La experiencia de control del fraude en la Tesorería General de

Transcripción

1 Sistemas de Información de la Seguridad Social Gerencia de Informática de la Seguridad Social La experiencia de control del fraude en la Tesorería General de la Seguridad Social

2 Índice de contenidos Descripción del problema del fraude y motivación Ejemplo de análisis tradicional. Detección de empresas ficticias Proyecto Cret@. Un modelo preventivo Piloto basado en uso de tecnología de análisis predictivo 2

3 Índice de contenidos Descripción del problema del fraude y motivación Ejemplo de análisis tradicional. Detección de empresas ficticias Proyecto Cret@. Un modelo preventivo Piloto basado en uso de tecnología de análisis predictivo 3

4 Descripción del problema del fraude y motivación Descripción del fenómeno Incumplimiento i de obligaciones i Abuso del Sistema Opacidad al Sistema (economía sumergida) Impacto Pérdida de ingresos Sobrecoste en prestaciones Injusticia social Agravado g por Efecto contagio Necesidad de controlar y minimizar el fenómeno Estrategia AAPP Facilitar el cumplimiento de las obligaciones y el acceso a la información Asegurar que el uso de prestaciones del Sistema se ajusta a normativa Combatir la actividad económica opaca al sistema. it Necesidades Establecer conciencia social de control y seguimiento efectivo Obtener información útil y fiable a partir de múltiples fuentes de datos Capacidad de llevar a cabo análisis de información e investigaciones de modo eficiente y efectivo 4

5 Descripción del problema del fraude y motivación Un ejemplo de cifras sobre el fraude en prestaciones sociales (UK) Según el DWP de UK( 1), el conjunto de pagos en exceso, por fraude o error, en todas las prestaciones sociales y laborales l es de millones, representando un 2,1% sobre un gasto total en beneficios de millones anuales (04/2010 a 03/2011). El mismo informe indica que estos 3,2 millardos de pago en exceso son consecuencia, de fraude intencionado, errores del ciudadano o errores de la administración (parte de este importe se acaba recuperando posteriormente). Esto implica que sólo el fraude se situaría en el 0,8% del gasto total en beneficios sociales. (1) 5

6 Descripción del problema del fraude y motivación Reducir el fraude y el abuso del Sistema es en sí una gran prestación social 6

7 Descripción del problema del fraude y motivación Cualquier pequeña % de mejora en control del fraude tiene un gran impacto en los resultados 7

8 Índice de contenidos Descripción del problema del fraude y motivación Ejemplo de análisis tradicional. Detección de empresas ficticias Proyecto Cret@. Un modelo preventivo Acciones futuras en la lucha contra el fraude en la TGSS 8

9 Ejemplo de análisis tradicional. Detección de empresas ficticias o A partir del Plan de Acción para el control de empresas ficticias y altas fraudulentas, firmado por la TGSS y la ITSS (Inspección de Trabajo de la Seguridad Social) el 20/12/2010, se han diseñadocampañas específicas de control de este tipo de fraude. o Unidades de Gestión provinciales de TGSS e ITSS llevan a cabo conjuntamente estas campañas de control. 9

10 Ejemplo de análisis tradicional. Detección de empresas ficticias En los últimos años se ha observado un importante incremento del fenómeno conocido como EMPRESAS FICTICIAS, considerando como tales aquellas que están revestidas de apariencia formal, pero que real y materialmente no lo son, pues su creación no responde a la organización de la actividad productiva u otros fines legítimos, sino a una simulación de actividad con el propósito de servir vehicularmente a fines fraudulentos. Las prácticas más habituales son las siguientes: 1 Formalización de contratos con supuestos trabajadoresseguidos seguidos de la solicitud del alta, a cambio de determinadas cantidades que percibe el simulado empresario durante el tiempo en que aquél percibe fraudulentamente la prestación 2 La obtención por extranjeros de autorización para trabajar en España, seguida de su alta en Seguridad Social y obtención indebida de prestaciones 3 Emisión de facturas falsas y otros fraudes de carácter tributario Marco normativo 10 10

11 Ejemplo de análisis tradicional. Detección de empresas ficticias Cómo se aborda en las Unidades de Gestión provinciales el problema de detección de empresas ficticias y relaciones laborales simuladas? Con qué medios o herramientas informáticas se trabaja? 11

12 Ejemplo de análisis tradicional. Detección de empresas ficticias Cómo se aborda en las Unidades de Gestión provinciales el problema de detección de empresas ficticias y relaciones laborales simuladas? o Se configura un MAPA DE RIESGOS, como conjunto de elementos o conductas habitualmente concurrentes en la actividad de empresas ficticias, de forma tal que la constatación de la existencia de alguno o algunos de dichos elementos permiten identificar, indiciariamente, empresas susceptibles de seguimiento y control. o Del mapa de riesgos se derivarán las reglas de negocio que serán codificadas como consultas SQL. 12

13 Ejemplo de análisis tradicional. Detección de empresas ficticias MAPA DE RIESGOS Relación entre la fecha de la inscripción como empresa, la generación de deuda y el número de trabajadores contratados, y si concurre en éstos la condición de extranjeros. Cuantía y forma de generación de deuda: Generación de deuda desde el momento inicial de la inscripción o Picos pronunciados de trabajadores en alta, seguidos de impagos generalizados. Elevado porcentaje de trabajadores en alta cuyo domicilio de residencia habitual corresponde a una provincia distinta y distante de la de la Cuenta de Cotización. 13

