Pag. 1 eidos consult BUSINESS PROCESS PERFORMANCE due aspetti di interesse...

pag. 1eidos consult

BUSINESS PROCESS PERFORMANCEdue aspetti di interesse

[email protected]

ECONOMIA AZIENDALE

Roma , 13 Dicembre 2007

pag. 2eidos consult

ARGOMENTI TRATTATI

1. LE FRODI NEL MONDO DELLE TELECOMUNICAZIONI (MA NON SOLO….)

2. GLI EVENTI ESTREMI

pag. 3eidos consult

LE FRODI E GLI EVENTI ESTREMI

SI TRATTA DI DUE FATTISPECIE:

1. AD ELEVATO IMPATTO ECONOMICO PER OGNI AZIENDA;

2. LE MODALITA DI APPROCCIO AL PROBLEMA E LE TECNICHE DI CONTROLLO DI PROCESSO PUR AVENDO UN COMUNE APPROCCIO CONCETTUALE E TEORICO, SI DIFFERENZIANO CASO PER CASO SIA PER LE SOLUZIONI ORGANIZZATIVE CHE PER QUELLE TECNOLOGICHE.

pag. 4eidos consult

INVENTA LEGE ,INVENTA FRAUDEovvero fatta la legge…trovato l’inganno

1. IL PROCESSO DI FRAUD MANAGEMENT È L’INSIEME DELLE ATTIVITẢ ,RISORSE E ORGANIZZAZIONE IN UNA AZIENDA DEPUTATO AL CONTENIMENTO DELLE FRODI

2. ALCUNE DOMANDE: CHI FRODA? QUALE È LA FINALITẢ DI UNA FRODE SI POSSONO EVITARE ; COME E IN CHE MISURA? È POSSIBILE METTERE E MANTENERE SOTTO

CONTROLLO L’INTERO PROCESSO?

pag. 5eidos consult

Fraud Management Story…..

We don’t have a fraud problem

Have we got a fraud problem?

We might have a fraud problem

Erm…..(We just had a BIGBIG fraud incident)

We investigate frauds as they occur

We learn from fraud incidents to help prevent them happening again

We manage our fraud problem through prevention, detection and analysis

pag. 6eidos consult

STIMA WORLDWIDE : 35-40 Miliardi $

• 47 % DEGLI OPERATORI DICHIARA FRODI IN CRESCITA

• LA FRODE DA SOTTOSCRIZIONE E’ ANCORA LA PIU’ FREQUENTE NEL FISSO

• NELLE FRODI TRAMITE PBX , L’USO DELLA VOICE MAIL E IL DIAL IN/OUT SONO I PIU’ FREQUENTI

• NEL MOBILE SMS MASSIVI, ROAMING, PREPAGATO

FRODI NELLE TELECOMUNICAZIONI

pag. 7eidos consult

SHARE DELLE PERDITE (ordine di grandezza):


NORD

AMERICA EUROPA

ASIAPACIFICO ALTRO TOTALE

GRAN TOTALE

MOBILE

FISSO

5,81 % 2,98 % 4,11% 1,78 % 14,68 %

36,69 % 20,96 % 19,35 % 8,31 % 85,32 %

42,50 % 23,94 % 23,47% 10,09 % 100,00 %

pag. 8eidos consult

STIMA DELLE FRODI NEL MERCATO ITALIANO ( Ordini di grandezza)

• OVERALL: 3,0 108 €

•SHARE FISSO /MOBILE : 1/1.85


pag. 9eidos consult

Fraud Management ProcessFraud Management Process

Fraud Prevention Fraud Prevention in the in the provisioning phaseprovisioning phase

Fraud Prevention Fraud Prevention during the design during the design phase of new phase of new servicesservices

FraudManagementProcess

Fraud lossesFraud losses• forecast (objectives)forecast (objectives)• quick estimation quick estimation • evaluation evaluation

Integration of:Integration of:• Fraud ControlFraud Control• Fraud IntelligenceFraud Intelligence

pag. 10eidos consult

UN ESEMPIO ECLATANTE

CIRCA 100 MILIARDI DI LIRE PERSI DA OPERATORI EUROPEI NEL 2001 PER UNA VENDITA DI TRAFFICO PREPAGATO ORGANIZZATA IN CAMPANIA BASILICATA PUGLIE , MEDIANTE INTRUSIONE DI PABX E SCOPERTA DA TELECOM ITALIA.


