Кластерный анализ: формирование индикатора риска для больших совокупностей учетной информации
Раздел: Аналитика и работа с данными
Статья опубликована в журнале "Внутренний контроль в кредитной организации", №3 (39) \ 2018
Методы интеллектуального анализа данных позволяют повысить эффективность работы по обнаружению нестандартных действий (в т.ч. мошеннических). В ходе проведения корпоративных расследований внутреннему контролеру могут понадобиться специализированные инструменты для отбора фактов и обнаружения отклонений от типичных ситуаций в объемных и сложных учетных данных. В статье рассматривается математический метод анализа данных, приспособленный для обнаружения отклонений в транзакциях, в том числе финансовых.
Авторы:
Евгений ЗВЕРЕВ, CIA, член НП «Институт внутренних аудиторов»
Андрей НИКИФОРОВ, риск-менеджер
Для кредитной организации клиенты — это источник как прибыли, так и «головной боли», связанной с регулятивными требованиями. По всему миру регуляторы банковской сферы требуют от ее участников риск-ориентированного контроля деятельности клиентов. Мы условно разделили клиентские риски банковской деятельности на виды:
Читайте полный текст статьи в PDF.
Методы интеллектуального анализа данных позволяют повысить эффективность работы по обнаружению нестандартных действий (в т.ч. мошеннических). В ходе проведения корпоративных расследований внутреннему контролеру могут понадобиться специализированные инструменты для отбора фактов и обнаружения отклонений от типичных ситуаций в объемных и сложных учетных данных. В статье рассматривается математический метод анализа данных, приспособленный для обнаружения отклонений в транзакциях, в том числе финансовых.
Авторы:
Евгений ЗВЕРЕВ, CIA, член НП «Институт внутренних аудиторов»
Андрей НИКИФОРОВ, риск-менеджер
Для кредитной организации клиенты — это источник как прибыли, так и «головной боли», связанной с регулятивными требованиями. По всему миру регуляторы банковской сферы требуют от ее участников риск-ориентированного контроля деятельности клиентов. Мы условно разделили клиентские риски банковской деятельности на виды:
Читайте полный текст статьи в PDF.
Сравнение данных учетных систем: как выявить манипуляции с бухгалтерской отчетностью?
Распределение Бенфорда: выявление нестандартных элементов в больших совокупностях финансовой информации
Экспертная выборка: формирование для большой совокупности
Учетные данные с нестандартным поведением: практические способы выявления признаков мошенничества
Распределение Бенфорда: применимость к анализу нефинансовых данных
Проверка эффективности управления рисками клиента в рамках проектного финансирования