KPMG gebruikt kunstmatige intelligentie om opvallende transacties op te sporen

maandag 30 augustus 2010 | 3 reacties

KPMG heeft software ontwikkeld waarmee opvallende transacties kunnen worden opgespoord. De software maakt gebruik van kunstmatige intelligentie-technieken die patronen herkennen in procesmatig gegenereerde datasets, zoals de financiële data in een grootboek. Hierdoor kunnen afwijkingen in bestaande patronen met succes in kaart worden gebracht.

zie ook

Creditcardmaatschappijen gebruiken al langere tijd dergelijke systemen om afwijkingen in creditcardgebruik te detecteren. Ook bij verzekeringsmaatschappijen zijn deze systemen in gebruik om mogelijke frauduleuze claims te kunnen detecteren. Volgens KPMG kan de software op boekhoudkundig terrein dan ook voor een grote verbetering in de financiële controle zorgen.

KPMG heeft de software getest bij vijf grotere organisaties in de verzekeringsbranche, de onderwijssector en bij handelsondernemingen en dienstverleners. Van de organisaties is voor één of meerdere boekjaren de integrale financiële data verkregen en geanalyseerd met behulp van de nieuwe software.

Uit de test blijkt dat het aantal mogelijk ongebruikelijke transacties in de data bij de organisaties relatief gezien uiteenloopt van 0,1 tot 4 procent. Over het algemeen vertegenwoordigen de mogelijk ongebruikelijke transacties 0,1 tot 28 procent van de totale hoeveelheid euro's in de populatie. De test is uitgevoerd op alle transacties in het grootboek van de organisaties. "Zoals verwacht geeft de test aan dat de minder gebruikelijke handmatige journaalposten het meest afwijken", constateert Rens Rozekrans, partner bij KPMG en verantwoordelijk voor Risk & Compliance.

Rozekrans: "Ook fouten in systeemboekingen komen naar voren, zoals onvolledig of niet tijdig verwerkte batchboekingen. Daarnaast merkten een aantal bij de test betrokken organisaties op dat opvallende transacties inderdaad werden opgespoord, een bewijs dat de software werkt. Het is duidelijk dat de software van KPMG een aanvulling vormt op het pallet van oplossingen dat ingezet kan worden in het kader van het voortdurend monitoren van de bedrijfsprocessen. Een ontwikkeling die door steeds meer bedrijven wordt nagestreefd."

Waar traditionele data-analyse technieken analyseren op vooraf geprogrammeerde risico-indicatoren, analyseert de software op basis van de kennis die in de data aanwezig is. Rozekrans: "Deze kennis zit verscholen in de patronen en mogelijk ongebruikelijke transacties in de data zelf. Onze software vormt dan ook een aanvulling op de traditionele methoden van data-analyse. Het blijft zinnig om op bekende risico-indicatoren data te analyseren om inzicht te krijgen in de bedrijfsrisico's die worden gelopen."

"Voor een compleet beeld is onze software een belangrijke aanvulling op de voornoemde traditionele methoden, omdat de gehele populatie vanuit de data zelf wordt geanalyseerd en daarmee de 'blinde vlekken' in de traditionele methoden worden ondervangen. Door traditionele methoden aan de software te koppelen, kijk je als het ware vanuit meerdere perspectieven naar dezelfde dataset."

"Voor de toekomst verwacht ik een grotere benutting van zelflerende systemen in het kader van het voortdurend monitoren van bedrijfsprocessen. We gaan steeds meer toen naar het real-time analyseren van bedrijfsdata. Dit impliceert dat data op alle niveaus snel beschikbaar moet zijn. Het toepassen van zelflerende systemen past binnen deze ontwikkeling."

Reacties

Geplaatst door Bart Kamp - 1-9-2010 10:21:25

"Opvallend" en "ongebruikelijk" zijn natuurlijk relatieve begrippen. Ben benieuwd hoeveel van de gesignaleerde opvallende / ongebruikelijke transacties ook daadwerkelijk fout bleken te zijn.
En hoeveel fouten uiteindelijk ook niet met deze systemen zijn gevonden. Dat laatste vergt natuurlijk een integrale controle van de hele data set. Dat is nogal duur, maar zou wel passen in de ontwikkelfase van een dergelijk systeem.

Geplaatst door Willem D. Okkerse - 1-9-2010 10:06:00

Geachte heer Blokdijk,

Die begon al in 2002 toen de OK-Score methodiek klaar was.

Ongeveer - zonder AI - berekend acht jaar eerder. Uit een eerder proefschrift rond 2003 blijkt tevens dat NN (Neurale Netwerken) ook niet veel verder komen dan 80% betrouwbaarheid.

Dit in tegenstelling tot de OK-Score methodiek met 97% betrouwbaarheid.

Geplaatst door Hans Blokdijk - 1-9-2010 9:48:58

Een uiterst nuttige ontwikkeling. Slim gericht zoeken is altijd doeltreffender en doelmatiger dan een aselecte, 'blinde' steekproef. Dit is de toekomst!