| INDICADORES DE FRAUDE INTERNO | |
| I | INTRODUCCIÓN |
| II | ÁMBITO ADMINISTRATIVO |
| III | ÁMBITO INFORMÁTICO |
| IV | ÁMBITO CONTABLE |
| V | ÁMBITO OPERATIVO |
| VI | OTRAS TÉCNICAS |
Además de las técnicas citadas en capítulos anteriores, con el fin de detectar posibles anomalías que pudieran constituir indicios de fraude, se pueden emplear también las siguientes:
- Clasificación: buscar patrones y asociaciones entre grupos de elementos de datos.
- Estratificación: identificar valores inusuales (por ejemplo excesivamente bajos o elevados).
- Cruce de diferentes fuentes de datos: identificar valores como nombres, direcciones y cuentas, provenientes de diferentes sistemas que no concuerden adecuadamente.
- Duplicidades: identificar duplicaciones simples o complejas en elementos correspondientes a transacciones de negocio tales como pagos, nominas, reclamaciones, gastos, ….
- Omisiones (saltos en la numeración): identificar valores ausentes en datos secuenciales.
- Acumulaciones y recuentos: comprobar totales de control que pudieran haber sido falsificados.
- Validación de fechas de entrada: identificar fechas y horas inadecuadas o sospechosas en asientos u otros registros.
- Análisis de ratios: calcular relaciones entre los valores de diferentes datos numéricos.
- Análisis de tendencias: calcular estimaciones de los valores que podrían preverse en función de datos de ejercicios anteriores.
- Pruebas estadísticas (prueba χ² de Pearson, prueba KS o Kolmogorov-Smirnov, …): comparar la bondad del ajuste de los datos de la distribución de una serie de muestras con respecto de otra.
Para la aplicación de estas técnicas puede recurrirse a herramientas de propósito general como Excel, pero existen herramientas especificas (la mayoría son software comercial) que pueden facilitar su implementación y que serán objeto de un capítulo posterior.
A continuación se va a realizar una breve descripción de estas técnicas y de su posible aplicación a la detección de posibles indicios de fraude.
Clasificación
La clasificación de los datos permite buscar patrones y asociaciones entre grupos de elementos de datos.
La clasificación permite organizar los datos en grupos predefinidos. Estos grupos pueden corresponder habitualmente con oficinas, empleados, clientes, ….
Una vez clasificados los datos en grupos se podrán establecer comparaciones entre diversas métricas obtenidas a partir de los datos de cada grupo. Los valores que estas métricas presenten en cada grupo, se podrán utilizar para identificar aquellos elementos que destacan sobre el resto.
Indicar que las métricas mediante las que se comparen los datos de los diferentes grupos serán aquellas que se consideren adecuadas para cada caso en particular a analizar. Aunque una de las mas habituales puede ser el valor acumulado de una determinada cantidad, se puede utilizar como métrica cualquier dato estadístico sobre ésta, como por ejemplo el valor máximo, el mínimo, la media, la varianza o la desviación típica, ….
Ejemplo:
Utilizando como base de un ejemplo de clasificación, las facturas pagadas por oficinas, podríamos identificar aquellas oficinas que destacaran sobre el resto en base al importe acumulado de dichas facturas.
Facturas pagadas – Oficina 1
| Importe total | Importe medio | Importe máximo |
| 2.900 | 290 | 2.000 |
Facturas pagadas – Oficina 2
| Importe total | Importe medio | Importe máximo |
| 4.320 | 864 | 4.000 |
Facturas pagadas – Todas las oficinas
| Importe total | Importe medio | Importe máximo |
| 7.220 | 481,33 | 4.000 |
Estratificación
La estratificación de los datos permite identificar valores inusuales (por ejemplo excesivamente bajos o elevados).
La estratificación consiste en fraccionar una serie de datos en diferentes grupos basándose en el valor de un determinado campo. Una vez estén los datos fraccionados y se hayan realizado medidas sobre estas fracciones (número de muestras, suma de las muestras, …), se realizan comparaciones entre distintas series de datos.