• CARTE DI CREDITO: REAL NAMES DI PALO ALTO; TRASFERT I DATI DI 15000 CLIENTI DA HACKERS CINESI (MARZO 2000)

• FISCO: FALSI RIMBORSI IVA PER 116 MILIONI DI € (20 ARRESTI, 172 DENUNCE, 255 SOCIETA’ FANTASMA – CASERTA ,LUGLIO 2002)

FRODI NEGLI ALTRI SETTORI(CASI ESEMPLIFICATIVI)


Il malcostume delle truffe alle compagnie assicurative è costato, in quattro anni, un miliardo di euro. È quanto risulta da un’indagine dell’Eurispes, che individua nell’assenza di fiducia tra compagnie ed assicurati la causa del proliferare di questo fenomeno criminale. Tra le regioni in cui si registra il più alto numero di frodi spiccano quelle meridionali, anche se il fenomeno è in crescita preoccupante un po’in tutte le regioni. Le province più colpite sono quelle di Napoli, Caserta, Foggia, Messina, Salerno e Bari.

FRODI NELLE ALTRI SETTORI(CASI ESEMPLIFICATIVI)


OBIETTIVI DEL PROCESSO DI FRAUD MANAGEMENT (1)

RIDURRE E TENERE SOTTO CONTROLLO IL NUMERO DI NUOVE ACQUISIZIONI CON FRODE ACCERTATA

RIDURRE E TENERE SOTTO CONTROLLO IL NUMERO ED IL VOLUME DELLE FRODI

RIDURRE IL NUMERO DELLE POSIZIONI ED IL VOLUME DEL CREDITO RELATIVE A FRODI



RIDURRE IL NUMERO DI RECLAMI PER TRAFFICO NON RICONOSCIUTO

FARE CUSTOMER RETENTION

FARE WINBACK

ANTICIPARE LA CONCORRENZA NEL CONTROLLARE LE FRODI MEGLIO E PIÙ VELOCEMENTE



1. FAR DIVENIRE IL FRAUD MANAGEMENT UN’OPPORTUNITA’ PER INCREMENTO RICAVI

2. “SPOSTARE” VERSO LA CONCORRENZA LE FRODI, IL NUMERO DELLE POSIZIONI ED IL VOLUME DEL CREDITO RELATIVO A FRODI


TECNICHE BASILARI DEL FRAUD MANAGEMENT

RISK MANAGEMENT

VALUTAZIONE DELL’EFFICACIA DECISIONALE (FALSI POSITIVI; FALSI NEGATIVI)

PREVENZIONE, CONTROLLO, INTELLIGENCE , CONTRASTO (politica del ..prima del dopo, di controllo attivo, di capire i fenomeni

fraudolenti dal di dentro, limitare il danno in tutti i modi)

QUANTIFICAZIONE DANNO

CONTROLLO INDUSTRIALE DI PROCESSO

KPI COME OBIETTIVI INCENTIVANTI PER I GRUPPI E PER I SINGOLI


TECNICHE BASILARI DEL FRAUD MANAGEMENT

DISASTER RECOVERY

BUSINESS CONTINUITY

FORECASTING E BACKCASTING CON MODELLI ARIMA, VOLTERRA-LOTKA

INVESTIGAZIONE (LINK_ANALYSIS)

ANALISI STATISTICA


Definition of newProduct / services

Fraud Control

Prevention

Loss Evaluation

Fraud Engineering

IL PROCESSO DI FRAUD MANAGEMENT

FRAUD MANAGEMENT

Billing Bad Debt

Customer Care Product / services Marketing


Prevention

Fraud Contrast

Loss Evaluation

Fraud Engineering

FRAUD MANAGEMENT

Customer Customer RetentionRetention

Revenue Revenue protectionprotection

New New Business Business OpportunitiOpportunitieses

IL PROCESSO DI FRAUD MANAGEMENT


Fraud Detection &Management System

High Usage Detection

ALTO TRAFFICO E FRODI

TRAFFICOFRAUDOLENTOALTO

TRAFFICO


Fraud Management

Customer Care

Marketing

Anomalous service usage

Request for analysis due to client claim

Traffic Data collection

Traffic records

Client Traffic Profiles

Charging & Billing

Revenue Realization

ContractsDefinition

Service Order Control

Billing

Contracts

Accounting Position

Customer premises information

SCENARIO DI RIFERIMENTO PER IL PROCESSO DI FRAUD MANAGEMENT


PASSI PRINCIPALI

• ANALISI DEL TRAFFICO CON “FILTRI” DI 1° LIVELLO

(SOGLIE DI CONSUMO)

• ANALISI DI COMPORTAMENTI FRAUDOLENTI CON “FILTRI” DI 2° LIVELLO (CORRELAZIONE PER DESTINAZIONE / ORIGINE / CONSUMO / ETC.)

