کاربرد هوش تجاری (BI) و الگوریتم‌های کشف تقلب در حسابرسی مالی

هورناز (hornaz.ir):

فراوانی داده‌های آماده از ابزارها، فرآیندها و سیستم‌های مالی و اطلاعاتی و چالش‌های استخراج تحلیل‌های هدفمند و مؤثر، بی‌شک یکی از دغدغه‌های اصلی سازمان‌های مدرن است. در حین گفتگو با محمد وحیدنیا، مدیرعامل داد مالی و تجارت ابری و مالک برند داد داده، در این خصوص به گفتگو پرداختیم.

** مصاحبه کننده (م.ج): ** عصر بخیر آقای وحیدنیا. از اینکه – با ما بودید متشکریم. شاید بهتر باشد در مورد نحوه ورود شما به این حوزه و همین موضوع استفاده از هوش تجاری برای کشف بی نظمی های مالی صحبت کنیم؟

**محمد وحیدنیا (م.ف.):** عصر بخیر و تشکر از دعوت شما. من در ابتدا فعالیت حرفه ای خود را در زمینه حسابداری و مدیریت مالی آغاز کردم و بیش از 5 سال پیش تصمیم گرفتم به طور جدی به هوش تجاری و تجزیه و تحلیل داده ها در حوزه مالی و حسابداری بپردازم. من همیشه بر این باور بوده ام که استفاده از داده ها برای بهبود کسب و کار و تسهیل تصمیم گیری ضروری است. بهبود عملکرد و ایجاد شفافیت بخشی از اهداف هر سازمانی است و برای تحقق آن باید از روش ها و راهکارهای پیشگیرانه و نظارتی استفاده کرد.

با توجه به تجربه همکاری با شرکت ها و سازمان های مختلف در DaadSolutions، ما توانسته ایم مجموعه ای از راه حل ها را برای رسیدن به این هدف طراحی کنیم. این راه حل ها شامل ترکیبی از پروتکل های کاربردی، فرآیندها، نرم افزارهای مالی، هوش تجاری و گزارش است.

(M.J.): خیلی خوب. با مثالی از تحلیل اطلاعات با هوش تجاری در شناسایی تخلفات مالی بیشتر توضیح می دهید؟

(MW): مطمئنا. یکی از روش هایی که در DaadSolutions استفاده می کنیم، BOM – Bill of Materials Analysis است. به عنوان مثال، در شرکت های تولیدی، تجزیه و تحلیل BOM می تواند به ما کمک کند تا تغییرات مصرف مواد در ساخت محصولات را شناسایی کنیم که ممکن است نشان دهنده تقلب باشد. با مقایسه مصرف واقعی مواد با BOM استاندارد، می‌توان مواردی را شناسایی کرد که نشان‌دهنده انحراف مصرف یا ناکارآمدی‌های بالقوه است. روش دیگر تجزیه و تحلیل روند هزینه و مقایسه آن با اطلاعات تاریخی گروه ها است. این دو مثال تنها بخش کوچکی از زمینه هایی است که در شرکت ها قابل بررسی است.

(MG): آیا می توانید مورد خاصی را با ما در میان بگذارید که تجزیه و تحلیل BOM منجر به شناسایی انحرافات شده است؟

(M.F.): بله، البته، یکی از اصول اخلاق حرفه ای ما محافظت از اسرار مشتریانمان است. به همین دلیل فقط به شما اطلاعات کلی می دهم. ما با یک شرکت تولیدی کار کردیم که تغییرات غیرقابل توضیحی در هزینه های تولید داشت. با انجام یک تجزیه و تحلیل دقیق از BOM با هوش تجاری (BI)، تفاوت هایی بین مصرف واقعی و مصرف استاندارد مواد خام یافتیم. تحقیقات بیشتر نشان داد که برخی افراد مورد آزار قرار گرفته اند. راه حل ما، با تجسم این اطلاعات در داشبورد BI، به شناسایی این مشکل و پاسخگویی افراد مقصر کمک کرد.

(MG): شما به تحلیل روند هزینه به عنوان روش دیگری اشاره کردید. میشه کمی بیشتر توضیح بدی؟

(MW): بله البته! تجزیه و تحلیل روند هزینه شامل بررسی یک به یک معاملات هزینه برای شناسایی داده های خارج از هنجار سازمان است. با استفاده از تجزیه و تحلیل پیشرفته و الگوریتم ضد کلاهبرداری که توسط خودمان توسعه داده شده است، می‌توانیم تراکنش‌هایی را که از الگوی استاندارد منحرف شده‌اند شناسایی کنیم و الگوریتم ما بر اساس اطلاعات و نیازهای خاص سازمان‌ها، شناسایی فعالیت‌های غیرعادی و مشکوک و تراکنش‌های مشکوک برای بررسی اطلاعات بیشتر تنظیم می‌شود. . در نتیجه نیاز به ممیزی شرایط و نمونه گیری غیر هدف را به میزان قابل توجهی کاهش می دهد.

