Fiktív cégek a hálóban

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Fiktív cégek a hálóban"

Imre Balog
5 évvel ezelőtt
Látták:

1 Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft.

2 Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek) Andego Tanácsadó Kft. fő profilja: Intelligens applikációk kifejlesztése (Next Csalás detektáló szoftver, Sixtep hálózati szoftver, Hitelelbíráló modul) Céginformációs rendszer és elemzése CRM és BI témájú adatbányászati projektek Partnerek IFUA Partners, Microsoft Magyarország, BI Consulting Kft. Referenciák OTP, Fókusz Takarék, Uniqa/Uniqa Asiguri, Signal Biztosító, PBA, Lombard Lízing, MKB Euroleasing, Vodafone, Sanofi-avensis, KÖBE

3 Tartalom Mikor fiktív egy cég? Néhány érdekesség a fiktív cégekről? Fiktív cégek modellezése adatbányászati és hálózati módszerekkel Módszertani kérdések Az adatokról Eredmény kiértékelés egy kicsit másképp

4 Fiktív cégek Fiktív (fantom) cégeknek nevezzük azokat a társaságokat, amelyeket alapítóik évekkel korábban hoztak létre, ma már azonban tényleges tevékenységet nem fejtenek ki, de még nem szüntették meg azokat. Fantomcégek továbbá a jogellenes tevékenység folytatását leplező vállalkozások, bejegyzett tevékenységüket ténylegesen nem gyakorolják, csupán a fiktív ügyletek során kiállított számlákat adják és veszik különféle láncolatok, "számlagyárak" tagjaként. A fiktív cégek alatt tehát hétköznapi értelemben olyan cégeket értünk, melyek nem végeznek valós gazdasági tevékenységet, és elsődlegesen pénzmosás céljából jönnek létre.

5 Pénzmosás volumene Összeg (milliárd USD) Magyarország éves GDP-je Apple piaci kapitalizációja (2018. I. negyedév) Pénzmosás volumene világszinten

6 NAV eszközei a fiktív cégek ellen Jogi eszközök Adószám alkalmazásának felfüggesztése és adószám törlése jogintézményét (2006) Alapelv: NAV-nak bizonyítani kell a gazdasági tevékenység hiányát (ha ez sikerül, akkor 200%-os bírság!) DE - fiktív gyanús esetekben (számlaláncolat) a számlabefogadó cég felelősségét nem vizsgálja a NAV, az adólevonási jogot mindenképp vitatja a számlabefogadó cégtől Informatikai eszközök

7 Fiktív cégek jellemző sajátosságai Céghalmozók Cégtemetők Körbeszámlázások

8 Ki az az E. József? Google Buamgartner díjas költő 56-os portál E. József pere és költői munkássága E. József Facobook profilja Holott Magyarország legnagyobb céghalmozója!

9 TOP10 céghalmozó 120,0% TOP10 Fiktív halmozók 100,0% 95,9% 80,0% 76,5% 60,0% ,7% 61,1% 40,0% 20,0% 0,0% 3,9% 3,9% E. József J. Mónika Zsuzsanna 1,6% 0,8% 1,6% 0,8% E. Márton Attila ,7% 90 17,9% 81 17,9% ,8% 73 7,4% 5,3% 1,1% 0,0% 0,0% 0,0% T. Szabolcs Sz. Gábor B. Andor M. Szabolcs Z. Hanlong A. Tamás B. Hajnalka Jelenleg hány cégben tulajdonos Ebből mennyi még az aktív cég

10 Cégtemetők Cégtemetők Cégek száma Akótív cégek száma Aktív arány 1157 BUDAPEST NYIRPALOTA % 2800 TATABANYA KOMAROMI % 1115 BUDAPEST BARTFAI % 4600 KISVARDA LITKI % 1078 BUDAPEST HERNAD % 1139 BUDAPEST UTEG % 1085 BUDAPEST JOZSEF % 1114 BUDAPEST BARTOK % 1135 BUDAPEST BEKE % 4600 KISVARDA GAGARIN % 4625 ZAHONY ADY % 1133 BUDAPEST PANNONIA %

11 Szeged Vedres utca cég

12 Kitűzött feladat Tisztán céginformációs adatok alapján készítsünk el egy adatbányászati modellt, ami alapján kiszűrhetők a fiktív cégek

Irányított tanítás Az alapelv: minél több múltbeli adatot gyűjtsünk össze az adott ügyfélről, és ez alapján jelezzük előre jövőbeli viselkedését.

13 Irányított tanítás Az alapelv: minél több múltbeli adatot gyűjtsünk össze az adott ügyfélről, és ez alapján jelezzük előre jövőbeli viselkedését. Célváltozó Jövő Múltbeli adatok Demográfiai/firmográfiai adatok Tranzakciós adatok (kommunikáció/pénzforgalom) CRM adatok ügyfél-vállalati interakciók Termék használati adatok Stb. Ügyfél Prediktív modell Lemondja Churn a szerződését? Csődbejut Csődbe jut? Nem fizet Csalást fog elkövetni? Csaló Fiktív Vásárolni fog az adott termékből?

