Der von Karin Mair organisierte Vormittag des Symposiums war kartellrechtlichen Fragestellungen gewidmet. Zu den ReferentInnen zählten VertreterInnen der Bundeswettbewerbsbehörde und Rechtsexperten wie Prof. Dr. Kai-Thorsten Zwecker und Dr. Christoph Haid, die zur juristischen Komponente des Themas sprachen. Vertreter aus der Unternehmenspraxis – Dr. Dieter Siegel, CEO Rosenbauer AG und Mag. Martin Schwarzbartl, CCO der ÖBB – beleuchteten das Thema Kartellrecht aus der Perspektive von Compliance-Fragestellungen. Zudem stellte Karin Mair das von Deloitte Forensic Österreich entwickelte ERA-(Enhanced Review and Analytics)-Framework vor, das als revolutionäres Instrument zur Massendatenanalyse eingesetzt werden kann. Die Abschlussdiskussion verdeutlichte nochmals, dass das Themenfeld Kartellrecht und Compliance von den zahlreichen TeilnehmerInnen als brandaktuell empfunden wird.

Der Nachmittag war schwerpunktmäßig dem finanzstrafrechtlichen Ermittlungsverfahren gewidmet. Unter Leitung von Bernhard Gröhs und Alexander Lang referierten ExpertInnen der Finanzpolizei und Oberstaatsanwaltschaft (Wilfried Lehner und Mag. Carmen Prior) genauso wie VertreterInnen aus der Rechtswissenschaft und -vertretung (Dr. Ingeborg Zerbes, Mag. Georg Krakow). Thema der Vorträge war unter anderem das Spannungsfeld zwischen Wahrheitsforschung und Verschwiegenheit. Alexander Lang ging auf die unterschiedlichen Rollen des Steuerberaters im finanzstrafrechtlichen Ermittlungsverfahren ein, als betreuender Steuerberater eines beschuldigten Klienten, als Verteidiger vor den Finanzbehörden sowie als Co-Verteidiger bei Gericht. In der von Bernhard Gröhs geleiteten Diskussionsrunde zeigte sich, dass die Thematik des Symposiums auf großes Interesse beim Fachpublikum stößt.

Das Buch beschreibt, was unter Compliance zu verstehen ist und widmet sich dann den typischen rechtlichen Risikofeldern. Es beantwortet die Frage, welche Aspekte bei der Implementierung von Compliance Systemen, zB. bei Whistleblowing, zu berücksichtigen sind.

Implementations of high-end business intelligence, gradually undertaken by many companies in the recent years, still focus on analyzing current and past key financial data and performance indicators. While such descriptive statistics only deal with historical information, predictive analytics goes a step further by developing accurate and reliable models to predict the nature and likelihood of future events and occurrences. Often such predictions are used to better allocate resources, to conduct smarter marketing or to support buying decisions. But in this post, we’ll take a brief look at predictive analytics for preventing and detecting fraud.

Predictive analytics encompasses data mining and modeling. Data mining is about discovering hidden facts and patterns found contained in databases. Data modeling refers to finding a framework for describing a population in order to facilitate data mining. A good predictive model is a reasonable trade-off between generalizability and accuracy. Usually, the larger the population the harder it is to find an accurate model. Frequently used models are rule sets, decision trees, link analysis, discriminant analysis, neural networks and clustering techniques. Unsupervised learning algorithms such as neural networks—so called self-organizing maps—are great ways to explore the data. If fraud-related items of interest are found, a supervised learning method can then be applied to identify such items in the future.

When it comes to detecting and preventing fraud, there are three main approaches that may be deployed:

• Scoring algorithms are designed to detect known patterns of fraudulent activities. If the model should be able to detect a new con scheme, it has to be characterized and incorporated into the model.
• Anomaly detection identifies patterns of behavior or activities that are unusual or out of the norm. Fraudulent activities are detected with a certain probability.
• A combination of anomaly detection and scoring algorithm further increases the likelihood for identifying known and unknown fraudulent activity.

Regardless of the model applied, predictive analytics for fraud detection requires domain expertise in forensic accounting as well as specialized software solutions. Both are readily available with Deloitte Austria’s Analytics team.

Andreas Gaupmann
Manager

Ivailo Sokolov
Senior Consultant
Deloitte Forensic & Dispute Services Website