Доверяй, но проверяй: как бороться с внутренним мошенничеством в ритейле
2020 год – год перемен. Многие скажут: «зачем нам эти перемены, это столько стресса». С одной стороны, можно согласиться, но с другой – текущая ситуация вынуждает бизнес, в частности продуктовый ритейл, стремительно пересматривать свое отношение к цифровизации и от нейтральной позиции «и так сойдет» переходить к положительно-активной «что же делать». И мы имеем в виду не только цифровизацию в онлайн-продажах, речь идет о цифровизации в области противодействия мошенничеству.
Уже давно не секрет, что торговые сети несут существенные потери именно из-за внутреннего мошенничества – их объем, по разным данным, составляет от 3 до 10%1 общей выручки. Согласно данным неофициальной статистики, около 80% мошеннических действий2 исходит от сотрудников. И это понятно, ведь чаще всего сотрудник знает бизнес-процесс изнутри. Например, если мы говорим о хищении со склада или о сговоре, то, безусловно, работнику будет проще выстроить грамотную и эффективную коммуникацию, понимая, с кем и о чем можно договориться, кроме того, сотрудник осведомлен о том, где камеры есть, а где их нет. Тогда возникает вполне логичный вопрос: можно ли доверять сотрудникам? Как торговым сетям, имея бесконечные метражи складов и торговых залов, выявлять факты внутреннего мошенничества и в перспективе предотвращать их?
Неужели кругом обман?
Согласно данным ACFE3, более 50% мошеннических действий за 2019 год приходится на хищение продукции со стороны сотрудников торговых сетей. Во время общения с представителем службы безопасности одного из лидеров российского продуктового ритейла он сказал нам: «Выносят все, начиная от докторской колбасы и заканчивая дорогими алкогольными напитками». Варьируются и способы хищения, начиная от примитивных «за пазухой» и заканчивая манипуляциями в складском учете – например, на этапе приема продукции или во время перевозки между складами. В первом случае субъектом мошеннических действий чаще всего выступает сотрудник торгового зала или склада – он даже может действовать в одиночку, однако для реализации более сложных схем потребуется доступ к внутренним системам и наличие сообщников.
Все та же ACFE анонсирует, что второе место среди мошеннических действий в продуктовом ритейле занимают различные коррупционные схемы (35%). Конечно, рядовые сотрудники вряд ли станут субъектами таких мошеннических действий. Чаще всего идеологами коррупционных схем становятся представители менеджерского состава, то есть те сотрудники, от которых зависит принятие какого-либо решения. В рамках продуктового ритейла также крайне распространено предоставление денежного вознаграждения сотрудникам отдела закупок за присутствие в списке основных производителей/поставщиков. И, согласитесь, выявить, а тем более предотвратить связь между сотрудником торговой сети и поставщиком практически невозможно.
Продуктовые ритейлеры признают остроту проблемы, связанной с внутренним мошенничеством, и понимают, что ее необходимо решать. Однако торговые сети ограничиваются традиционными методами: проводят инвентаризацию, устанавливают видеонаблюдение, делают контрольные закупки, выборочный аудит и так далее. Нельзя сказать, что эти меры не приносят результаты, но они очень ресурсозатратны и малоэффективны в выявлении мошенников.
Расследование ведет математика
Уже очевидно, что справиться с внутренним мошенничеством не так-то просто, но бороться с ним нужно в любом случае. Гибридный подход, разработанный экспертами SAS, с помощью углубленной аналитики может выявить манипуляции в складском учете и даже детектировать имя сотрудника, который совершает мошеннические действия. Процесс реализации этого подхода можно разделить на два этапа.
На первом этапе используется экспертно-аналитический подход – необходимо выдвинуть гипотезы и проверить их. Можно начать с выявления распределительного центра, где числится наибольшее количество списаний.
