Академический Документы
Профессиональный Документы
Культура Документы
RD 2015/11/05
Ing. Carlos Carrion
Deteccin de Fraude
Breves Historias de fraude
Esquema de la visin de Herramientas
Arquitectura de Picalo
Ejemplo de Cdigo y como trabaja
Direcciones futuras de investigacin
Solicitud de Ayuda
DetectLets con Picalo
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
Trabajadores SuperHumanos
Resumen de Horas (Normal, Extras, Doble Extra) para
periodo de 2 semanas, independiente de factura o tarjeta
de tiempos.
Los trabajadores iniciaron sesin de horas en 2 tarjetas de
tiempo para trabajos simultneos.
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Historia Contable:
1940 Declaracin 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, versin 1940)
1961: Si las diez normas (auditora) ahora aceptadas fueron
satisfactorias para su propsito no tendramos las peticiones
de orientacin para extender la responsabilidad (auditores)
para la deteccin de irregularidades que ahora encontramos
en nuestra literatura profesional.
1997 SAS 82.
2002 SAS 99.
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Historia de Investigacin del Fraude:
Excelente revisin de la literatura por Nieschwiestz, Shultz &
Zimbelman (2000):
- Quin comete fraude.
- Banderas rojas
- Espacio de expectativas
- Expectativas del auditor
- Teora de Juegos entre Auditor y la Gerencia
- Relaciones Auditor/Cliente
- Valoracin del Riesgo y Ayudas en la Decisin
- Factores gerenciales que afectan el fraude
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Fraude EF utilizando Anlisis de Relacin.
- Hansen, et al (1996) desarroll un modelo generalizado de
respuesta cualitativa desde las fuentes internas.
- Green y Choi (1997) usaron redes neuronales para clasificar
casos fraudulentos.
- Summers y Sweeny (1998) identificaron Fraude EF usando
informacin interna y externa.
- Benish (1999) desarroll un modelo Probit utilizando
relaciones (radios) para identificacin de fraude.
- Bell y Carcello (2000) desarroll un modelo de regresin
logistica para identificar fraude.
- Trabajos actuales por McKee, por Cecchini y por Albrecht.
- Ninguno ha encontrado la bala de plata usando
informacin externa para identificar fraude.
- Fraude de Gerencia (EF o FS) es muy difcil de encontrar.
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Cuales son las cuatro grandes acciones a realizar?
- Cada firma parece tener diferentes grupos de trabajo para la
deteccin de fraude.
- Ningn modelo de mejores prcticas ha emergido.
- Auditores de TI realizan pruebas de control en sistemas de
empresas, sin deteccin de fraude.
- Reuniones con Bill Titera de E&Y.
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Porque NO se encuentra el fraude?
- Tiempo limitado
El recurso ms precioso es la atencin a brindar.
- Historia
Uso intensivo de muestreo, falta de detalles.
Falta de histrico de instruccin en la deteccin de fraudes
- Escaza experiencia en los sntomas de fraude.
- Falta de herramientas especficas para fraude.
- Muy pocas habilidades de anlisis.
- Falencia de experiencia en tecnologa aplicada.
- Auditores encuentran 20 a 30 % de fraude.
Reporte ACFE 2004
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Hay una forma mejor?
Requerimientos de tiempo razonable
Integracin de IA y AutoDeteccin
Al alcance de la mayora de los Auditores
(No se requieren habilidades tcnicas elevadas)
Facilidad de Integracin en diferentes
esquemas de bases de datos
Costo Efectivo
RD 2015/11/05
Ing. Carlos Carrion
Plataforma de Investigacin
Plataforma de Investigacin
Demostracin de DectecLet
- Manipulacin de ofertas cuando una sola persona
se encarga y prepara todas las compras y ventas.
- DBMS (MS Access, MySQL, Oracle, SQL Srv, PostGre)
- Software ACL o IDEA o Picalo
- Construir los Cimientos de la Aplicacin
Permite control total de la plataforma.
Permanecer como Cdigo Libre mejor que tratar
el programa en una plataforma particular.
Soporta Windows, Unix, Linux, Mac.
Permitir uso anidado dentro de una plataforma mayor.
La preferencia mayoritaria y personal es Python.
