Apresentação do PowerPoint

Roteiro da apresentação
•
•
•
•
Apresentação
Metodologia utilizada
Motivação para a pesquisa (contexto)
Resultados alcançados
Título da pesquisa:
Descoberta de Conhecimento em Bases de
Dados, com base em técnicas de Análise
Preditiva, visando ao auxílio e ao
aprimoramento da atividade de controle
externo desempenhada pelo TCE-RJ
Questão de pesquisa:
É possível a implementação de técnicas de
detecção de fraudes com a utilização de
mineração de dados nas auditorias realizadas
pelo TCE-RJ?
Objetivo Geral:
Demonstrar a possibilidade da implementação
de técnicas de mineração de dados para
detecção de fraudes no âmbito de auditorias
governamentais.
Áreas de conhecimento envolvidas na pesquisa:
• Auditoria Governamental
• Detecção de Fraudes
• Mineração de Dados (análise de dados/analytics)
Como a pesquisa foi desenvolvida
• Revisão da literatura;
• Estudos de casos (aplicações a bases de
dados reais);
Auditoria orientada a dados
Abordagem de auditoria pró-ativa centrada na análise de
dados. Implementação fundada no trio: negócio, técnica e
tecnologia.
• Negócio: técnicos com conhecimento da área de
aplicação: auditoria, licitações, folha de pagamentos, etc.
• Técnica: técnicos com conhecimento das técnicas de
mineração de dados
• Tecnologia: técnicos com conhecimento de softwares
para implementação de algoritmos de mineração de dados
e de bancos de dados
Detecção de Fraudes?
"Detecção de fraude é o processo automatizado de
identificação de casos de alto risco"
( Veronique Van Vlasselaer et all: GOTCHA! Network-based Fraud Detection for
Social Security Fraud )
Não é novidade. Enorme quantidade de artigos e livros. Área
de conhecimento já bem estabelecida.
Em auditoria: Auditoria Forense, Contabilidade Forense
Livros nacionais já publicados fazem muito pouco (ou
nenhum) uso de análise de dados…
Detecção de Fraudes? (cont.)
Taxonomia das Técnicas de Detecção Eletrônica de Fraudes, adaptado de (TRAVAILLE et al., 2011).
Softwares utilizados
• R (open source)
• SQLServer (disponível no TCE-RJ)
Pacotes do R:
• arules, arulesViz (regras de associação)
• igraph, visNetwork (redes sociais)
• foreach, parallel , snow (processamento em paralelo)
• Quanteda, tm (mineração de texto)
• dplyr, openxlsx, RODBC, sqldf, plyr, stringr, data.table
(importação e pré-processamento de dados)
Softwares utilizados (cont.)
Não dá pra alegar falta de software para implementar análise
de dados
Dados utilizados
Nesta pesquisa foram utilizados os seguintes conjuntos de dados:
• dados de licitações realizadas (jan/11 a ago/15)
• dados de contratos celebrados
• dados de itens licitados
• dados dos participantes
• dados sobre empresas do ERJ (composição acionária)
Regras de Associação
Técnica de mineração de dados que consiste na
detecção de associações que ocorrem com
frequência entre itens.
Exemplo: (4 primeiras regras)
Análise de Redes Sociais
As Redes Sociais consistem em estruturas que
representam entidades e relacionamentos entre
estas.
Exemplo:
Análise de Redes Sociais
(Participação societária em comum)
Universo de Empresas com
participação societária em
comum
Applet com demonstração de resultados
Análise de Redes Sociais
(Indícios de formação de cartéis)
Utilizamos grafos direcionados para representar a relação
entre as empresas participantes das licitações, da seguinte
forma:
1. cada empresa é representada por um nó;
2. as empresas que participaram de um mesmo certame
estarão associadas por relações do tipo “perdedor-vencedor”.
Tal relação é representada por uma aresta que se inicia no nó
representativo da empresa participante perdedora para o nó
representativo da licitante vencedora
Análise de Redes Sociais
(Indícios de formação de cartéis)
Clusterização por meio da
técnica de Detecção de
Comunidades
Análise de Redes Sociais
(Indícios de formação de cartéis)
Ranqueamento por meio de PageRank
1. É alcançada por
uma grande
quantidade de links;
2. É alcançada por
páginas relevantes; e
3. Aponta para
páginas relevantes.
Análise de Redes Sociais
(Indícios de formação de cartéis)
Ranqueamento por meio de PageRank
1. É alcançada por
uma grande
quantidade de links;
2. É alcançada por
páginas relevantes; e
3. Aponta para
páginas relevantes.
1. Sagram-se vencedoras com uma
frequência acima da média,
configurando uma grande
concentração ou monopólio de
mercado;
Análise de Redes Sociais
(Indícios de formação de cartéis)
Ranqueamento por meio de PageRank
1. É alcançada por
uma grande
quantidade de links;
2. É alcançada por
páginas relevantes; e
3. Aponta para
páginas relevantes.
2. Vencem licitações das quais
também participaram outras
empresas relevantes (casos de
rodízio de empresas que detém
forte fatia de um determinado
mercado e atuam de forma
coordenada, alternando-se como
vencedoras em licitações, são
casos típicos em que esta situação
acontece); e
Análise de Redes Sociais
(Indícios de formação de cartéis)
Ranqueamento por meio de PageRank
1. É alcançada por
uma grande
quantidade de links;
2. É alcançada por
páginas relevantes; e
3. Aponta para
páginas relevantes.
3. Costumam participar de certames
em que licitantes relevantes
sagram-se vencedoras. Isto ocorre
em situações em que o papel
preponderante desempenhado por
determinada empresa é o de
figurante ou de “coelho” (uma
empresa atua de forma a elevar os
preços do item licitado, sem ter a
real intenção vencer a licitação).
Análise de Redes Sociais
(Indícios de formação de cartéis)
PageRank
Dashboard com demonstração de resultados
Dashboard com demonstração de resultados
Dashboard com demonstração de resultados
Dashboard com demonstração de resultados
Dashboard com demonstração de resultados
Dashboard com demonstração de resultados
Conclusão
A pesquisa evidenciou ser possível a incorporação de
técnicas de mineração de dados nas auditorias realizadas
pelo TCE-RJ.
Conclusão (cont.)
Situação atual:
• Técnicos com bom conhecimento do negócio
• Carência de conhecimentos em análise de dados
• Cultura de controle fortemente baseada em análise
documental
Conclusão (cont.)
Sugestões de melhoria:
• Considerar a capacitação em análise de dados como
elemento estratégico;
• Investir em treinamento em métodos quantitativos e
software adequados
Conclusão (cont.)
Sugestões de melhoria:
• Treinamento em auditoria forense
• Aumento da maturidade analítica do TCE-RJ
• Criação de uma comunidade de prática
Conclusão (cont.)
Pesquisas futuras:
• Utilização de técnicas supervisionadas
• Auditorias preditivas