Ejemplo:
Utilizando como base de un ejemplo de estratificación, las facturas pagadas por oficinas, podríamos realizar una distribución por importes de las facturas abonadas en cada oficina, para tratar de identificar posibles anomalías en dichas distribuciones.
Facturas pagadas – Oficina 1
| Número | % Total | Importe Acum. | % Importe Total | |
| <=100 € | 6 | 60 | 300 | 10,34 |
| >100 y <= 500€ | 3 | 30 | 600 | 20,69 |
| >500€ | 1 | 10 | 2.000 | 68,97 |
Facturas pagadas – Oficina 2
| Número | % Total | Importe Acum. | % Importe Total | |
| <=100 € | 4 | 80 | 320 | 7,41 |
| >100 y <= 500€ | 0 | 0 | 0 | 0 |
| >500€ | 1 | 20 | 4.000 | 92,59 |
Facturas pagadas – Total
| Número | % Total | Importe Acum. | % Importe Total | |
| <=100 € | 10 | 66,67 | 620 | 8,59 |
| >100 y <= 500€ | 3 | 20 | 600 | 8,31 |
| >500€ | 2 | 13,33 | 6.000 | 83,10 |
Cruce de diferentes fuentes de datos
El cruce de diferentes fuentes de datos permite identificar valores como nombres, direcciones y cuentas, provenientes de diferentes sistemas que no concuerden adecuadamente.
Ejemplo:
Un ejemplo de aplicación de esta técnica podría consistir en cruzar una relación de facturas pagadas con el fichero maestro de proveedores, con el fin de verificar que todos los proveedores procedentes de la relación de facturas pagadas sean proveedores válidos.
Facturas pagadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 1/1/2010 | 50 |
| 2 | 1 | 1 | 1/1/2010 | 50 |
| 3 | 3 | 1 | 1/1/2010 | 50 |
| 4 | 1 | 2 | 1/2/2010 | 80 |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
| 6 | 3 | 1 | 1/3/2010 | 300 |
Proveedores
| Id. Proveedor | Nombre | Dirección |
| 1 | aaa | bbb |
| 3 | ccc | ddd |
Facturas pagadas a proveedores inexistentes
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
Duplicidades
La prueba de duplicidades permite identificar duplicaciones simples o complejas en elementos correspondientes a transacciones de negocio tales como pagos, nominas, reclamaciones, gastos, ….
Ejemplo:
Aplicando esta técnica a una relación de facturas pagadas podríamos identificar posibles facturas duplicadas.
Facturas pagadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 1/1/2010 | 50 |
| 2 | 1 | 1 | 1/1/2010 | 50 |
| 3 | 3 | 1 | 1/1/2010 | 50 |
| 4 | 1 | 2 | 1/2/2010 | 80 |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
| 6 | 3 | 1 | 1/3/2010 | 300 |
Posibles facturas duplicadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 1/1/2010 | 50 |
| 2 | 1 | 1 | 1/1/2010 | 50 |
Omisiones
La prueba de omisiones (saltos en la numeración) permite identificar valores ausentes en datos secuenciales.
Ejemplo:
Aplicando esta técnica a una relación de facturas pagadas podríamos identificar la posible ausencia de facturas, que pudieran existir pero que se han podido desear omitir de la relación.
Facturas pagadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 1/1/2010 | 50 |
| 2 | 1 | 1 | 1/1/2010 | 50 |
| 3 | 3 | 1 | 1/1/2010 | 50 |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
| 6 | 3 | 1 | 1/3/2010 | 300 |
Posibles facturas omitidas
| Id. Factura |
| 4 |
Acumulaciones y recuentos
La acumulación de importes u otros valores y el recuento de registros permiten comprobar totales de control que pudieran haber sido falsificados.
Ejemplo:
Comprobando mediante esta técnica los totales obtenidos a partir de una relación de facturas pagadas con otra relación en donde se recojan por proveedor las cantidades abonadas a estos, podríamos identificar que se hubieran podido omitir facturas en la primera relación.
