Fehér Tamás, Hofgesang Péter T-Systems Magyarország. Adócsalók a RADAR képernyőjén

Átírás

1 Fehér Tamás, Hofgesang Péter T-Systems Magyarország Adócsalók a RADAR képernyőjén

2 Adatbányászat A sör és pelenka elhelyezésétől a twitterezők hangulatának elemzéséig

3 NAV-előzmények Igény Egy olyan rendszer és eszköztár használatba vételére, ami hatékonyan támogatja a kiválasztáshoz szükséges elemző munkát Kezdeti körülmények Helyi adatbázisok Részben elavult adatpiacok Helyi megoldások Kiválasztás több rendszerből Adatkörök változása, változatossága Öszetett szempontok Megérzés alapján történő szűrések több millió vállalkozás, vállalkozó és magánszemély Néhány ezer revizori pár

4 Rugalmas Adóellenőrzési és Döntéstámogató Adatbányászati Rendszer A projekt célja a hatékony elemzésre alkalmas környezet létrehozása, valamint az elemzési szakismeret átadása a hivatal szakembereinek. Megvalósítás Adattárház, adatpiacok Kiválasztó rendszer Kockázatbecslő modellek Adózói Dosszié Megtérülés Kulcsfelhasználók elégedettsége A projekt korai szakaszától kezdve látható eredmények 45 perces megtérülés

5 A prediktív modellezés koncepciója 34% 8% 64% 3% 32% 57% 10% 63% 56% 45% 9% Ellenőrzöttek (Ellenőrzött adózók, ismert revíziós eredmények) Vizsgálandók (Vizsgálandó adózók, csalás, adóelkerülés kockázatának becslése)

6 Adatbányászati folyamat (a RADAR mentén) Üzleti probléma értelmezése Adatgyűjtés és előkészítés Adatelérés Mintavételezés Transzformáció Elemzések Modellezés és értékelés Modellezés Tesztelés Kiértékelés és értelmezés Alkalmazás Modellalkalmazás Riportolás Egyéb alkalmazások

7 Üzleti probléma klasszikus karusszelcsalás modellje 2. TAGÁLLAM Nem fizeti be az áfát a belföldi értékesítés után Az ügylet törvényes látszatának erősítése Sokszor 5-10 szereplős láncolat Nyereségszerző Legálisnak tűnő áfa-visszaigénylés HIÁNYZÓ KERESKEDŐ PUFFERCÉGEK BRÓKERCÉG ÁFA ÁFA 890 ÁFAMENTES CSATORNA VÁLLALKOZÁS(OK) 920 ÁFAMENTES 1. TAGÁLLAM

8 Adatgyűjtés és előkészítés Magyarázó változók KAT mutatók KoKaIn mutatók Cél változó Csalásban érintett adózók Vizsgált és nem csalt adózók Elemzői állomány

9 Előkészítő, feltáró elemzések Egy-egy változó relevanciája Szabályok, összefüggések felismerése Modellezés és értékelés OK OK FRAUD OK Modellezés helyessége Tesztkörülmények OK FRAUD

10 pontszám Adócsalók a RADAR képernyőjén Alkalmazás Modellszabályok alapján pontozó és kockázati osztályba soroló eljárások Teljes adózói kör nagyüzemi kockázatértékelése Kiválasztási listák sorrendezése a kockázati pontszámok alapján Kockázati osztályba sorolás országos szinten Kockázatok nagyságának és elterjedtségének megállapítása kockázati térkép Revizori erőforrások optimális elosztása kockázati mátrix Magas (5%) Közepes (35%) Alacsony (60%)

11 Adatbányászati és szakértői rendszerek integrációja Modellek szerinti kockázati besorolások MODELL 1 MODELL 2 MODELL 3 Új vállalkozások kockázati besorolása MODELL 4 MODELL 5 Összevont kockázat Szakértői listák

12 Visszamérés Az első modelljeink hatékonyságának visszamérése a következő év ellenőrzései alapján Adóellenőrzések számának megoszlása Valószínűtlen 31% Valószínű 21% Nettó adókülönbözet megoszlása Valószínűtlen 8% Elképzelhető 26% Valószínű 66% Elképzelhető 48% Forrás: Vikárius Gabriella, NAV Központ, Ellenőrzési főosztály, IQsymposium 2010

13 Magas kockázatú adózók számának megoszlása Forrás: Vikárius Gabriella, NAV Központ, Ellenőrzési főosztály, IQsymposium 2010

14 Csalásfelderítő rendszer Kockázati modellek Ellenőrzési listák Ellenőrzések Visszamérések

15 Adózói hálózatok - Panorama vizualizáció

16 További előadásaink, bemutatóink Előadás: Megfelelés és kockázatkezelés Fehér Tamás, Móra Krisztina, Pénzintézetek szekció, 14:30 Bemutató: Panorama hálózatos elemzés és adatmegjelenítés Stand: Hálózatelemzés és információmenedzsment

17 Köszönjük a figyelmet! Fehér Tamás feher.tamas@t-systems.hu Hofgesang Péter hofgesang.peter@pp.t-systems.hu