Roteiro da apresentação

• Apresentação

• Metodologia utilizada

• Motivação para a pesquisa (contexto)

• Resultados alcançados

Título da pesquisa: Descoberta de Conhecimento em Bases de Dados, com base em técnicas de Análise Preditiva, visando ao auxílio e ao aprimoramento da atividade de controle externo desempenhada pelo TCE-RJ

Questão de pesquisa:

É possível a implementação de técnicas de detecção de fraudes com a utilização de mineração de dados nas auditorias realizadas pelo TCE-RJ?

Objetivo Geral:

Demonstrar a possibilidade da implementação de técnicas de mineração de dados para detecção de fraudes no âmbito de auditorias governamentais.

Áreas de conhecimento envolvidas na pesquisa:

• Auditoria Governamental

• Detecção de Fraudes

• Mineração de Dados (análise de dados/analytics)

Como a pesquisa foi desenvolvida

• Revisão da literatura;

• Estudos de casos (aplicações a bases de dados reais);

Auditoria orientada a dados

Abordagem de auditoria pró-ativa centrada na análise de dados. Implementação fundada no trio: negócio, técnica e tecnologia.

• Negócio: técnicos com conhecimento da área de aplicação: auditoria, licitações, folha de pagamentos, etc.

• Técnica: técnicos com conhecimento das técnicas de mineração de dados

• Tecnologia: técnicos com conhecimento de softwares para implementação de algoritmos de mineração de dados e de bancos de dados

Detecção de Fraudes?

"Detecção de fraude é o processo automatizado de identificação de casos de alto risco" ( Veronique Van Vlasselaer et all: GOTCHA! Network-based Fraud Detection for Social Security Fraud )

Não é novidade. Enorme quantidade de artigos e livros. Área de conhecimento já bem estabelecida.

Em auditoria: Auditoria Forense, Contabilidade Forense

Livros nacionais já publicados fazem muito pouco (ou nenhum) uso de análise de dados…

Detecção de Fraudes? (cont.)

Taxonomia das Técnicas de Detecção Eletrônica de Fraudes, adaptado de (TRAVAILLE et al., 2011).

Softwares utilizados • R (open source)

• SQLServer (disponível no TCE-RJ)

Pacotes do R:

• arules, arulesViz (regras de associação)

• igraph, visNetwork (redes sociais)

• foreach, parallel , snow (processamento em paralelo)

• Quanteda, tm (mineração de texto)

• dplyr, openxlsx, RODBC, sqldf, plyr, stringr, data.table (importação e pré-processamento de dados)

Softwares utilizados (cont.)

Não dá pra alegar falta de software para implementar análise

de dados

Dados utilizados Nesta pesquisa foram utilizados os seguintes conjuntos de dados:

• dados de licitações realizadas (jan/11 a ago/15)

• dados de contratos celebrados

• dados de itens licitados

• dados dos participantes

• dados sobre empresas do ERJ (composição acionária)

Regras de Associação

Técnica de mineração de dados que consiste na detecção de associações que ocorrem com frequência entre itens.

Exemplo: (4 primeiras regras)

Análise de Redes Sociais

As Redes Sociais consistem em estruturas que representam entidades e relacionamentos entre estas.

Exemplo:

Análise de Redes Sociais (Participação societária em comum)

Universo de Empresas com

participação societária em

comum

Applet com demonstração de resultados

Utilizamos grafos direcionados para representar a relação

entre as empresas participantes das licitações, da seguinte

forma:

1. cada empresa é representada por um nó;

2. as empresas que participaram de um mesmo certame

estarão associadas por relações do tipo “perdedor-vencedor”.

Tal relação é representada por uma aresta que se inicia no nó

representativo da empresa participante perdedora para o nó

representativo da licitante vencedora

Análise de Redes Sociais (Indícios de formação de cartéis)

Análise de Redes Sociais (Indícios de formação de cartéis)

Clusterização por meio da

técnica de Detecção de

Comunidades

1. É alcançada por

uma grande

quantidade de links;

2. É alcançada por

páginas relevantes; e

3. Aponta para

páginas relevantes.

Análise de Redes Sociais (Indícios de formação de cartéis)

Ranqueamento por meio de PageRank

1. É alcançada por

uma grande

quantidade de links;

2. É alcançada por

páginas relevantes; e

3. Aponta para

páginas relevantes.

1. Sagram-se vencedoras com uma

frequência acima da média,

configurando uma grande

concentração ou monopólio de

mercado;

Análise de Redes Sociais (Indícios de formação de cartéis)

Ranqueamento por meio de PageRank

1. É alcançada por

uma grande

quantidade de links;

2. É alcançada por

páginas relevantes; e

3. Aponta para

páginas relevantes.

2. Vencem licitações das quais

também participaram outras

empresas relevantes (casos de

rodízio de empresas que detém

forte fatia de um determinado

mercado e atuam de forma

coordenada, alternando-se como

vencedoras em licitações, são

casos típicos em que esta situação

acontece); e

Análise de Redes Sociais (Indícios de formação de cartéis)

Ranqueamento por meio de PageRank

1. É alcançada por

uma grande

quantidade de links;

2. É alcançada por

páginas relevantes; e

3. Aponta para

páginas relevantes.

3. Costumam participar de certames

em que licitantes relevantes

sagram-se vencedoras. Isto ocorre

em situações em que o papel

preponderante desempenhado por

determinada empresa é o de

figurante ou de “coelho” (uma

empresa atua de forma a elevar os

preços do item licitado, sem ter a

real intenção vencer a licitação).

Análise de Redes Sociais (Indícios de formação de cartéis)

Ranqueamento por meio de PageRank

PageRank

Análise de Redes Sociais (Indícios de formação de cartéis)

Dashboard com demonstração de resultados

Dashboard com demonstração de resultados

Dashboard com demonstração de resultados

Dashboard com demonstração de resultados

Dashboard com demonstração de resultados

Dashboard com demonstração de resultados

A pesquisa evidenciou ser possível a incorporação de

técnicas de mineração de dados nas auditorias realizadas

pelo TCE-RJ.

Conclusão

Situação atual:

• Técnicos com bom conhecimento do negócio

• Carência de conhecimentos em análise de dados

• Cultura de controle fortemente baseada em análise

documental

Conclusão (cont.)

Sugestões de melhoria:

• Considerar a capacitação em análise de dados como

elemento estratégico;

• Investir em treinamento em métodos quantitativos e software adequados

Conclusão (cont.)

Sugestões de melhoria:

• Treinamento em auditoria forense

• Aumento da maturidade analítica do TCE-RJ

• Criação de uma comunidade de prática

Conclusão (cont.)

Pesquisas futuras:

• Utilização de técnicas supervisionadas

• Auditorias preditivas

Conclusão (cont.)