2018年-德勤全球_The_evolution_of_forensic_investigations_series_24页_12mb

报告摘要

总结：Deloitte关于法务调查与欺诈风险管理的演进

核心内容

本文档探讨了法务调查（forensic investigations）在欺诈风险管理中的演进，强调了结合人类智慧与机器智能的重要性。随着欺诈手段的不断升级，传统基于规则的调查方法已显不足，而数据驱动和分析技术的应用成为应对欺诈的新路径。

主要观点

欺诈的快速演变
欺诈行为正以惊人的速度出现、扩散和演变，受到技术进步和不法分子创造力的影响。企业内部欺诈平均造成年收入的5%损失，而外部欺诈则更加复杂和难以察觉。
传统方法的局限性
- 基于规则的测试方法只能提供“是”或“否”的答案，容易产生大量误报。
- 依赖单一数据集的分析无法发现复杂的欺诈模式。
- 数据孤岛阻碍了跨部门和跨数据源的分析能力。
数据驱动的调查方法
- 通过机器学习、人工智能和统计分析，可以更有效地识别异常交易和欺诈行为。
- 从数据中发现异常，有助于制定更智能的规则，提高调查效率和准确性。
- 数据驱动方法可以减少人为错误，支持更全面的分析。
欺诈风险评估的转变
从交易层面转向实体层面的风险评估，通过文本分析和网络分析，能够更准确地识别潜在风险。
技术挑战与应对策略
- 现有技术可能无法满足欺诈调查的需求，且替换成本高。
- 技术工具仍在发展中，使用体验和配置复杂，阻碍了广泛采用。
- 法务和合规团队对新技术的接受度不高，可能更倾向于传统方法。
- 外包可能导致技术依赖和解决方案僵化。
建立有效的技术基础
- 组织应考虑如何整合数据并建立统一的平台。
- 需要制定清晰的策略，明确技术投资与合规目标的关联。
- 技术应具备可扩展性，以支持多用途的数据分析。

关键信息

欺诈损失：内部欺诈平均造成企业年收入的5%损失。
技术挑战：现有系统可能不支持复杂分析，工具尚未成熟，数据孤岛问题严重。
数据驱动方法：通过整合结构化和非结构化数据，结合人工智能和统计分析，可提高欺诈检测能力。
策略建议：组织应通过试点项目逐步推进，明确数据管理、技术投资和团队协作策略。
技术基础建设：应建立统一的数据平台，确保数据安全、可访问性和一致性。

实施路径

涉及利益相关者：在制定转型路线图时，应与内部审计、法务、合规、IT及业务部门协作，识别高风险领域。
集中数据管理：尽可能整合数据，确保数据完整性、一致性和控制。
建立安全数据访问：制定数据处理和存储策略，确保敏感信息的安全。
引入外部数据：将第三方数据（如社交媒体、行业数据库）纳入分析，以获得更全面的风险视图。
技术投资与规划：投资于可扩展的技术平台，支持结构化和非结构化数据的分析，同时考虑工具的可视化和用户友好性。
选择合适的起点：优先选择具有高回报潜力的欺诈风险领域进行试点，逐步扩展。

未来展望

从被动到主动：随着人工智能和机器学习的发展，欺诈检测将从被动反应转向主动预防。
人机协同：法务和合规团队将与技术团队更紧密合作，形成“人与机器”协同的调查模式。
持续监控：通过持续的欺诈监控和高级分析，企业可以更早识别和阻止欺诈行为，提高运营效率和安全性。

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
Ed Rial
Principal | Deloitte Risk and Financial Advisory
Deloitte Financial Advisory Services LLP
+1 212 436 5809
erial@deloitte.com
Satish Lalchand
Principal | Deloitte Risk and Financial Advisory
Deloitte Transactions and Business Analytics LLP
+1 202 220 2738
slalchand@deloitte.com
Shuba Balasubramanian
Principal | Deloitte Risk and Financial Advisory
Deloitte Financial Advisory Services LLP
+1 469 387 3497
subalasubramanian@deloitte.com