Facturas pagadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 1/1/2010 | 50 |
| 2 | 1 | 1 | 1/1/2010 | 50 |
| 3 | 3 | 1 | 1/1/2010 | 50 |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
| 6 | 3 | 1 | 1/3/2010 | 300 |
Pagos realizados por proveedor
| Id. Proveedor | Número de facturas | Total facturas pagadas |
| 1 | 3 | 180 |
| 2 | 1 | 2.000 |
| 3 | 2 | 350 |
Pagos calculados a los proveedores a partir de la relación de facturas pagadas
| Id. Proveedor | Número de facturas | Total facturas pagadas |
| 1 | 2 | 100 |
| 2 | 1 | 2.000 |
| 3 | 2 | 350 |
Validación de fechas de entrada
La validación de fechas de entrada permite identificar fechas y horas inadecuadas o sospechosas en asientos u otros registros.
Ejemplo:
Un ejemplo de aplicación de esta técnica podría consistir en validar que las fechas en las que se realiza el pago de facturas corresponden a días laborables. Mediante dicha técnica se podría detectar que en la siguiente relación la fecha 7/2/2010 correspondería con un Domingo.
Facturas pagadas
| Id. Factura | Id. Proveedor | Oficina | Fecha | Importe |
| 1 | 1 | 1 | 4/1/2010 | 50 |
| 2 | 1 | 1 | 4/1/2010 | 50 |
| 3 | 3 | 1 | 4/1/2010 | 50 |
| 4 | 1 | 2 | 7/2/2010 | 80 |
| 5 | 2 | 1 | 1/2/2010 | 2.000 |
| 6 | 3 | 1 | 1/3/2010 | 300 |
Análisis de Ratios
El análisis de ratios permite identificar relaciones calculadas entre los valores de diferentes datos numéricos que resulten anómalas o sospechosas.
Tres ratios comúnmente empleados son:
- El ratio entre el mayor y el menor valor.
- El ratio entre el mayor y el segundo mayor valor.
- El ratio entre el valor actual con respecto al del año anterior.
En determinados casos, también podría considerarse la utilización de ratios entre variables diferentes para identificar posibles fraudes (por ejemplo comisiones recibidas / productos contratados).
Ejemplo:
Aplicando esta técnica a una relación de facturas pagadas podríamos obtener los siguientes ratios.
Ratios de facturas pagadas por proveedor
| Oficina | Mayor / Menor | Mayor / 2ª Mayor | Año actual / anterior |
| 1 | 40 | 20 | 2,8 |
| 2 | 3 | 1,3 | 1,2 |
| 3 | 1,6 | 1,2 | 0,9 |
Análisis de Tendencias
El análisis de tendencias permite realizar estimaciones de los valores que podrían preverse en función de los datos de ejercicios anteriores, lo que puede permitir la identificación de posibles valores anómalos o sospechosos.
Los resultados de esta técnica se visualizan mejor mediante representaciones gráficas.
Pruebas estadísticas (prueba χ² de Pearson, prueba KS o Kolmogorov-Smirnov, …)
Las pruebas estadísticas permiten comparar la bondad del ajuste de los datos de la distribución de una serie de muestras con respecto de otra.
El uso principal de estas pruebas en diversas disciplinas (elaboración de modelos en medicina, biología, economía, psicología, …) suele ser el de emplearlas como tests para la validación de hipótesis a partir de los datos de las muestras disponibles, pero dado que sus métricas son en realidad indicadores del grado de bondad del ajuste de una serie de datos a una distribución dada, pueden llegar a emplearse para tratar de identificar de forma automatizada, posibles indicios de fraude a partir de dichas series de datos.
El motivo por el que esto puede ser de utilidad a la hora de detectar posibles indicios de fraude consiste en que, de forma similar a lo que sucede con la ley de Benford, resulta muy probable que las características de una distribución de muestras en donde se recojan eventos correspondientes a fraudes, presente discrepancias estadísticamente significativas que la alejen de la distribución teórica a la que debería aproximarse de no existir eventos fraudulentos.