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 de PICALO
Estructuras de Datos
Mdulo Simple
Mdulo Benford
Mdulo de Tabla Cruzada
Mdulo de Base de Datos
Mdulo Financiero
Mdulo de Agrupamiento
Mdulo de Tendencia
Librerias Python
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Estructuras de Datos (Data Structures)
El objeto Tabla (Table):
- Es la estructura de datos bsica. Picalo provee una
solucin abierta que puede mejorar cada vez, colocando un
juego de herramientas especficas de fraude en manos de
auditores.
- Casi todas las rutinas de entrada y salida de tablas, les
permite ser encadenadas.
- Sus mtodos incluyen: Clasificacin (sort), operaciones de
columna, operaciones de fila, importar/exportar desde o a
formatos de texto delimitado o Excel..
Tipos de Columna incluye:
- Lgico (Booleano), Entero (Integer), Punto Flotante
(Floating Point), Fecha (Date), FechaTiempo (DateTime),
Cadena de caracteres (String).
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Simple (Simple Module)
SM
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Benford (Benfords Module)
BF
calc_benford:
- Calcula la probabilidad para un simple dgito.
get_expected:
- Calcula la probabilidad para un nmero total.
analyze:
- Analiza un entero conjunto de datos (data set) y Calcula
resumen de resultados.
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo de Tabla Cruzada (CrossTable Module)
CT
pivot:
- Similar a la funcin Excel de tabla llamada PIVOT.
pivot_table:
- Realiza el pivote de tabla y mantiene resultados en un
diccionario mejor que en cuadrcula.
pivot_map_detail:
- Realizar el pivote de tabla y mantiene resultados en una
forma muy detallada usando un diccionario.
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo de Base de Datos (DataBase Module)
DB
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Financiero (Financial Module)
FN
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Financiero (Financial Module)
FN
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Financiero (Financial Module)
FN
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
FN
Dividendo_Prefrd)/(Patrimonio
Bono_Prefrd)
Profit Margin:
- Margen de Beneficio
Utilidad_Neta / Ventas
Earnings per share:
- Ganancias a Distribuir
(
Ingreso_Neto
Promedio_Pond_Accn
Dividendo_Prefrd
/
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo Financiero (Financial Module)
Assets turnover:
- Rotacin de Activos
Ventas / Total_Activos
FN
Inventory turnover:
- Rotacin 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
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
GR
stratify:
- Estratifica una tabla en N nmero de tablas.
stratify_by_expression:
- Estratifica una tabla utilizando una expresin arbitraria.
stratify_by_value:
- Estratifica sobre unos valores nicos.
stratify_by_step:
- Estratifica basado en establecer rango numrico.
stratify_by_date:
- Estratifica basado en un rango de fechas.
Summarizing es similar a SQL GROUP BY, pero permite
cualquier tipo de funcin a ser utilizada para toralizar (GROUP
BY generalmente solo permite sum, stdev, mean, etc).
Esto puede ser realizado en las mismas formas que la
estratificacin.
RD 2015/11/05
Ing. Carlos Carrion
Nivel 1 PICALO
Mdulo de Tendencias (Trending Module)
TD
Nivel 1 PICALO
Libreras Python
Lenguaje de programacin poderoso y fcil con una
comunidad significativa en lnea.
- Tiene soporte Orientado a Objetos Total.
- Rutinas de Manipulacin y Anlisis de Texto.
- Rutinas de malla para sitios web.
- Rutinas de Anlisis de correos (emai).
- Generador de nmeros aleatorios.
- Conexin con casi todas las Bases de Datos.
- Mantenimiento y Desarrollo de sitios web.
- Innumerables librerias disponibles en lnea
(casi todas cdigo abierto).
RD 2015/11/05
Ing. Carlos Carrion
E
P
A
R
V
Employees:
- Casos de fraude invidividual, colectiva para regir la
nmina y pagos de honorarios en la empresa.
Payments:
- Situaciones de los cheques emitidos que pueden producir
dolo o diferencias en contra.
Procurement:
- Sospechas de fraude en las rdenes de compra.
Products:
- Desviaciones en precio, rotacin y calidad de productos
que la empresa requiere.
Vendors:
- Casos de proveedores y sus datos que potencialmente
es necesario analizar y registrar.
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
A1
A2
A3
A4
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
RD 2015/11/05
Ing. Carlos Carrion
V1
V2