(MG): شما در مورد الگوریتم ضد تقلب خود صحبت کردید. میشه در مورد نحوه کارش بیشتر توضیح بدید؟

(M.W.): الگوریتم ما رفتار حسابرسان را تقلید می کند و به ما امکان می دهد انحرافات را در صورت وقوع شناسایی کنیم. الگوریتم به طور مداوم از داده های تاریخی یاد می گیرد تا دقت خود را بهبود بخشد. یکی از روش های اصلی شناسایی انحرافات در داده های صورتحساب مواد (BOM) است. با استفاده از تجزیه و تحلیل آماری و یادگیری ماشینی، الگوهای عادی مصرف دارو را شناسایی کرده و هرگونه انحراف از این الگوها را به عنوان نشانه بالقوه تقلب در نظر می گیریم.

(MG): آیا از روش های دیگری به جز تجزیه و تحلیل BOM و تحلیل روند هزینه برای کشف تقلب استفاده می کنید؟

(M.W.): بله، از چند روش دیگر هم استفاده می کنیم. یکی از رویکردهای موثر، تحلیل نسبت است، که در آن نسبت‌های مالی را در طول زمان برای شناسایی ناسازگاری‌ها بررسی می‌کنیم. به عنوان مثال، تغییرات ناگهانی در نسبت گردش موجودی ممکن است نشان دهنده سرقت یا سوء مدیریت موجودی باشد. علاوه بر این، ما از تکنیک های داده کاوی برای کشف الگوها و همبستگی های پنهان در داده ها استفاده می کنیم که ممکن است از طریق تجزیه و تحلیل سنتی آشکار نباشد.

(M.J.): چگونه می توانید اطمینان حاصل کنید که روش های شما با نیازهای منحصر به فرد هر سازمان سازگار است؟

(M.W.): ما با یک ارزیابی جامع از زیرساخت های داده فعلی و فرآیندهای تجاری سازمان ها شروع می کنیم. این به ما کمک می‌کند تا چالش‌های منحصربه‌فردی که با آن‌ها روبرو هستند را درک کرده و راه‌حل‌های سفارشی‌سازی شده را توسعه دهیم. به عنوان مثال، الگوریتم ضد کلاهبرداری ما انعطاف پذیر و قابل تنظیم است و به ما امکان می دهد آن را بر اساس ویژگی های خاص داده های شرکت دوباره طراحی کنیم.

(م.ج): معیار شما برای اندازه گیری و سنجش میزان موفقیت داشبوردهایتان در شناسایی ناهنجاری ها چیست؟

(M.W.): موفقیت را می توان از چند طریق سنجید. یکی از این موارد، نرخی است که شاخص های کلیدی فعالیت های متقلبانه در طول زمان کاهش می یابد. با مقایسه تعداد موارد کلاهبرداری کشف شده قبل و بعد از اجرای راه حل های ما، می توانیم اثربخشی آنها را ارزیابی کنیم. علاوه بر این، بهبود کلی در بهره وری شرکت نشانه موفقیت است. شرکت هایی که راه حل های ما را اتخاذ می کنند اغلب افزایش اعتماد سرمایه گذاران و بهبود عملکرد مالی را گزارش می دهند.

(M.J.): در نهایت، توصیه شما برای شرکت هایی که می خواهند از داشبوردهای تجزیه و تحلیل داده ها و راه حل های تشخیص ناهنجاری استفاده کنند چیست؟

(M.W.): توصیه من این است که با درک دقیق و واقع بینانه از عملیات جاری سازمان خود شروع کنید. استفاده از ابزارها و فناوری های مناسبی که بتواند پیچیدگی و حجم داده های شما را مدیریت کند، ضروری است. کار با کارشناسانی که سابقه موفقیت آمیز در این زمینه را دارند می تواند تفاوت بزرگی ایجاد کند. ایجاد فرهنگ شفافیت و بهبود مستمر در سازمان نیز به تضمین موفقیت بلندمدت کمک خواهد کرد.

(م.ج): آقای وحیدنیا، اگر صحبت پایانی دارید، از اینکه – تجربیات خود را با ما در میان گذاشتید متشکرم.

(م.ف.): از دعوت شما متشکرم. خوشحالم که این فرصت را داشتم که از طرف همه اعضای تیم با شما ملاقات کنم و امیدوارم سازمان هایی با رویکرد درست بتوانند بهترین نتایج را از راه حل ها و ابزارهای تحلیلی بگیرند.