• PROGRAMMBILITA’ DEI FILTRI

• SEGNALAZIONI DI ALLARME AL CC

TrafficAnalysis

FraudAnalysis

FiltersProgrammability

AlarmsSignalling


RISULTATI TIPICI FENOMENO FRAUDOLENTO SOTTO CONTROLLO: PERDITE PER FRODE: <0.1% DEL FATTURATO FENOMENO FRAUDOLENTO FUORI CONTROLLO: PERDITE PER FRODE : 2-3 % del fatturato NUOVE UTENZE CON FRODE ACCERTATA: < 1-2 % RECUPERO DI CREDITI PREGRESSI PER CLIENTI

CESSATI CHE CHIEDONO NUOVI IMPIANTI (.. ad es. con false generalità) > 45-50 %

NUMERO DI RECLAMI PER TRAFFICO NON RICONOSCIUTO : (<0,1%)


TEORIA DEI VALORI ESTREMI E

APPLICAZIONI

“HOWEVER BIG FLOODS GET, THERE WILL ALWAYS BE A BIGGER ONE COMING; SO SAYS ONE THEORY OF EXTREMES, AND EXPERIENCE SUGGESTS IT IS TRUE.” President’s Water Resources Policy Commission, Report 1950, pag. 141.


GLI EVENTI (VALORI)ESTREMI, SE NON PREVISTI ADEGUATAMENTE IN ANTICIPO, E IN ASSENZA DI STRUTTURE ORGANIZZATIVE E MEZZI ADEGUATI, POSSONO CAUSARE DANNI INGENTISSIMI IN OGNI SETTORE DI ATTIVITÀ UMANE.

EVENTI ESTREMI


La Teoria dei Valori Estremi•Si occupa dello studio di eventi rari ed è inizialmente nata nell’ambito della previsione di catastrofi naturali.•Nelle applicazioni finanziarie l’evento raro può corrispondere al fallimento di una società, al crollo del prezzo di un titolo azionario o di un portafoglio.•La Teoria dei valori estremi (EVT) si affianca all’analisi statistica standard, che analizza i fenomeni “nella media” fornendo strumenti di diagnostica per studiare gli venti rari, ovvero quelli che si trovano nelle code di una distribuzione.•Ad esempio, l’applicazione della EVT in ambito finanziario cerca di stimare la forma di distribuzione del rendimento di una posizione finanziaria SOLO per quanto riguarda le code di tale distribuzione ed è basata sull’analisi dei soli dati “estremali” nella serie storica dei rendimenti passati.


ALCUNI ESESEMPI

1. LO TSUNAMI NELL’OCEANO NELL’OCEANO INDIANO UN PAIO DI ANNI FA

2. IL BLACK – OUT DELLA RETE ELETTRICA ITALIANA

3. L’ALLUVIONE DI FIRENZE

4. SOVRACCARICHI ECCEZIONALI IN GRANDI STRUTTURE


CAMPI DI APPLICAZIONE

1) Aeronautica2) Idrologia3) Costruzioni navali4) Finanza5) Meteorologia6) Grandi impianti7) Grandi strutture


Per rappresentare le code di una distribuzione si analizzano gli eventi estremali che possono essere rappresentati da due diverse variabili:

1) Il massimo “a blocchi” delle variabili aleatorie osservate;

2)Il valore degli eccessi sopra una soglia prefissata u.

Dalle medie agli estremi …


PROCEDIMENTO CONCETTUALE

1. SULLA BASE DI ESPERIENZE PASSATE SI OPERA UN PREVISIONE DI VALORI ESTREMI

2. SI INDIVIDUANO LE SOLUZIONI PROGETTUALI, TECNOLOGICHE ED ORGANIZZATIVE PER ASSICURARE, SE POSSIBILE, UNA FREQUENZA DI OCCORRENZA DEGLI EVENTI ESTREMI AL DI SOTTO DI CERTI VALORI E DI INDIVIDUARE LE MIGLIORI SOLUZIONI TECNOLOGICHE ED ORGANIZZATIVE


