a procesar para el soporte de toma de decisiones: base de datos, hojas de cálculo, etc. • Normalizada: Conjunto de reglas que sirven para ayudar a los diseñadores a desarrollar un esquema que minimice los problemas de lógica. Es imprescindible para transferirla, almacenarla y recuperarla. • Codificada: Conversión de los signos de nuestros lenguajes a un lenguaje predeterminado (Ej: los códigos de usuario podrían estar codificados).
- 14. Características del proceso de análisis de datos Un proceso que… • Recolecta diferentes base de datos, relacionadas o no entre sí, que la organización genera rutinariamente en el curso normal de los negocios. • Identifica tendencias y/o patrones a través de rutinas de comparación, sumarización y agrupación de la información. • Examina los análisis realizados para detectar indicadores de riesgo, transacciones o eventos inusuales, tradicionalmente indicativo de fraude o falta de ética profesional. • Provee información relevante que le permite a la Compañía concentrar sus recursos en las transacciones que consideren que representen un potencial riesgo para ellos y que podrían implicar un impacto económico en sus reportes financieros.
- 15. Valor de un reporte de análisis de datos • El valor aumenta con su uso • No es un recurso escaso • Es fuente de información en la generación de nuevo conocimiento
- 16. Ejemplo
- 17. Ejemplo
- 18. Metodología Forense • Adquisición, Control de Integridad Contable y Mapeo de Datos • Evaluación de indicadores de riesgos de fraude y conductas irregulares • Rutinas y pruebas • Identificación de tendencias y patrones inusuales o anómalos • Análisis de transacciones preidentificadas
- 20. Sesión I – Análisis de Datos para Combatir el Delito Financiero Agenda Tecnología forense para no especialistas: conceptos básicos Fases del e-Discovery: Metodología de Análisis Proactivo de Datos Reportes Financieros - Áreas de análisis Análisis de Asientos Manuales Anti Money Laundering
- 21. El punto de partida: Qué es la evidencia digital? Email Temporales de Internet Historial de chats Planilla de cálculo Evidencia Electrónica Videos Documento de texto …Otros Fotos “Digital Evidence: Information of probative value stored or transmitted in digital form.” (fbi.gov) “Digital evidence or electronic evidence is any probative information stored or transmitted in digital form that a party to a court case may use at trial” (Casey, Eoghan (2004). Digital Evidence and Computer Crime)
- 22. Situación 1. El “Hardware”, o la fuente de evidencia Identificar medios de almacenamiento de datos electrónicos: INTERNOS, EXTERNOS, SERVIDORES (locales, remotos, Cloud-services), SERVICIOS CON TERCEROS
- 23. Situación 2. Demasiada información (10 ^21)
- 24. Situación 3. La importancia de la respuesta inicial Seguridad física: •Locación física de la evidencia •Quien accedió antes a la “escena del crimen”? •Quién está presente? •Se cuenta con la autorización necesaria? Existe alguna hecho que pueda limitar nuestro trabajo? Invalidarlo? Asegurando el perímetro: •Fotografiar el área de trabajo •Establecer el perímetro Asegurando el sistema: •Documentar el estado actual del sistema (encendido?) •Documentar tipo de equipamiento (PC, Server, otro?) •Documentar dispositivos conectados – etiquetar conexiones
- 26. La identificación y preservación de evidencia electrónica Identificación Preservación Análisis Revisión Producción
- 27. Identificación Preservación Análisis Revisión Producción •Origen de la evidencia electrónica: computadoras, celulares, tablets, memorias, servidores, nube, terceros, backup tapes, memorias USB, virtual drives, SAN, discos rígidos externos, CD, DVD, diskettes, SIM, etc. •Evidencia Hard-Copy: legajos, carpetas, comprobantes, etc. •Entrevistas con personal de la organización. •Acuerdos iniciales (evaluación de datos “razonablemente Accesibles”) •La criticidad respecto de la oportunidad. •Consentimiento del individuo.
- 28. Cloud / Nube Identificación TAREAS PREVIAS •Se requiere analizar los contratos de la compañía con el proveedor. •Aspectos legales de la jurisdicción entre países y multipropiedad (Proveedor del servicio - Cliente) POSIBLES LIMITANTES •No se puede disponer del control de los datos. •No hay acceso a la infraestructura física. •Sistemas virtuales y compartidos con otras empresas ajenas al caso. •Normalmente no suelen cooperar (normalmente requieren actuación judicial). •Dificultades en la obtención de pruebas forense (obtención de logs, explotación, evidencias dispersas). ES CONVENIENTE •Disponer de un sistema centralizado de logs infraestructura y aplicación. •Procedimientos claros para empleados y proveedores del servicio. •Procedimientos legales y técnicos para la adquisición de datos o discos en la nube y/o su cadena de custodia.
