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) 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
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
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.
Pénzmosás volumene 2 500 Összeg (milliárd USD) 2 000 2 000 1 500 1 000 800 500 0 125 Magyarország éves GDP-je Apple piaci kapitalizációja (2018. I. negyedév) Pénzmosás volumene világszinten
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
Fiktív cégek jellemző sajátosságai Céghalmozók Cégtemetők Körbeszámlázások
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!
TOP10 céghalmozó 120,0% 1.128 TOP10 Fiktív halmozók 100,0% 95,9% 80,0% 76,5% 60,0% 443 248 196 60,7% 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 122 30,7% 90 17,9% 81 17,9% 76 75 15,8% 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
Cégtemetők Cégtemetők Cégek száma Akótív cégek száma Aktív arány 1157 BUDAPEST NYIRPALOTA 5 1588 306 19% 2800 TATABANYA KOMAROMI 31 1541 92 6% 1115 BUDAPEST BARTFAI 44 1156 212 18% 4600 KISVARDA LITKI 18 550 4 1% 1078 BUDAPEST HERNAD 4 494 92 19% 1139 BUDAPEST UTEG 31 421 38 9% 1085 BUDAPEST JOZSEF 8 311 62 20% 1114 BUDAPEST BARTOK 74 303 45 15% 1135 BUDAPEST BEKE 26 242 24 10% 4600 KISVARDA GAGARIN 22 220 2 1% 4625 ZAHONY ADY 5 193 3 2% 1133 BUDAPEST PANNONIA 100 186 13 7%
Szeged Vedres utca 13 206 cég
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. 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?
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
Iteratív modell tanító adatbázis előállítása Input változók CÉLVÁLTOZÓ Nem fiktív cégek Fiktív cégek
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
Milyen adatokat alkalmaztunk? Cégre vonatkozó saját adatok (mérleg, létszám, ) CÉG
Milyen adatokat alkalmaztunk? Közvetlen kapcsolatai a cégnek (hány céggel van kapcsolatban,..) CÉG
Milyen adatokat alkalmaztunk? Klaszter szintű adatok (klaszter mérete, sűrűsége) CÉG Klaszter
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 108 93 218 514 Igen 55 24 52 73 Összesen 163 117 270 587 Nem 66,3% 79,5% 80,7% 87,6% Igen 33,7% 20,5% 19,3% 12,4%
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 4 12 39 224 186 4 és 10 között 15 39 162 248 10 felett 514 228 239 262 Összesen 541 306 625 696 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%
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% 160 25,6% 487 70,0% Magas (6-14 pont) 43 7,9% 121 39,5% 427 68,3% 207 29,7% Extra magas (15-26) 497 91,9% 146 47,7% 38 6,1% 2 0,3% Mi a gond?
Kiértékelés I. kiszűrt cégek kézi ellenőrzése Unió Valtameri Kft.
Kiértékelés II. NAV adóslista ADÓSZÁM CÉG NEVE SCORE Megállapított adóhiány 24730330 SPDC Hungary (2018.01-i lista első helyezettje) 10 525 M 13854335 Optic Objekt Kft. 7 1.646 M 25470541 SMART ELECTRIC SYSTEM Kft. 1 500 M 23065622 Oceaneering International Magyarország Kft. 5 357 M 14362691 Ferro Business Hungary Kft. 8 300 M 24219769 GLOBAL-N Hungary Kft 2 297 M 10607127 MERCANTILE Kereskedelmi és Szolgáltató Kft. 9 269 M 25107063 Transport Company Kft. 3 265 M 25042988 Rontex Trade Kft. 3 243 M 25440977 Moonlight Shadow Kft. 2 232 M 25020517 MSKATONER Kft. 6 202 M 25874567 Mentreor Kft. 3 181 M 25455816 Dracarys Kft. 8 180 M 14947133 WOODMAX Kereskedelmi és Szolgáltató Kft. 5 171 M 13090874 Sárospatak-HUNGÁRIA Édesipari Kft. 11 156 M 14607758 Penta Unio Trade Kft. 7 155 M 23295441 Pagatel Car Kft. 2 146 M 13749736 ANTOLA Építőipari Szolgáltató Kft. 8 142 M 24662167 ELFENDEL Kft. 4 134 M 13844752 RÓZSADOMB GARDEN Kft. 1 131 M TOP20 adós 5,25 Összes aktív cég 3,70
Kiértékelés III. nem mindig detektálunk fiktív eseményt 140 Cégek száma 132 120 100 80 60 40 20 0 18 17 6 jan.16 febr.16 márc.16 21 ápr.16 8 máj.16 20 jún.16 5 júl.16 26 15 aug.16 szept.16 3 okt.16 29 nov.16 dec.16 13 jan.17 4 febr.17 21 márc.17 13 ápr.17 máj.17 1 1 jún.17 27 júl.17 33 4 4 6 aug.17 szept.17 okt.17 nov.17 21 dec.17
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)