2018年-德勤全球_Technology_challenges_in_analytics-driven_investigations_4页_3mb

详细总结：克服分析驱动调查中的技术挑战

核心内容

本文探讨了法律和合规组织在使用数据分析技术进行欺诈调查过程中所面临的挑战，并提出了应对策略。文章强调，尽管数据分析技术在欺诈检测方面具有巨大潜力，但其应用仍处于早期阶段，许多组织仍在依赖传统的遗留系统。同时，技术的使用需要与组织的业务流程和战略目标紧密结合，才能实现有效的欺诈防范。

主要观点

技术挑战

1. 现有技术不足：许多法律和合规组织使用的工具和技术未能满足当前复杂的欺诈检测需求，缺乏直观的可视化功能，导致分析结果难以理解和应用。
2. 工具选择困难：市场上存在大量欺诈分析工具，但它们往往更新迅速，法律和合规团队难以选择适合自身需求的解决方案。
3. 组织结构不匹配：新引入的分析工具需要与现有业务流程和结构相适应，否则可能难以有效整合和使用。
4. 人员使用能力不足：调查人员可能对新工具不熟悉或抵触使用，数据孤岛和使用门槛影响了技术的应用效果。
5. 外包限制灵活性：过度依赖外部供应商可能导致解决方案缺乏灵活性，难以快速响应新的欺诈威胁或内部需求变化。

应对策略

1. 战略规划：明确欺诈威胁的动态和应对策略，制定解决方案路线图，优先考虑试点项目以验证工具效果。
2. 人员参与：确保法律和合规团队在技术采用和部署过程中发挥主导作用，同时培训其他业务部门人员，提升整体使用率。
3. 流程优化：通过数据分析发现流程中的问题，推动流程改进，确保技术能真正支持日常业务操作。
4. 数据管理：建立完善的数据管理体系，确保数据的准确性和可用性，支持欺诈调查的深入分析。
5. 跨部门协作：探索与其他部门（如市场、审计、供应链）的技术共享机会，降低成本并提高效率。
6. 技术组件：
   • 数据管理：确保数据架构、保护和流程的完整性。
   • 数据和文本挖掘：利用预测分析、异常检测、文本分析和可视化工具。
   • 案例管理：支持灵活的工作流程、可调整的调查要求和透明的升级机制。
   • RPA（机器人流程自动化）：用于文档审查、客户研究和第三方尽职调查等任务。

关键信息

• 欺诈形式多样，从简单重复支付到复杂交易网络，都需要数据分析来识别。
• 数据分析技术的应用仍面临诸多挑战，包括技术不足、流程不匹配、人员抵触和外包限制。
• 成功的技术采用需要战略、流程、人员和数据的协同作用。
• 跨部门技术共享有助于提升效率并减少重复投资。
• 案例管理和RPA是提升欺诈调查能力的重要技术组件。

建议与展望

• 组织应采取系统化的方法，从战略规划到人员培训，逐步推进数据分析技术的应用。
• 需要建立反馈机制，持续优化技术方案和业务流程。
• 在技术选型和实施过程中，应注重灵活性和可扩展性，以适应不断变化的欺诈模式和监管要求。

联系信息

• Don Fancher
  Global Leader, Deloitte Risk and Financial Advisory
  Deloitte Financial Advisory Services LLP
  +1 770 265 9290
  dfancher@deloitte.com

• Satish Lalchand
  Principal, Deloitte Risk and Financial Advisory
  Deloitte Transactions and Business Analytics LLP
  +1 202 220 2738
  slalchand@deloitte.com

• Ed Rial
  Principal, Deloitte Risk and Financial Advisory
  Deloitte Financial Advisory Services LLP
  +1 212 436 5809
  erial@deloitte.com

• Shuba Balasubramanian
  Principal, Deloitte Risk and Financial Advisory
  Deloitte Financial Advisory Services LLP
  +1 469 387 3497
  subalasubramanian@deloitte.com

注意：本文为一般性信息，不构成专业建议。在做出任何决策前，应咨询合格的专业顾问。