Deteccin de Fraude

Herramientas para una

mejor deteccin de fraude

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

Dos Tipos de Fraude

En FAVOR de la Organizacin
- La manipulacin de los estados
financieros para hacer ver mejor a la
empresa ante las partes interesadas.
- Tambien llamada fraude de
Administracin o de EF (FS Financial
Statements).
En CONTRA de la Organizacin
- Robo de activos, de informacin, etc.
- Tambin 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 aos con 2,608 fraudes
totalizaron 15 billones de dlares.
- 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 organizacin 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% estara dispuesto a convertir en
cmplice, pero slo el 43% lo hacen.
- Los empleadores perdieron 20 centavos por
cada dlar debido al fraude laboral.
- Tipos de Fraude:
Robo de artculos 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

Costo del Fraude

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

Costo del Fraude: Ejemplos

Fabricante de Automviles.

Fraude $436 millones

Margen de Beneficio = 10%
Ingresos necesarios $4.36 Billones
En $20,000 por auto,
218,000 autos
Banco de escala mayor.
Fraude $100 millones
Margen de Beneficio = 10%
Ingresos necesarios $1 Billn
En $100 por ao de cuenta corriente,
10 millones de cuentas nuevas
RD 2015/11/05
Ing. Carlos Carrion

Caso reciente de Fraude

- Gran fraude de $2.6 billones a lo
largo de 9 aos.
Ao 1 $600 mil
Ao 3 $4 millones
Ao 5 $80 millones
Ao 7 $600 millones
Ao 9 $2.6 billones
- En los aos 8 y 9, cuatro de los
bancos
ms
grandes
estuvieron
involucrados
y
perdieron
ms
de
$500
millones.

Algunas de las organizaciones involucradas:Merril Lynch, Chase, J.P.

RD 2015/11/05
Morgan, Union Bank of Switzerland, Credit Lynnaise, Sumitomo y otros.
Ing. Carlos Carrion

Cada Persona tiene un precio

Abraham Lincoln una vez ech a un hombre
fuera de su oficina, muy enojado
rechazando un soborno sustancial. Cada
hombre tiene su precio, explic Lincoln, y
el se estaba acercando al mio.

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

Ejemplos de Deteccin 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.
Resultados de determinacin:
Consejo declar que los sobornos se estaban produciendo
con una determinada empresa.
Se investig y determinaron cual comprador autoriz los
trabajos.
El equipo contratista y el comprador de la compaa eran
familiares.
Anlisis de Datos:
Incrementos sistemticos en los costos.
Picos inesperados en el gasto.
Los aumentos solamente en una parte de una tendencia.

Muchas veces son atrapados por delacin directa o

indirecta, por ej. su piscina y ostentacin.

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

Pistas de Deteccin (DectecLets)

- Un DetectLet codifica:
Informacin de base en esquema.
Detalle de un indicador especfico del esquema.
Asistente de interfaz para que usuario vaya a traves
de la seleccin 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 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

Plataforma de Soporte PICALO

Arquitectura PICALO

Rutinas Nivel 3: Sistema Experto

Ontologas basado en Reglas y Lgica
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
(Cdigo Libre)
Plataforma cruzada del
Rutinas Nivel 2: DetecLets
interfaz grafico a usuario
Banderas Rojas Especficas
(Cdigo Libre)
Manipulacin Ofertas, Sobornos
y otros sntomas
(Diferentes licencias)
Rutinas Nivel 1: Anlisis de Base
(Sort, Search, Select, Expresion, Tendencia, etc)
(Cdigo Libre)
RD 2015/11/05
Ing. Carlos Carrion

Plataforma de Soporte PICALO

Arquitectura PICALO

RD 2015/11/05
Ing. Carlos Carrion

Plataforma de Soporte PICALO

Como DetectLets dirigen el Problema
Tiempo Limitado:
- DetectLets proveen un asistente interfaz para ejecucin
rpida; que pueden ser encadenados y automatizados en un
gran sistema.
Alto Costo:
- DetectLets estn basados como Software de Cdigo
Libre, colocndolos a disposicin de pequeas y grandes
empresas; permitiendo adems crear un entorno comunitario
para deteccin de fraude.
Escaza Experiencia en sntomas de fraude:
- DetectLets provee una gran librera de rutinas disponibles
para que los auditores se encarrilen y caminen a traves del
proceso de deteccin.
RD 2015/11/05
Ing. Carlos Carrion

