کاربرد هوش تجاری (BI) و الگوریتم‌های کشف تقلب در حسابرسی مالی

انبوه داده‌های به دست آماده از ابزارها، فرآیندها و سامانه‌های اطلاعاتی و مالی و چالش‌های مرتبط با استخراج تحلیل‌های هدفمند و موثر بی‌شک یکی از دغدغه‌های اصلی سازمان‌های نوین است.

رپرتاژ آگهی: در فرصت گفتگو با محمد وحیدنیا - Mohammad Vahidnia، مدیرعامل شرکت راهکار مالی و تجارت ابری داد و صاحب برند داد راهکار در این باره به بحث و گفتگو  پرداختیم.

**مصاحبه‌گر (م.گ):** عصر بخیر، آقای وحیدنیا. ممنون از اینکه امروز به ما پیوستید. شاید بهتر باشه از اینکه چگونه وارد این حوزه شده اید و همین موضوع استفاده ازهوش تجاری در کشف تخلفات مالی گفتگو رو آغاز کنیم؟

**محمد وحیدنیا (م.و):** عصر بخیر، و ممنون از دعوت شما. من در ابتدا فعالیت حرفه‌ای خودم رو در زمینه حسابداری مالی و مدیریت شروع کردم و بیش از ۵ سال پیش تصمیم به تمرکز جدی در زمینه هوش تجاری و تحلیل داده‌ها در زمینه مالی و حسابداری گرفتم.   همیشه معتقد بودم که استفاده از داده‌ها برای بهبود کسب‌ و کار و تسهیل تصمیم‌گیری بسیار ضروری است. بهبود عملکرد و ایجاد شفافیت جز‌ء اهداف هر سازمانی است  که برای رسیدن به آن، پیاده‌سازی روش‌ها و راهکارهای پیشگیرانه و کنترل گر الزامی می‌باشد.

 با توجه به تجربه همکاری با شرکت‌ها و سازمان‌های مختلف در DaadSolutions، توانستیم مجموعه از راهکارها را برای  دستیابی به این منظور طراحی نماییم. این راهکارها مجموعه‌ای از پروتکل‌های عملکردی، فرآیندها، نرم افزارهای مالی، هوش‌تجاری و گزارش‌گیری را شامل می‌شوند.

(م.گ):  بسیار خوب. می‌توانید با یک مثال، تحلیل اطلاعات توسط هوش تجاری را در  شناسایی تخلفات مالی را بیشتر توضیح دهید؟

(م.و):  حتماً. یکی از روش‌هایی که در DaadSolutions استفاده می‌کنیم، تحلیل BOM - Bill of Materials است. به عنوان مثال،  در شرکت‌های تولیدی، تحلیل BOM می‌تواند به ما کمک کند تا تغییرات در مصرف مواد در تولید محصول را که ممکن است نشانه تقلب باشد، شناسایی کنیم. با مقایسه مصرف واقعی مواد با BOM استاندارد، می‌توانیم مواردی را که نشان‌دهنده انحراف مصرف یا ناکارآمدی‌های احتمالی هستند را شناسایی کنیم. روش دیگر می‌تواند تحلیل روند هزینه‌ها و مقایسه آن با اطلاعات تاریخی مجموعه‌ها باشد. این دو مثال تنها بخش کوچکی از زمینه‌های قابل بررسی در شرکت‌ها می‌باشند.

(م.گ): می‌توانید یک مورد خاص را که تحلیل BOM منجر به شناسایی انحرافات گردیده‌ است را  با ما به اشتراک بگذارید؟

(م.و):  بله، البته یکی از اصول اخلاق حرفه‌ای ما حفظ اسرار مشتریان است. به همین دلیل صرفا کلیات را خدمتتون عرض میکنم. ما با یک شرکت تولیدی کار کردیم که تغییرات غیرقابل توجیهی در هزینه‌های تولید داشتند. با انجام تحلیل BOM دقیق توسط هوش تجاری (BI)، تفاوت‌هایی بین مصرف واقعی و استاندارد در مواد خام پیدا کردیم. تحقیقات بیشتر بیانگر سوء استفاده برخی از افراد بود. راهکار ما با به تصویر کشیدن این اطلاعات در یک داشبورد هوش تجاری کمک به شناسایی این معضل و  پاسخگو نمودن افراد خطا کار نمود.

(م.گ): شما به تحلیل روند هزینه‌ها به عنوان یک روش دیگر اشاره کردید. کمی بیشتر توضیح می‌دهید؟

(م.و):  بله، حتما! تحلیل روند هزینه شامل بررسی  تراکنش‌های هزینه‌ای به صورت تک به تک برای شناسایی داده‌های خارج از عرف سازمان است. با استفاده از تحلیل پیشرفته و الگوریتم ضد تقلبی که خودمان توسعه دادیم می‌توانیم تراکنش‌هایی را که از الگوی استاندارد منحرف می‌شوند، شناسایی کنیم.الگوریتم ما، براساس اطلاعات و نیاز خاص سازمان ها تنظیم می‌شود، فعالیت‌های غیرمعمول و مشکوک را شناسایی می‌کند و تراکنش های مشکوک را برای بررسی بیشتر به تصویر میکشد. در نتیجه به طور قابل توجهی نیاز به حسابرسی‌های موردی و نمونه‌گیری غیر‌ هدفمند را کاهش می‌دهد.