Его можно выявить с помощью данных складского учета. Затем, добавляя к выявленной информации сведения о ранее раскрытых случаях мошенничества, можно получить обогащенную данными картину о том, в каком распределительным центре наблюдается больше всего списаний продукции с учетом корреляции с фактами мошенничества в нем. Далее находятся аномалии в списании каждого типа продукции со склада этого распределительного центра. Это нужно для того, чтобы понять, наблюдаются ли существенные отклонения в списании продукции от среднего количества списаний продукции в этом центре. И если отклонения наблюдаются, то необходимо выяснить, какая продукция списывается. После этого списываемая в аномальном количестве продукция сопоставляется с информацией о сотруднике, который отвечал за списание этой продукции в рамках инвентаризации или находился в зоне приемки товара при работе с поставщиками. Следовательно, уже на этом этапе можно начать дополнительную проверку в отношении выявленных подозрительных сотрудников.
На втором этапе применяется аналитический подход – используются более продвинутые механики исследования данных. Сначала экстраполируется описанная выше логика расследования на все распределительные центры, затем производится сегментирование сотрудников склада по стилю работы. Это позволяет выделить профили сотрудников и понять, какое поведение для них характерно и есть ли аномалии в их стиле работы. Например, насколько среднее количество списаний продукции сотрудниками со склада отличается от среднего по региону. Кластеризация сотрудников склада позволяет выделить подозрительные группы и использовать модель прогнозирования количества списаний для каждой из них, чтобы понять, насколько аномально поведение сотрудников каждой группы. А прогнозирование количества списаний для каждой группы дает возможность рассчитать разницу между прогнозным и фактическим количеством списаний продукции сотрудниками каждой группы. Далее эта величина используется для профилирования поставщиков, которое выполняется с помощью алгоритма дерева решений. Этот алгоритм наглядно визуализирует профиль поставщиков, величина списаний продукции которых существенно отличается от прогноза по списаниям.
Таким образом, в ходе вышеописанного исследования данных, можно локализовать подозрительных сотрудников склада и поставщиков, чья продукция списывалась в аномальном количестве.
Невозможное возможно
Вы можете подумать, что в продуктовом ритейле все вышесказанное невозможно, потому что непонятно, откуда брать данные. И вы можете считать такой подход применимым лишь в банковской индустрии. Частично с вами согласимся, потому что цифровизация только набирает обороты популярности в ритейле и качественных данных для реализации углубленной аналитики, возможно, пока недостаточно. Однако мы вместе с коллегами отмечаем спрос со стороны ритейлеров на аналитические инструменты. Торговые сети заинтересованы в том, чтобы пресекать внутреннее мошенничество, в том числе с помощью аналитических решений. Если этот интерес у представителей ритейла будет расти, тогда хищения на складах, коррупционные схемы и другие виды внутреннего мошенничества в ритейле с увеличением числа внедрений будут выявляться гораздо быстрее и эффективнее, а это значит, что в перспективе мошеннические действия можно будет сократить и тем самым уберечь себя от незапланированных финансовых потерь.
Авторы:
Ольга Касаева, руководитель направления противодействия внутреннему мошенничеству, SAS Россия/СНГ
Илья Кирсанов, консультант практики противодействия мошенничеству, SAS Россия/СНГ
Оригинал опубликован в журнале Retail&Loyalty
Рекомендуем прочитать
- Unlocking a strategic approach to data and AIAI is only as good as the data that powers it – this is a fundamental truth about data and AI that defines the limits of what’s possible with artificial intelligence. It may seem surprising, but it's rarely a bad algorithm or a bad learning model that causes AI failures. It's not the math or the science. More often, it's the quality of the data being used to answer the question.
- What are AI hallucinations?Separating fact from AI-generated fiction can be hard. Learn how large language models can fail and lead to AI hallucinations – and discover how to use GenAI responsibly.
- Использование Python в решениях SAS Intelligent Decisioning 5.4Начиная с версии 5.3, у пользователя появилась возможность легко встроить скрипт Python в решение SAS ID. Теперь Python исполняется в MAS без необходимости дополнительной обёртки в DS2 - узел кода Python сделает это за вас.
Готовы подписаться на инсайты сейчас?