- 29. E-Discovery La identificación y preservación de la evidencia electrónica BYOD (Bring Your Own Device) DESAFIOS: Identificación • Identificar dispositivos “personales” • Analizar las políticas corporativas de administración y acceso a la información corporativa. • Separar información corporativa de la privada • Oportunidad para disponer de los datos (oportunidad).
- 30. Identificación Preservación Análisis Revisión Producción •Preservación de evidencia a través de herramientas forenses •Técnicas de protección de escritura (“Write-Blocking”) •Apagar el sistema, si o no? •Inicio de la Cadena de Custodia •Intervención de un Escribano Público •Control de Integridad •Producto final: copia forense “bit-a-bit”
- 31. Identificación Preservación Análisis Revisión Producción •Control de Integridad o “autenticación” de la evidencia: •Demostrar la autenticidad de la evidencia recolectada, a través de la aplicación de procedimientos y técnicas de “hashing” que permitan asegurar que la evidencia obtenida es idéntica a la evidencia original. •Irreversibilidad y colisión •Algoritmos matemáticos más usados: MD5, SHA-1. •Control de Confidencialidad: •Cifrar siempre •Cifrado fuerte (>256 bits) •Cifrado de dos factores
- 32. Identificación Preservación Análisis Revisión Producción Análisis y revisión de la evidencia electrónica •No modificar la evidencia !!! •Recuperar documentos, e-mails eliminados,…. •Identificar información oculta / cifrada •Identificar archivos con extensiones modificadas •Artefactos de Internet (historial, redes sociales, otras) •Identificar imágenes / planos / docs. Escaneados, etc.
- 33. Identificación Preservación Análisis Revisión Producción •No modificar la evidencia !!! •El volumen no es un problema •Eliminación de información duplicada •Early Case Assessment (ECA) •Filtros inteligentes: •Listas de palabras clave •Rangos de fecha •Tipos de archivos •Cualquier otro filtro que se necesite en función al caso •Etiquetado (“tagging”) •Redacción de datos “sensibles/PII”
- 35. Identificación La producción de la evidencia electrónica Preservación Análisis Revisión Producción •No modificar la evidencia !!! •Análisis de datos para comenzar la producción: •Estimación de tiempos y costos •Identificación de los requerimientos de producción (legislación local o internacional en cuanto al formato) •Pros y contras de los formatos nativos vs. formato imagen/papel •Bates stamping •Registros de auditoría de lo producido
- 36. E-Discovery Consideraciones finales Conclusiones: •Es difícil imaginar una investigación, sin herramientas de tecnología forense, que permitan cubrir las necesidades en cuanto al manejo de evidencia electrónica. •Se requiere actualización técnica continua para seguir de cerca el avance inminente de la tecnología. •No olvidar la intervención del notario público. •Alcanzar el éxito en una investigación forense depende en gran medida de las metodologías aplicadas, procedimientos definidos, profundo know-how técnico y experiencia del equipo de profesionales a cargo. •Lo fácil es difícil, y lo difícil es… más difícil. El error es sencillo de cometer: contaminación o destrucción de evidencia, aspectos legales relacionados con la privacidad de los datos, dinámica del avance tecnológico, relación costo-beneficio del caso, etc.