Plataforma de Soporte PICALO

Como DetectLets dirigen el Problema
Falta de herramientas especficas de fraude:
- Picalo provee una solucin abierta que se puede mejorar
cada vez; colocando un juego de herramientas especficas de
fraude en manos de auditores.
Muy pocas Habilidades de Anlisis:
- DetectLets codifica totalmente los algoritmos y los
decodifica, permitiendo al auditor permanecer en el nivel
conceptual mejor que en el nivel de implementacin.
Falencia de experiencia en tecnologa aplicada:
- DetectLets provee una solucin modo asistente que es
fcil de utilizar; Picalo permite un interfaz de usuario tipo
Excel.
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

Provee como operaciones bsicas:

- Juntura (joining), bsqueda exacta (matching), bsqueda
inexacta (fuzzy matching) y seleccin (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.

RD 2015/11/05
Ing. Carlos Carrion

Nivel 1 PICALO
Mdulo Benford (Benfords Module)

BF

Provee anlisis de la cantidad de valores segn la

formulacin de Benford:

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

Provee resumen agrupado de datos por caractersticas:

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

Provee conexin 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
Adems incluye varias funciones de ayuda a consultas (query),
tales como creacion (query creation), anlisis de resultdados
(results analysis)

RD 2015/11/05
Ing. Carlos Carrion

Nivel 1 PICALO
Mdulo Financiero (Financial Module)

FN

Calcula varias proporciones o razones (radios) financieras

para ayudar en el anlisis 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 comn
Profit Margin: Margen de Beneficio
Earnings per share: Ganancias a Distribuir
Assets turnover: Rotacin de Activos
Inventory turnover: Rotacin de Inventarios
Debt to Equity: Deuda a Patrimonio
Price Earnings: Tasa de Ganancias sobre Precio

RD 2015/11/05
Ing. Carlos Carrion

Nivel 1 PICALO
Mdulo Financiero (Financial Module)

FN

Calcula varias proporciones o razones (radios) financieras

para ayudar en el anlisis 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 comn
Profit Margin: Margen de Beneficio
Earnings per share: Ganancias a Distribuir
Assets turnover: Rotacin de Activos
Inventory turnover: Rotacin de Inventarios
Debt to Equity: Deuda a Patrimonio
Price Earnings: Tasa de Ganancias sobre Precio

RD 2015/11/05
Ing. Carlos Carrion

Nivel 1 PICALO
Mdulo Financiero (Financial Module)

FN

Calcula varias proporciones o razones (radios) financieras

para ayudar en el anlisis 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

RD 2015/11/05
Ing. Carlos Carrion

Nivel 1 PICALO

FN

Mdulo Financiero (Financial Module)

Return on equity ROE:
- Retorno sobre Ingresos Propios
Ingreso_Neto / Patrimonio

Return on common equity:

- Retorno sobre patrimonio comn
(Ingreso_Neto

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

Mdulo de Agrupamiento (Grouping Module)

Estratifica con detalles el fondo de SQL GROUP BY.
Mantiene las tablas de detalle mejor que sumarizarlas.

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

Varias formas de analizar tendencias y patrones en el

tiempo.
cusum:
- Tcnica (suma acumulada) para deteccion de puntos de
cambio en tendencias.
highlow_slope:
- Mtodo de pronstico Punto_Alto/Punto_Bajo de valores.
average_slope:
- Mtodo de la recta con pendiente promedio.
regression:
- Tendencia de medicin extrema con proximidad a la
media de la siguiente medicin.
handshake_slope:
- Aproximacin por enlace de puntos cercanos.
RD 2015/11/05
Ing. Carlos Carrion

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

DetectLets con PICALO

En version 4.35 ambiente Windows
Agrupados en base a los casos de fraude aportados

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

DetectLets con PICALO

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

DetectLets con PICALO

Agrupados en base a los casos de fraude aportados

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Payments (Pagos)

Cheques cancelados fuera de secuencia:

- Saltos en la numeracin consecutiva de cheques.
Cheques pagados a Efectivo o Cash:
- Casos en nombre beneficiario con sentido de efectivo.
Comparacin de Cuentas de Depsito Directo:
- Para verificar otros pagos realizados bajo mismo motivo.
Rembolsos de gastos duplicados:
- Sospechas en reponer valores pagados previamente.
Gastos mdicos facturados pero no realizados:
- Incidencias de facturas mdicas sobre algo no ejecutado.
Pagos realizados a facturas con secuencia sospechosa:
- Uso de secuencias de factura sospechosas.
Totales de Factura y Pago diferentes:
- Casos de que se paga diferente valor al total de factura.
Demasiados cheques anulados:
- Puede causar reuso de cheque para pagar otros valores.

