Inteligentní detekce podvodů nebo chyb ve státní správě eliminuje příští incidenty

Účinné nástroje na odhalování podvodů ve státní správě mohou radikálně snížit jejich výskyt, přičemž fungují zejména preventivně. Podvodem přitom chápeme veškeré chování, které je v rozporu s platnými pravidly. To znamená, že kromě úmyslného obcházení nastavených pravidel do této skupiny spadá i chování, které je neúmyslné, avšak ve výsledku také v rozporu s těmito pravidly. Jde například o chyby, omyly, neefektivitu a nekvalitně odvedenou práci.

Oblastmi vhodnými pro nasazení nástrojů pro aktivní odhalování podvodů jsou zvláště systémy pro výběr daní a poplatků, systémy pro rozdělování dávek a příspěvků, tedy oblasti, ve kterých se pracuje s větším objemem finančních prostředků.

Podvody zahrnující chyby i nekvalitní práci se musí potírat na všech úrovních a všech místech, to znamená při každé činnosti a všemi prostředky, jako jsou organizační opatření, procesní opatření, IT technologie atd. „Detekce“ podvodu je jenom jednou z činností, které se musí při odhalování podvodů a chyb realizovat. Detekce ale není důkaz. Úkolem systémů, které detekují podvody a chyby, je upozornit odpovědné osoby na to, že daný případ vyžaduje podrobné prozkoumání.

Tři přístupy k detekci podvodů

Rozlišujeme tři základní přístupy k detekci podvodů. Expertní pravidla, která hodnotí okolnosti transakce (např. žádost o dávku, lékařské vyšetření), nebo vlastnosti účastníků transakce. Podle těchto příznaků se snaží nástroj vymezit okruh problematických případů, které je třeba zkoumat. Expertní pravidla nebývají velmi účinná a často vedou k příliš velkému počtu „falešných“ poplachů, či k vysokému počtu neidentifikovaných případů.

Při extrapolaci minulých dat se predikční model, který odhaduje pravděpodobnost přítomnosti podvodu nebo chyby v daném případu, nastavuje podle minulých dat o podvodech a chybách. Model se nastavuje na takzvané trénovací množině, u níž je známé, které případy jsou podvodem a které případy jsou v pořádku. V případě existence kvalitních trénovacích minulých dat o podvodech a chybách jsou tyto metody velmi efektivní, spolehlivé a s pomocí statistických programů lehce dostupné. Nevýhodou a kamenem úrazu je kvalita a kvantita trénovací množiny dat. Připravit ji skutečně kvalitně vyžaduje mnoho času a vysokou expertizu.

Třetím přístupem je identifikace anomálií, kdy se v datech identifikují případy, které se vymykají z porovnatelné skupiny. Fungují na principálně jednoduché myšlence, že podobné případy by se měli chovat podobně. Když se objeví odlišné chování, tak ho něco muselo způsobit – možná je to chyba v datech, možná se jeví odlišně, protože data chybějí, a možná je to podvod. Je nutné daný případ prozkoumat. Úspěšnost modelu je závislá na spolupráci mezi statistiky a experty v oblasti odhalování podvodů.

Inovativní financování

Samotné nasazení nástrojů pro aktivní odhalování podvodů má silný preventivní účinek, zvyšuje efektivitu systémů na rozdělování finančních prostředků a posiluje důvěru občanů k těmto systémům. Jejich úspěšnost se odvíjí od systémů, na které jsou nasazeny, a úrovně s jakou se proti podvodům dosud bojovalo. Zkušenosti ze světa ukazují, že návratnost investic do těchto nástrojů se pohybuje v řádech měsíců. Nasazení nástrojů na odhalování podvodů se v každém případě vyplatí, a to jak zvýšením efektivity práce a snížením chybovosti, tak snížením počtu podvodů.

Důležitou otázkou je samozřejmě financování těchto nástrojů. Jedním z poměrně inovativních a ne běžně používaných modelů je takzvaný „benefit sharing“ model, kdy je dodavatel odměněn podílem na dosažených úsporách. Tento model nepředstavuje pro zadavatele žádné investiční náklady, jen náklady na spolupráci s dodavatelem. Aby byl takový model úspěšný, je nutné detailně definovat, co je úspora, jak se bude měřit a nastavit řadu procesních a organizačních pravidel. Je nutno myslet na řadu detailů, které zabezpečí, že myšlenka „placení projektu podílem z realizovaných úspor“ se promítne do reality a obě strany budou spokojeny. Také lze kvůli úspoře prvotních nákladů sdílet stejné nástroje a zdroje napříč státními institucemi, přičemž data a pravidla je možné držet odděleně. Z hlediska koncových uživatelů je pak práce s těmito systémy stejně náročná jako práce s jinými komplexními systémy, které už mají k dispozici.