PROBLEMI TIPICI1. POCHI DATI E TEMPI LUNGHI DI RACCOLTA2. I FENOMENI NEI VARI SETTORI DI BUSINESS SEGUONO

STATISTICHE DIVERSE E SPESSO NON SI CONOSCONO LE DISTRIBUZIONI

1. IL VALORE DI UNA OSSERVAZIONE CADE AL DI LA’ DEI LIMITI CHE RAGIONEVOLMENTE CI SI ASPETTA?

2. I VALORI ESTREMI HANNO UN COMPORTAMENTO “REGOLARE”

3. LA “CLAUSULA REBUS SIC STANTIBUS” E’ NECESSARIA?

DOMANDE TIPICHE


TECNICHE STATISTICHE PER LA PREVISIONE DEGLI ESTREMI

1. STATISTICA DELL’ORDINE (ORDER STATISTICS)

2. VALUTAZIONE DELLE ECCEDENZE

3. STUDIO ANALITICO DEGLI ESTREMI NEL CASO DI DISTRIBUZIONI NOTE


RELAZIONI DI PARTENZA PER I MINIMI E MASSIMI

Se F(X) è la distribuzione nota di un fenomeno e n è la dimensione di un campione di misure indipendenti si ha:

ΦM (x)= F(x)n probabilità che il massimo campionario

ηn sia ≤ x

Φm (x)= 1- (1-F(x))n probabilità che il minimo campionario

ζn sia ≤ x


STUDIO ANALITICO PER F(X) NOTE

SE F(X) SI SUPPONE NOTA, E’ POSSIBILE VALUTARE:-Il tempo medio di ritorno degli estremi (T(X)=1/(1-Φ(x))- il valore medio del range-Le statistiche di ordine-La probabilità delle eccedenze-I valori caratteristici ( F(un) = 1-1/n) e F(u1)=1/n

-Il valore modale-I momenti


E SE F(X) NON E’ NOTA? NIENTE …. PAURA

1. Fisher , R.A, and Tippet L.H.C.: Limiting forms of frequency distribution of the largest or smallest member of a sample, 1928 Proc. Cambridge Phil. Soc., , 24:180.

2. Gnedenko, B.V., Sur la distribution limite du terme maximum d’un série aléatoire, 1943 Ann Math., 44:423

3. Fisher e Tippet hanno introdotto il postulato di stabilità:

4. Gnedenko ha dimostrato le condizioni necessarie e sufficienti per la esistenza per i tre asintoti.


La distribuzione del massimo campionario

Consideriamo nuovamente la successione X1,X2,…Xn… di v.a. i.i.d ponendo la nostra attenzione non più sulla media aritmetica ma sul massimo campionario delle v.a. Definiamo quindi:

La distribuzione del massimo è descritta dalla funzione di ripartizione ottenuta come:

Banalmente, se x è un valore tale che F(x)<1 allora:

Risultato di poco interesse

η n = max (X1 , X 2, …, Xn)

F M,n (x) = Prob(η n ≤ x ) = [ F(x)]n

F M,n (x) = → 0 se n →∞


LA DISTRIBUZIONE DEL MASSIMO CAMPIONARIO

Un risultato limite interessante si ottiene normalizzando la variabile massimo mediante una costante an di scala e una costante bn di posizione, come segue

Se una tale distribuzione limite H esiste ed è non degenere, allora deve necessariamente appartenere ad una certa classe di distribuzioni denominate del “valore estremo generalizzato” (GEV). In tale caso si dice che le v.a. X1,X2,…Xn…hanno la funzione H come dominio di attrazione per il massimo .

F M,n (x) = Prob [ (η n - bn )) / an ≤ x ] = [F(an x + bn )]n = → H(x) (se n→∞)


Distribuzioni limiteLe tre tipologie di funzioni di ripartizione possono essere scritte in una forma comune del tipo:

H(x) = exp {- exp[ -(x-ε)/α]} -∞< x<∞; α>0; Gumbel

H(x) = exp {- [ (x- ε)/α] -β } ; x≥γ ; α, β >0; Fréchet

H(x) = exp {- [- (x- ε)/α] β } ; x≤γ ; α, β >0; Weibull


DISTRIBUZIONI LIMITE PER I MASSIMI

Considerando una variabile normalizzata si ha corrispondentemente :H(x) =exp[-exp(-x)] Gumbel

