Met data-analyse beter gewapend tegen factuurfraude

Factuurfraude is een populaire vorm van oplichting. Het is relatief eenvoudig om een nepfactuur op te stellen die, dat hopen de daders dan maar, door de mazen van het net glipt en betaald wordt. Zodra het geld is overgemaakt, is het kwaad geschied: je bent het geld kwijt en het is ook niet meer terug te halen. Gelukkig zijn er allerlei hulpmiddelen die je kan inzetten in je strijd tegen factuurfraude.

Vaak denken we bij het horen van factuurfraude aan kleine en middelgrote ondernemingen die zich laten verrassen door een spookfactuur. Maar niets is minder waar, ook techgiganten Facebook en Google werden al eerder slachtoffer van slinkse criminelen. Het kostte hen respectievelijk 99 miljoen dollar en 23 miljoen dollar. Of wat te denken van de twee topmensen van Pathé Nederland die ongewild in totaal 19 miljoen euro overmaakten aan internetcriminelen.

Voorkomen is beter dan genezen
Deze voorbeelden maken duidelijk dat factuurfraude een groot probleem is voor zowel grote als kleine bedrijven. Tijd dus om uit te zoeken hoe we ons beter kunnen wapenen tegen deze vorm van oplichting. Het is verleidelijk om ons hierbij alleen te richten op technische hulpmiddelen om fraude tegen te gaan, maar laten we niet vergeten dat er ook een menselijk kant is aan het verhaal. Een medewerker die zich verbonden voelt met het bedrijf, zal niet alleen minder geneigd zijn om zelf fraude te plegen, deze medewerker heeft ook meer respect en begrip voor regels en controles. Want bedrijven waar regels en controles niet gehandhaafd worden, daar staat de deur voor criminelen open. Een gezonde en open cultuur gecombineerd met de implementatie van bijvoorbeeld het vier-ogen-principe, IBAN-checks en functiescheiding zijn belangrijke factoren bij het voorkomen van internetfraude.

Data-analyse biedt een helpende hand
Als we kijken naar de diverse data-analysetechnieken, dan zijn er zeker verschillende opties mogelijk om ons te helpen in de strijd tegen factuurfraude. Hierbij is het belangrijk om eerst de complexiteit van alle processen in de organisatie in kaart te brengen en vervolgens de risico’s te analyseren. Op basis van deze analyse wordt bepaald welke technologie het beste past. Zo zijn er statische regels, statische analyses, tekstanalyse of AI-toepassingen.

Bij statische analyse stel je bijvoorbeeld een alarm in wat medewerkers waarschuwt wanneer een leverancier opeens veel hogere prijzen hanteert. Een tekstanalyse is dan weer uitermate geschikt om vreemde omschrijvingen in facturen op te sporen. Met een statische regel detecteer je wanneer één order wordt verdeeld over meerdere facturen. Dat valt ons misschien niet op als we alleen de losse facturen zien, maar door data-analyse in te zetten wordt opeens duidelijk dat er wel 20 facturen in de administratie staan met hetzelfde ordernummer.

Kunstmatige intelligentie aan het werk
Gaan we nog een stap verder, dan is unsupervised learning zeer geschikt om uitschieters (outliers) te detecteren op facturen van leveranciers. Een algoritme berekent per factuur een outlier-score. Hoe het dat doet? Eerst deelt het algoritme alle leveranciers op in een cluster op basis van de aangeboden producten en diensten. Vervolgens gaat het algoritme na hoe opvallend de details van een specifieke factuur zijn in vergelijking met de leverancier, de cluster en daarna de hele populatie. Op basis van dit alles bepaalt het algoritme de outlier-score en worden bepaalde facturen onder onze aandacht gebracht. Het voordeel van deze outlier-detectie is dat het zowel proactief als reactief ingezet wordt. Natuurlijk is zo’n intelligent systeem ingewikkelder om te implementeren dan een statische regel, maar het levert dan ook onmiddellijk een meerwaarde op dankzij het proactieve karakter.