En la búsqueda de indicios de fraude, se puede aproximar la distribución teórica (la que correspondería si no existieran muestras correspondientes a eventos fraudulentos) tomando todos los registros de una relación disponibles para toda la entidad (o cuando sea posible tomando una selección de estos en base a la pertenencia a una categoría uniforme, por ejemplo: registros correspondientes a oficinas de particulares, registros correspondientes a empleados de ventanilla), y comparar los datos particulares (registros correspondientes a cada oficina o a cada empleado concreto) con la distribución teórica de referencia.
Existen numerosas pruebas estadísticas (por poner algunos ejemplos: χ² de Pearson, Anderson-Darling, Fisher, Kolmogorov-Smirnov, t de Student, etc.), quedando la teoría en que se basan las mismas fuera del alcance de este trabajo. En cualquier caso, dada la utilidad práctica que pudiera tener cara a la determinación de posibles indicios de fraude, vamos a indicar algunos detalles de dos de ellas.
Test χ² de Pearson
Su estadístico es
Siendo Oi el valor observado para un posible resultado y Ei el valor observado para dicho resultado.
Valores elevados de la medida χ² implican una mala adecuación de una distribución concreta a la distribución de referencia.
Hay que advertir que si el número de muestras que se dispone es pequeño, este test puede dejar de tener validez.
Para emplearlo como posible indicador de fraude, se puede utilizar el siguiente procedimiento:
- Dividir el rango de posibles resultados en un conjunto de intervalos.
- Calcular los valores Ei como el número de muestras totales Ni cuyos valores entran dentro del rango de cada intervalo i, dividiendo dicho número por el número total de muestras N (el cardinal del conjunto de todas las muestras de todas las oficinas). Así obtendremos los valores Ei = Ni / N. Ei corresponde a la probabilidad de que una muestra al azar caiga dentro de los valores del intervalo i.
- Calcular los Oofi,i correspondientes a una oficina concreta ofi, obteniendo el número de muestras correspondientes a la oficina Nofi,i cuyos valores entran dentro del rango de cada intervalo i, y dividiendo dicho número por el número total de muestras de la oficina Nofi (el cardinal del conjunto de muestras de la oficina). Así obtendremos los valores Oofi,i = Nofi,i / Nofi.
Una vez dispongamos de estos datos ya podemos calcular el valor de la medida χ²ofi aplicando la formula del estadístico antes indicada:
Test de Kolmogorv-Smirnov
Su estadístico es .
Donde Fn es una distribución acumulativa que se compara con otra distribución acumulativa F de referencia. Las distribuciones acumulativas Fn y F se pueden obtener a partir de cualquier conjunto de observaciones Xi mediante la formula:
donde es una función indicadora que toma el valor 1 si Xi≤ x y 0 en caso contrario.
Dn puede tomar por tanto valores entre 0 y 1. Mediante esta medida se puede comparar la bondad del ajuste de una distribución a otra de referencia. Valores mas próximos a 0 indicaran una buena correlación, mientras que valores mas próximos a 1 indicaran que la correlación es mala. En cualquier caso hay que tener en cuenta el número de muestras disponibles ya a que a mayor número de estas es de esperar que el ajuste de la distribución a contrastar con la de referencia sea más fiable y por tanto la medida D debiera ir decreciendo a medida que el número de muestras aumenta.
Para emplearlo como posible indicador de fraude, se pueden comparar los valores que se obtienen para la medida D a partir de las muestras correspondientes a cada oficina o cada empleado seleccionados de una relación dada, tomando como distribución de referencia la correspondiente al total de muestras para todas las oficinas o todos los empleados. Posteriormente se compararán los valores de las medidas D obtenidas para cada oficina o empleado entre sí teniendo en cuenta para ello el efecto que puede ocasionar el que el número de muestras que se ha dispuesto para realizar el cálculo de la medida para cada uno de ellos pueda variar significativamente.
RELACIONADO
No hay comentarios.:
Publicar un comentario