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Agrupados en base a los casos de fraude aportados

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Procurements (Adquisiciones o Compras)

A1

Ofertas aceptadas despus de fecha acordada:

- Sospechas de preferencia de ciertas ofertas.
Ofertas estimadas con variacin significativa en precios de
producto:
- Precios por item en ofertas aparecen altos al comparalos.
Ofertas removidas durante la revisin tcnica:
- Sospechas de preferencia de ciertas ofertas.
Resumen por proveedor:
- Ofrecer parmetros de ofertas y proveedores que ganan.
Ofertas con idnticos montos en detalle por item:
- Sospecha de maquillaje de ofertas basada en otras.
Ofertas con precios de items que son porcentualmente
derivados de otra ofertas:
- Uso posible de ofertas para preparar ganadora.
RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Procurements (Adquisiciones o Compras)

A2

Conexiones entre ofertantes:

- Casos de colusin o mismos ofertantes con diferente
nombre.
Ofertas excesivamente altas en valor:
- Sospechas de preferencia de ciertas ofertas.
Apellidos de Ofertantes similar al de Evaluadores:
- Para tapar conflicto de intereses aparecen parientes.
Instrumento de Seguridad Incremental:
- A traves de secuenciamiento ver si maquillan ofertas.
Ultimo ofertante ganador:
- Ofrecer parmetros de ofertas ganadoras y patrn.
Mltiples Ofertas en mismo da:
- Misma fecha aparecen ofertas elaboradas y entregadas.
RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Procurements (Adquisiciones o Compras)

A3

Compras ligeramente menores al umbral determinado:

- Posible maquillaje de ofertas.
Compras ligeramente menores al umbral de total por
Proveedor:
- Casos de maquillaje de ofertas y favoritismos.
Patrn de retiro de oferta con valor mas bajo:
- Sospecha de conspiracin por quitar oferta conveniente.
Rotacin de Oferta Ganadora:
- Para establecer patrn de posible colusin.
Precios similares en las ofertas:
- Posible maquillaje de las ofertas.
Oferta simple en proyecto con exceso del umbral:
- De 1 oferta comparar el patron de valores bajo umbral .
RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Procurements (Adquisiciones o Compras)

A4

Oferta simple en proyecto con exceso del umbral del total

por proveedor:
- Rotura de oferta para ofrecer preferencia a ganador.
Verificar total de oferta con total del detalle de factura:
- Posible suma diferente del detalle con total oferta.
Oferta ganadora apenas menor:
- Casos de maquillaje de ofertas y favoritismos.
Oferta ganadora NO es la oferta con mas bajo valor:
- Sospecha de preferencia a proveedor.
Oferta ganadora NO con menor total por proveedor:
- Para establecer patrn de posible colusin.

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Agrupados en base a los casos de fraude aportados

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Products (Productos)

Incremento anormal en precios de producto:

- Para detectar aumento de precio sin justificacin.
Comparacin de precios con productos similares:
- En misma categora busca diferencias extremas de
precio entrel ellos.
Retornos o devoluciones excesivas:
- A traves de los costos y los precios determina exceso de
devoluciones.
Devoluciones significativas de producto:
- Indicador de fraude determinado por cantidad de
devoluciones.

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Agrupados en base a los casos de fraude aportados

RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Vendors (Proveedores)

V1

Comparar Datos de Empleado con los de Proveedor usando

Coincidencia Parcial:
- Para detectar relacin de identificacin entre Empleado y
proveedors por leves diferencias en datos.
Crear nmeros bajo Ley de Benford:
- A modo de ejemplo genera m nmeros de n digitos
regidos por la Ley de Benford.
Hallar Grupos de nmeros fabricados o inventados:
- A traves de ley de Benford para n digitos por columna y
estratifica para analizar si cumple o no.
Encontrar Proveedores con nmeros de factura secuencial:
- Sospecha de secuencias factura por proveedor
Proveedores pagados que tienen Direcciones y correo
disperso:
- Sospecha de ubicacin fsica a proveedores.
RD 2015/11/05
Ing. Carlos Carrion

DetectLets con PICALO

Vendors (Proveedores)

V2

Proveedores pagados NO son calificados:

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