H(x) = 0 se x<0 exp [-x-β] x≥ 0; β> 0 Fréchet

H(x) = 1 se x>0; = exp[-(x)β] se x≤ 0 ; β>0 Weibull


CARATTERISTICHE NUMERICHEDELLA FUNZIONE DI GUMBEL

Valore medio: ε + γα (γ = cost. Eulero-Mascheroni 0,57721..)Varianza : (πα)2/6 Moda: εMediana: ε - α loglog(2) Q1: ε - α loglog(4)Q3: ε - α loglog(4/3)Q(moda): 1/e = 0.3679


DISTRIBUZIONE DEI MINIMI

definito ζ n = min (X1 , X 2, …, Xn)

Se si osserva che :

ζ n = - max (-X1 , -X 2, …, -Xn)

Si possono trovare i tre asintoti per la distribuzione dei minimi, applicando i risultati trovati per i valori massimi.


LA DISTRIBUZIONE DEGLI ECCESSI”Fissato un valore soglia u indichiamo con Y la v.a. degli eccessi da u, Y=X-u. Consideriamo la distribuzione condizionata:

Quando la soglia u tende al valore massimo per la v.a. X è possibile trovare una funzione di distribuzione limite per tale distribuzione condizionata.

)(1

)()(

)(

)(

)()()(

uF

uFuyF

uXP

yuXuP

uXyuXPuXyYPyFu


La distribuzione degli “eccessi”

Se un tale limite esiste questo appartiene alla classe delle distribuzioni Pareto Generalizzate (GPD) ovvero, se: 1sup dove ),;()( x: F(x)ωyGyF u

uu

allora:

0,exp1

0,11 ),;(

1

y

y

yG

Esponenziale

ParetoeBeta


Si noti che, assegnata una distribuzione F per la successione di v.a. iid, un tale limite per la distribuzione condizionata degli eccessi esiste se e solo se esiste il limite per la distribuzione del massimo campionario e il parametro di forma coincide. Pertanto, se il parametro di forma è positivo la distribuzione possiede code lunghe e pesanti, se è negativo, code corte o troncate e se è nullo code che decadono in modo esponenziale. Risultati interessanti sulle caratteristiche delle distribuzioni GPD sono i seguenti:

1per ,1

0

21per ,)21()1(

YV

1per ,1

2

2

yyYyYE

YE


CASO DI APPLICAZIONI FINANZIARIE

Il parametro che risulta più importante da stimare per capire la forma delle code della distribuzione empirica dei dati di mercato (rendimenti della nostra posizione finanziaria) è il parametro di forma .Questo può essere indifferentemente stimato tramite la distribuzione del massimo (a blocchi) fissato un numero sufficientemente alto n di osservazioni oppure tramite la distribuzione condizionata degli eccessi, fissato una soglia sufficientemente alta.Il numero di osservazioni in un caso, la soglia nell’altro sono scelte arbitrarie che possono alterare il valore della stima.


VALUE AT RISKIl Value at Risk (Valore a Rischio) è definito come la perdita massima al di sotto della quale si può andare solo con una bassa probabilità .

Se con Xt, t=1,2,…,n rappresentiamo la serie storica del rendimento della nostra posizione finanziaria X, si ha:

P(Xn+1) < -VAR) = α

Il Value at Risk è quindi un quantile, corrispondente in genere al 5% o all’ 1%, della distribuzione di probabilità del rendimento della posizione finanziaria X su un orizzonte temporale prefissato (ad esempio 1 giorno, una settimana, etc.).

Dal 1986 il Comitato di Basilea ha stabilito che le istituzioni finanziarie sono tenute a calcolare (stimare) il proprio VaR come misura del capitale a rischio della società.

Le istituzioni sono altresì tenute ad accantonare un capitale come assicurazione contro eventuali perdite, in modo proporzionale al VaR calcolato e alla loro Affidabilità (rientrando nel passato nel VaR calcolato, etc.).


CASO DI APPLICAZIONI AL FRAUD MANAGEMENT

LE APPLICAZIONI DEI VALORI ESTREMI SONO UTILI A:

1.VALUTARE LE FRODI OLTRE UN CERTO VALORE PREFISSATO

1.STIMARE A DISTRIBUZIONI DEGLI ESTREMI PER VALUTARE UN BOUND SUPERIORE ALLE PERDITE


GRAZIE PER

L’ATTENZIONE

Pag. 1 eidos consult BUSINESS PROCESS PERFORMANCE due aspetti di interesse...

Documents

Transcript of Pag. 1 eidos consult BUSINESS PROCESS PERFORMANCE due aspetti di interesse...