- 38. Forensic Data Analysis - Definición Objetivos esenciales: Identificación, preservación, recuperación, procesamiento y análisis de cualquier información que se encuentre estructurada, normalizada y/o codificada en formato digital, orientado a la generación de evidencia que pueda ser utilizada como prueba en una investigación, y eventualmente presentada como respaldo de acciones legales en un litigio. Fuente de la información: Sistema contable de la compañía (ERP), aplicaciones verticales propietarias o desarrolladas por otras compañías, interfaces entre sistemas, planillas de informes financieros. 38
- 39. Forensic Data Analysis – Características • Un proceso que… • Recolecta diferentes base de datos, relacionadas o no entre sí, que la organización genera rutinariamente en el curso normal de los negocios • Identifica tendencias y/o patrones a través de rutinas de comparación, sumarización y agrupación de la información • Examina los análisis realizados para detectar indicadores de riesgo, transacciones o eventos inusuales, tradicionalmente indicativo de fraude o falta de ética profesional, • Provee información relevante que le permite a la Compañía concentrar sus recursos en las transacciones que consideren que representen un potencial riesgo para ellos y que podrían implicar un impacto económico en sus reportes financieros Valor de un reporte de Forensic Data Analysis: El valor aumenta con su uso Es fuente de información en la generación de nuevo conocimiento 39
- 40. Archivo nómina de empleados - Dato no informado ID empleado duplicado Fecha contratación es anterior a fecha de nacimiento
- 41. Archivo de Nómina Sueldo bruto muy alto Empleado con más de un sueldo y diferentes números de cheque Números de cheque no consecutivo ID empleado inusual
- 42. Metodología Adquisición, Control de Integridad Contable y Mapeo de Datos Evaluación de indicadores de riesgos de fraude y conductas irregulares Elaboración y ejecución de pruebas Identificación de tendencias y patrones inusuales o anómalos Análisis de transacciones preidentificadas
- 43. Datos del Cliente Producto de Entrega Proceso Analítico Cuentas por Pagar Tarjetas de Crédito Nómina Creación de perfiles de riesgo de fraude basados en controles Bases de datos externas* Horas y Gastos Cuentas por Cobrar Inventario Obtención de datos Normalización Validación Caracterización de datos Selección de procesos Adaptación Ejecución del análisis automatizado Ventas Provisiones y Reservas Algoritmos de detección de fraude Experiencia investigativa Informe de potenciales indicadores de fraude relacionados con: • Proveedores • Empleados • Clientes • Transacciones • Cuentas • Impacto económico Asientos en el Libro Diario Datos de Clientes *De acuerdo con cada país. Sujeto a la disponibilidad y a la legislación y normas locales. 43
- 44. FORENSIC DATA ANALYSIS Obtención de indicadores según modalidades comunes de fraude
- 45. FDA – Indicadores de irregularidades en Asientos Manuales Análisis - Día de la semana Importe registrado 70000 60000 50000 40000 30000 20000 10000 0 Monday Tuesday Wednesday Thursday Friday Saturday Sunday NULL Análisis - Horarios de registración 35000 Importe registrado 30000 25000 20000 15000 10000 5000 0 12AM 2AM 4AM 6AM 8AM 10AM 12PM 2PM 4PM 6PM 8PM 10PM NULL 45
- 46. FDA – Indicadores de irregularidades en Asientos Manuales ¿Actividad inusual? •Usuarios – Actividad mensual $14,000,000,000.00 $12,000,000,000.00 FY 2004 - 1 FY 2004 - 2 $10,000,000,000.00 FY 2004 - 3 FY 2004 - 4 FY 2004 - 6 $8,000,000,000.00 FY 2004 - 7 FY 2004 - 8 $6,000,000,000.00 FY 2004 - 9 FY 2004 - 10 FY 2004 - 11 $4,000,000,000.00 FY 2004 - 12 FY 2005 - 1 $2,000,000,000.00 $0.00 BARRYMASON HARRYANGLE LANDIESWALKER LONNYLANG NAPOLEONANDERSON ¿Sus permisos son necesarios? TYLERINGRAM
- 47. FDA – Indicadores de irregularidades en Asientos Manuales Registraciones posteriores a la fecha de cierre contable 14000 Cantidad de líneas 12000 10000 8000 6000 4000 2000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 Cantidad de días p osteriores a la finalización del p eríodo contab le
- 48. FDA - Indicadores de irregularidades en Asientos Manuales M illiones $800 Importes registrados Imputaciones manuales en cuentas de resultado positivo $400 $600 $200 $0 ($200) ($400) ($600) ($800) Débitos Créditos Cierres de períodos 48
