4 augustus 2016 -
De nieuwskoppen schreeuwden in het afgelopen jaar meer dan eens over ministers die te veel declareerden en die zich naderhand moesten verantwoorden voor dit gedrag. Ook op lager niveau gaat het weleens - bedoeld of onbedoeld - mis met het terugvorderen van gemaakte kosten.
Het komt meer dan eens voor dat werknemers kosten declareren van kilometers die ze nooit hebben gereden omdat ze carpoolden of volledige maaltijden declareren terwijl het slechts een lunch betrof. "Dit soort valse declaraties lijken incidenten, maar op de keper beschouwd, is dit een serieus probleem als het bij een bedrijf met veel medewerkers gebeurt," stelt David Warnink, Head of R&D bij Unit4 Benelux.
Hoge declaraties
Recent Brits onderzoek laat zien dat te hoge declaraties de lokale economie per jaar 121 miljoen euro kosten. Dat is alleen in het Britse koninkrijk, het bedrag voor heel Europa is nog veel hoger. Hoe hoog is wellicht moeilijk in te schatten. Warnink: "Maar stelt u eens voor dat twintig procent van al het personeel tien procent meer zou declareren dan nodig was - en dat is niet ondenkbaar - dan loopt het cumulatieve bedrag toch al gauw flink in de papieren. En ja, soms het kan onkunde zijn vanuit de werknemer, maar als het moedwillig gebeurt, valt dit zeker in de categorie fraude."
Scannen op basis van voorgeprogrammeerde criteria
Het is vaak lastig voor bedrijven om dit soort fraude te ontdekken. Er zijn wel systemen op de markt die declaraties scannen en beoordelen volgens een aantal vooraf geprogrammeerde criteria. Als een claim wordt ingediend die een paar procent hoger ligt dan het gebruikelijke bedrag van collega's, slaat het systeem automatisch alarm. Dit soort hulpmiddelen kan zeker helpen om vormen van declaratiefraude op te sporen, maar deze manieren zijn zo goed als de criteria die het bedrijf heeft ingesteld.
Een manier om een verbeterstap te maken in het opsporen van fraude is door machine learning in te zetten. Deze vorm van kunstmatige intelligentie maakt oplossingen zelflerend, zodat ze grote hoeveelheden data beter en sneller kunnen analyseren dan mensen dat kunnen. Met machine learning zijn computers in staat om te leren zonder menselijke handelingen. Hoe meer data de software analyseert, hoe beter het wordt om patronen te ontdekken in gedrag, maar dus ook om afwijkingen van dat gedrag op te merken. En dat kan een belangrijke rol spelen in het opsporen van fraude die normaal gesproken redelijk onder de radar zou blijven.
Sneller dan een paar mensenogen
Neem bijvoorbeeld een aankoop in een online winkel. Als een bepaald percentage van de aankopen van een winkelier frauduleus was, is het bijna zeker dat er in de toekomst ook wordt gefraudeerd. Met machine learning technologie is het mogelijk om enorme hoeveelheden aan historische transactiedata te analyseren. Zo kan men zien of nieuwe transacties voldoen aan het profiel van een frauduleuze transactie uit het verleden. Dit maakt dat de computer deze patronen sneller kan ontdekken dan een paar mensenogen dat kan.
Een belangrijke component in die ontwikkeling is de aanwezigheid van de juiste data. De computer heeft voldoende data nodig om te kunnen analyseren, maar dat is nou juist geen probleem in deze digitale wereld. Alle zaken die online worden geregeld, leveren data op. "Het is slechts de vraag hoe deze data in het systeem terecht moet komen en die vraag wordt door softwareleveranciers opgelost. Er zijn al oplossingen op de markt die data kunnen combineren uit vluchtdata, social media en de eigen declaratiesoftware om afwijkingen te kunnen detecteren," legt Warnink uit.
Timesheets automatisch invullen
Denk bijvoorbeeld aan een werknemer die kilometers wil declareren. Moderne bedrijfsapplicaties bevatten vaak al een functie om die declaraties te scannen en om waardevolle informatie te herkennen, zoals het startpunt, de bestemming, de datum en tijd. Warnink: "Deze applicaties herbergen een schat aan informatie over werknemers die reizen." Die informatie wordt momenteel gebruikt om reisplannen voor te stellen, op basis van projectopdrachten, klantlocaties en eerdere reizen naar dezelfde locatie door andere teamleden. De technologie maakt het mogelijk dat timesheets automatisch worden ingevuld, wanneer werknemers inchecken op specifieke locaties en kantoren.
Met machine learning kunnen geavanceerde algoritmes dezelfde gegevens reactief gebruiken om inconsistenties op te merken als de daadwerkelijke declaraties worden ingediend. In andere woorden: de computer herkent het eventuele verschil tussen gedrag en ingediende declaraties. Die mismatch tussen bijvoorbeeld het opgegeven aantal kilometer en het berekende aantal op basis van werkopdrachten wordt automatisch herkend en opgemerkt. Deze functionaliteit wordt ingebouwd in de Enterprise Resource Planning (ERP)-infrastructuur en vormt een geïntegreerde oplossing, waardoor de onderneming frauduleuze declaraties kan blokkeren, voordat ze plaatsvinden.
Nog niet het gouden ei
Dat dit mogelijk is, wil overigens niet zeggen dat deze technologie nu al breed wordt gebruikt met dit doel, daar is het nog te nieuw voor. Maar dat betekent niet dat het niet kan worden gebruikt. Warnink: "We ontdekken namelijk steeds meer mogelijkheden naarmate de technologie verder ontwikkelt en computers tot steeds meer in staat zijn. Machine learning is overigens niet het gouden ei als het gaat om opsporing, maar kan helpen om inzicht te geven in het gedrag van mensen, waardoor afwijkingen eerder opgemerkt en zelfs voorkomen kunnen worden." Zo kan men niet alleen fraude tegenhouden, maar ook per ongeluk ingevulde declaraties, en daar is natuurlijk iedereen bij gebaat.
Leuk artikel -- er zijn ook voorbeelden van te weinig declareren. Sinds ik Expensify gebruik, is het super makkellijk. Het is ook belangrijk om de data bij de bron op te vangen. Laat werknemers met een app hun reis-kilometers bijhouden. Zorg ervoor dat declaraties worden ingedient binnen twee weken, of zelfs korter. Zorg, dat expense policies in de applicatie opgezet zijn, zodat de gebruiker (declarant) onmiddelijk ziet als iets wellicht aan verdere vragen wordt onderworpen...
Machine learning moet niet een vervanging zijn voor het gebrek aan integratie tussen proces en applicatie.