14 Irányított tanítás - ismeretlen feldelzése Irányított tanítás Prediktív modell A tanító adatbázisban a célváltozó értéke 100%- osan ismert és kitöltött Iteratív modell A tanító adatbázisban a célváltozó értéke nem ismert vagy nem teljesen kitöltött Churn Csődbejut Nem fizet Csalás Fiktív cég beazonosítása

15 Iteratív modell tanító adatbázis előállítása Input változók CÉLVÁLTOZÓ Nem fiktív cégek Fiktív cégek

16 Iteratív modell tanító adatbázis előállítása Ötlet: fiktív cégekre jellemző tulajdonság alapján olyan szegmensek leválogatása, ahol erősen sejthető, hogy a különböző szegmensekben eltérő a fiktív cégek aránya. Célváltozó: szegmens címke (4 értéket vehetett fel) A. Céghalmozók cégei, amelyek cégtemetőn vannak B. Céghalmozók cégei, amelyek nem cégtemetőn vannak C. Cégtemetőn lévő cégek, melyek nem céghalmozókhoz tartozik D. Nem céghalmozóhoz tartozó és nem cégtemetőn lévő cég Cég fiktív valószínűsége

17 Milyen adatokat alkalmaztunk? Cégre vonatkozó saját adatok (mérleg, létszám, ) CÉG

18 Milyen adatokat alkalmaztunk? Közvetlen kapcsolatai a cégnek (hány céggel van kapcsolatban,..) CÉG

19 Milyen adatokat alkalmaztunk? Klaszter szintű adatok (klaszter mérete, sűrűsége) CÉG Klaszter

20 Érdekesség I. hatékony cég fiktív? Volt olyan év, ahol az egy főre jutó árbevétel meghaladta az 40M Ft-ot 1. Mindketto listaban benne van 2. Ceghalmozo listában van benne 3. Cegtemeto listában van benne 4. Véletlenszerűen leválogatott aktív cég Nem Igen Összesen Nem 66,3% 79,5% 80,7% 87,6% Igen 33,7% 20,5% 19,3% 12,4%

21 Érdekesség II. nagy klaszterek gyanúsak? Mekkora klaszterbe tartozik a cég? (cég, magánszemély) 1. Mindketto listaban benne van 2. Ceghalmozo listában van benne 3. Cegtemeto listában van benne 4. Véletlenszerűen leválogatott aktív cég Maximum és 10 között felett Összesen Maximum 4 2,2% 12,7% 35,8% 26,7% 4 és 10 között 2,8% 12,7% 25,9% 35,6% 10 felett 95,0% 74,5% 38,2% 37,6%

22 Kiértékelés ahogy szoktuk SCORE alapján képzett szegmensek 1. Mindketto listaban benne van Mintában lévő 4 szegmens 2. Ceghalmozo listában van benne 3. Cegtemeto listában van benne 4. Véletlenszerűen leválogatott aktív cég Átlagos (0-5 pont) 1 0,2% 39 12,7% ,6% ,0% Magas (6-14 pont) 43 7,9% ,5% ,3% ,7% Extra magas (15-26) ,9% ,7% 38 6,1% 2 0,3% Mi a gond?

23 Kiértékelés I. kiszűrt cégek kézi ellenőrzése Unió Valtameri Kft.

24 Kiértékelés II. NAV adóslista ADÓSZÁM CÉG NEVE SCORE Megállapított adóhiány SPDC Hungary ( i lista első helyezettje) M Optic Objekt Kft M SMART ELECTRIC SYSTEM Kft M Oceaneering International Magyarország Kft M Ferro Business Hungary Kft M GLOBAL-N Hungary Kft M MERCANTILE Kereskedelmi és Szolgáltató Kft M Transport Company Kft M Rontex Trade Kft M Moonlight Shadow Kft M MSKATONER Kft M Mentreor Kft M Dracarys Kft M WOODMAX Kereskedelmi és Szolgáltató Kft M Sárospatak-HUNGÁRIA Édesipari Kft M Penta Unio Trade Kft M Pagatel Car Kft M ANTOLA Építőipari Szolgáltató Kft M ELFENDEL Kft M RÓZSADOMB GARDEN Kft M TOP20 adós 5,25 Összes aktív cég 3,70

25 Kiértékelés III. nem mindig detektálunk fiktív eseményt 140 Cégek száma jan.16 febr.16 márc ápr.16 8 máj jún.16 5 júl aug.16 szept.16 3 okt nov.16 dec jan.17 4 febr márc ápr.17 máj jún júl aug.17 szept.17 okt.17 nov dec.17

26 Összefoglalás amiről szó volt A fiktív cégek modellezése egy speciális területe az adatbányászatnak (a célváltozó piszkos ) Egy módszertan került bemutatásra, hogy lehet ilyen esetekben tanító adatbázist felépíteni Kiértékelésnél is új módszerek kerültek bemutatásra (a hagyományos kiértékelés korlátai)

Hasonló dokumentumok

Fiktív cégek a hálóban

Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft. Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)