- 49. FDA - Indicadores de irregularidades en Asientos Manuales 211100 Provisiones 211103 Previsiones $400.000,00 $2.000.000,00 $1.500.000,00 $300.000,00 $1.000.000,00 $200.000,00 $100.000,00 Importes Importes $500.000,00 Dr Cr Dr Cr $0,00 -$500.000,00 $0,00 -$1.000.000,00 -$100.000,00 -$1.500.000,00 -$200.000,00 -$2.000.000,00 Abr-05 May-05 Jun-05 Jul-05 Ago-05 Sep-05 Oct-05 Nov-05 Dic-05 Abr-05 May-05 Jun-05 Jul-05 Periodo 1800000 Previsiones Sep-05 Oct-05 Nov-05 Dic-05 121510 Previsión deudores incobrables $0 -$10.000 Ago-05 Periodo $200.000,00 1 $100.000,00 -$20.000 $0,00 -$40.000 -$50.000 -$60.000 Dr Cr -$70.000 Importe Importe -$30.000 -$100.000,00 Dr Cr -$200.000,00 -$80.000 -$90.000 -$300.000,00 -$100.000 09/30/2005 -$400.000,00 Periodo -$500.000,00 Abr-05 May-05 Jun-05 Jul-05 Periodo Ago-05 Sep-05
- 50. FDA - Indicadores de irregularidades en Asientos Manuales Cantidad de líneas Población inusual de registraciones con los primeros dos dígitos: 10, 25, 30, 50, etc. Primeros dos dígitos Ley de Benford
- 51. Indicadores que se pueden obtener •Empresas que no se pudieron obtener su constancia de inscripción de la AFIP: CUIT xxxx1 xxxx2 xxxx3 xxxx4 xxxx5 xxxx6 xxxx7 xxxx8 xxxx9 xxxx10 xxxx11 Razón Social Nombre 1 Nombre 2 Nombre 3 Nombre 4 Nombre 5 Nombre 6 Nombre 7 Nombre 8 Nombre 9 Nombre 10 Nombre 11 AR$ año X1 Observación según AFIP $ 14,892,127.24 No registra impuestos activos $ 11,723,237.96 Estado erroneo del domicilio $ 7,000,032.48 Estado erroneo del domicilio $ 6,490,614.42 Estado erroneo del domicilio $ 4,649,460.87 Estado erroneo del domicilio $ 4,558,277.66 Debe responder requerimientos pendientes $ 3,073,199.19 Debe responder requerimientos pendientes $ 3,005,532.59 Estado erroneo del domicilio $ 2,502,555.19 Estado erroneo del domicilio $ 2,271,133.70 Debe responder requerimientos pendientes $ 2,235,683.69 Debe responder requerimientos pendientes •Asientos inusuales: Nro. Asiento Observación JE55587G504941 - Cuenta Rubro Descripción Cuenta Importe Débito Importe Crédito JE52441G438900 Hora de registración: 4 A.M. - Pasivo Prov. para conting. $ 1001PCVA00014015002 Egresos Ajuste por robos y siniestros $ Pasivo $ 1001OGRL00019460003 Ingresos Otros Ingresos Varios $ 10092220001 JE55586G504941 $ 10092214004 - Egresos Egresos Excepcionales 10092220002 JE55750G506883 1001OGRL00019460006 Pasivo Prevision para Juicios $ 10092217007 Pasivo Gratificaciones a pagar $ 1001OHRE00016110005 Egresos Gratificaciones Prov. Facturas Manuales $ 2,890,000.00 $ - $ 560,000.00 $ - $ 705,400.00 $ - $ 693,982.00 $ - $ 2,890,000.00 560,000.00 705,400.00 693,982.00
- 52. FDA – Ranking de Asientos Manuales • Horarios Nocturnos • Asientos desbalanceados • Reclasificaciones • Fines de semana • Cuentas poco usadas • Ley de Benford • Feriados • Ajustes • Montos que superen la • Números redondos • Reversiones materialidad
- 53. Detección Proactiva de Transacciones Inusuales Modelo de scoring Bases AML Datos filiatorios externos Información Crediticia Fuentes Judiciales Base de PEPs Nomenclador Actividades Cruces de información Base Integral de Monitoreo Etapa de detección Transacciones Inusuales Segmentación de la BD por actividades de riesgo Análisis de los casos Análisis de conductas transaccionales Reporte Interno Etapa de reporte Reporte externo de sospechas confirmadas 53
- 54. Preguntas
- 55. Matías Livachof Forensic Technology Manager KPMG Miami Tel. +1 305 913 2768 e-mail: malivachof@kpmg.com Raul Saccani Forensic Senior Manager KPMG Buenos Aires Tel. +54 11 4316-5745 e-mail: rsaccani@kpmg.com.ar
Notas del editor
- · Ventajasqueofrecenlasnuevastecnologías de análisis de datos en comparación con los sistemastradicionales de administración de datos· ¿Son lasherramientas de análisis de datosvaliosas y útiles solo paralasgrandesorganizaciones o también se puedenbeneficiarlasinstitucionesmáspequeñas?· Cómolasherramientas de análisis de datospuedenayudar a descubrirpatrones de delitosfinancierosescondidos o emergentes
- · Ventajasqueofrecenlasnuevastecnologías de análisis de datos en comparación con los sistemastradicionales de administración de datos· ¿Son lasherramientas de análisis de datosvaliosas y útiles solo paralasgrandesorganizaciones o también se puedenbeneficiarlasinstitucionesmáspequeñas?· Cómolasherramientas de análisis de datospuedenayudar a descubrirpatrones de delitosfinancierosescondidos o emergentes