(م.گ): در مورد الگوریتم ضد تقلب خودتان صحبت کردید. می‌توانید راجع به نحوه عملکرد آن بیشتر  توضیح دهید؟

(م.و): الگوریتم ما رفتار حسابرسان را شبیه‌سازی می‌کند و  اجازه می‌دهد تا انحرافات را در زمان وقوع  شناسایی کنیم. این الگوریتم  به طور مداوم از داده‌های تاریخی می‌آموزد تا دقت خود را بهبود بخشد. یکی از روش‌های اصلی، شناسایی انحرافات در داده‌های BOM است. ما با استفاده از تحلیل‌های آماری و یادگیری ماشین، الگوهای عادی مصرف مواد را شناسایی کرده و هر گونه انحراف از این الگوها را به عنوان  نشانه احتمالی تقلب در نظر می‌گیریم.

(م.گ): آیا روش‌های دیگری را به همراه تحلیل BOM و تحلیل روند هزینه برای شناسایی تقلب استفاده می‌کنید؟

(م.و):  بله، ما از چندین روش دیگر نیز استفاده می‌کنیم. یکی از تکنیک‌های موثر، تحلیل نسبت‌ها است که در آن نسبت‌های مالی را در طول زمان بررسی می‌کنیم تا ناسازگاری‌ها را شناسایی کنیم. به عنوان مثال، تغییرات ناگهانی در نسبت گردش موجودی ممکن است نشان‌دهنده سرقت یا سوءمدیریت موجودی باشد. علاوه بر این، ما از تکنیک‌های داده‌کاوی برای کشف الگوها و همبستگی‌های پنهان در داده‌ها که ممکن است از طریق تحلیل سنتی آشکار نباشد، استفاده می‌کنیم.

(م.گ): چگونه اطمینان حاصل می‌کنید که روش‌های شما با نیازهای منحصر به فرد هر سازمان سازگار شده‌اند؟

(م.و):  با ارزیابی جامع زیرساخت داده‌ها و فرآیندهای کسب‌وکار موجود در سازمان ها شروع می‌کنیم. این امر به ما کمک می‌کند تا چالش‌های منحصر به فرد آن‌ها را درک کنیم و راه‌حل‌های سفارشی توسعه دهیم. به عنوان مثال، الگوریتم ضد تقلب ما انعطاف‌پذیر و قابل تنظیم است و به ما امکان می‌دهد تا براساس ویژگی‌های خاص داده‌های شرکت آن را باز طراحی کنیم.

(م.گ): معیار شما برای اندازه‌گیری و سنجش میزان موفقیت داشبوردهای شما در شناسایی انحرافات چیست؟

(م.و): موفقیت را می‌توان به چندین روش اندازه‌گیری کرد. یکی از  آن ها میزان کاهش شاخص‌های کلیدی فعالیت‌های تقلبی در طول زمان است. با مقایسه تعداد موارد تقلب شناسایی شده قبل و بعد از اجرای راه‌حل‌های ما، می‌توانیم اثربخشی آن‌ها را ارزیابی کنیم. علاوه بر این، بهبود کلی بهره‌وری شرکت نشانگر موفقیت هستند. شرکت‌هایی که راه‌حل‌های ما را اتخاذ می‌کنند اغلب گزارش افزایش اعتماد سرمایه‌گذاران و بهبود عملکرد مالی را می‌دهند.

(م.گ): در نهایت، چه توصیه‌ای به شرکت‌هایی که می‌خواهند داشبوردهای تحلیل داده‌ها و راهکارهای شناسایی انحرافات را استفاده نمایند دارید؟

(م.و): توصیه من این است که با درک دقیق  و واقع بینانه از فرایند‌های فعلی سازمان خود شروع کنند. استفاده و بکارگیری ابزارها و فناوری‌های مناسب که می‌توانند با پیچیدگی و حجم داده‌های شما مقابله کنند، ضروری است. همکاری با کارشناسانی که در این زمینه سابقه موفقیت‌آمیز دارند، می‌تواند تفاوت بزرگی ایجاد کند. ایجاد فرهنگ شفافیت و بهبود مستمر در سازمان نیز به تضمین موفقیت طولانی‌مدت کمک خواهد کرد.

(م.گ): آقای وحیدنیا، با سپاس  از اینکه امروز تجربیات خود را با ما به اشتراک گذاشتید اگر سخنی در پایان دارید بفرمایید.

(م.و): از دعوت شما متشکرم. خوشحالم که  فرصت مصاحبت با شما را به نمایندگی از طرف همه اعضای تیم   داد راهکار  داشتم و امیدوارم که سازمان‌ها با نگرش صحیح بتوانند بهترین بازدهی را از راهکارها و ابزارهای تحلیلی دریافت کنند.