14 Ejemplo de análisis tradicional. Detección de empresas ficticias MAPA DE RIESGOS Concurrencia, en una empresa, de un elevado número de trabajadores de un sexo habitualmente subrepresentado en esa actividad económica. Exigua duración de la relación laboral, siempre previa al acceso a prestaciones de maternidad o desempleo. Condición de trabajador extranjero, edad elevada y, según el producto perseguido (asistencia sanitaria o complemento a mínimos para jubilación), perceptor de prestación de jubilación en su país de origen. Consultas de situación de alta por los trabajadores en los primeros días de la situación ió de alta. 14

15 Ejemplo de análisis tradicional. Detección de empresas ficticias MAPA DE RIESGOS Incremento desproporcionado de número de trabajadores en un periodo de tiempo, respecto del objeto social o actividad de la empresa y/o del espacio físico en que ésta se desarrolla. Elevado número de personas de alta en la empresa que han accedido, en virtud del contrato, al tercer grado penitenciario. Condición de administrador de quien lo fue en una anterior sociedad deudora. Coincidencia de la persona, representante ante el Sistema RED, en empresas sucesiva o simultáneamente deudoras. Empresas con reinicio fraudulento. 15

16 Ejemplo de análisis tradicional. Detección de empresas ficticias. Aplicación Q+ Qué herramientas informáticas se utilizan en las Unidades de Gestión provinciales para abordar el problema detección de empresas ficticias y relaciones laborales simuladas? Aplicación Q+ Del mapa de riesgo se derivan las reglas de negocio que se codificarán como consultas SQL. 16

17 Aplicación Q+ Aplicación ió (*) que permite al usuario final consultar información (generalmente desagregada) de las Bases de Datos de la Seguridad Social, mediante la utilización de MetaDatos (Libres) o consultas programadas (Predefinidas) sin necesidad de tener conocimientos técnicos informáticos (*) arquitectura cliente / servidor, requiere cliente Oracle en cada puesto 17

18 Aplicación Q+ : Tipos de Información Relacional I Datos desagregados (detalle) Afiliación Cotización Prestaciones Recaudación Data Warehouse II Datos agregados Data Mart AFILIACIÓN Data Mart Diario AFILIACIÓN Data Mart Mensual AFILIACIÓN etc. 18

19 Aplicación Q+ : Data Warehouse & Data Mart Data Warehouse: almacén de datos agregados. Da una visión global, común e integrada de los datos de la organización de forma estable, coherente y con información histórica. Data Mart: subconjunto de datos del Data Warehouse, que se crea con el objetivo de responder a una necesidad de usuarios específica. Son sistemas orientados a la consulta, ofreciendo una visión multidimensional de la información. 19

20 Aplicación Q+ : Información a Consultar ADABAS Tiempo real Transacciones 3270 Bases de Datos corporativas y otras Normalización sólo 1 vez PLOG (ETL) carga diaria incremental ORACLE Off-Line Datos a día anterior Bases de Datos corporativas y otras Posibilitar que el usuario final pueda crear sus propias consultas a medida (libres) de forma ágil, sencilla y cercana (metadatos) Minimizar el tiempo de desarrollo para consultas predefinidas mediante el uso de lenguaje de consulta estructurado (sql) Obtención rápida y directa de los resultados solicitados que nos permitirá un mejor desempeño en nuestras funciones, al obtener conocimiento en torno al negocio y ayuda en la toma de decisiones 20

21 Aplicación Q+ : Tipos de Consultas Predefinidas Diseñadas a medida por especialistas (*) )con exhaustivos conocimientos de las Base de Datos y de programación (SQL) Admiten parámetros. Fáciles de usar desde Q+ mediante un asistente Libres Diseñadas on-line desde Q+ por usuario final, combinando MetaDatos (**) según permisos y conocimiento i sobre los mismos Admiten parámetros. Formación necesaria para su correcto uso (**) MetaDatos: datos y conceptos diseñados por especialistas (*) utilizando herramienta Administración i ió de MetaDatos (*) especialistas: Informáticos (Afiliación, Recaudación, Prestaciones, etc.) + Gestión 21

22 Aplicación Q+ : Funcionalidad Bases de Datos (corporativas y otras) Entornos / Modelos Consulta EMPRESAS TRABAJADORES PENSIONISTAS RECAUDACIÓN Seguridad (SILCON) Confidencialidad (Provincia) Rastros / Auditoría (Q+) Informe Q+ Interface gráfico de usuario Formatos de salida 'Subconsultas', Exporta (Excel, txt) e Imprime 22

23 Índice de contenidos Descripción del problema del fraude y motivación Ejemplo de análisis tradicional. Detección de empresas ficticias Proyecto Cret@. Un modelo preventivo del fraude Piloto basado en uso de tecnología de análisis predictivo 23

24 Proyecto Objetivos del Nuevo Modelo de Recaudación PROYECTO Paso de un sistema de autoliquidación de cuotas a un sistema de facturación de cuotas 24

25 Proyecto Objetivos del Nuevo Modelo de Recaudación LIMITACIÓN EN ESTOS ÁMBITOS INCREMENTO DE CAPACIDADES EN ESTOS ÁMBITOS Modelo de Recaudación Fraude y gestión de la morosidad Autoliquidaciones presentadas por las empresa + Control Recaudaciónposterior i Falta de generación de deuda en diversos supuestos y seguimiento de deuda incompleto Dificultad en la integración de la información con otras entidades y actuaciones contra el fraude no integradas Modelo de Recaudación Fraude y gestión de la morosidad Modelo de facturación integrado, con cálculo efectuado por la TGSS en el propio momento de la liquidación Reducción de plazos, consecuencia del adelanto del cobro de cotizaciones impagadas y de la contabilización de las liquidaciones, desde la fecha del devengo Paso de un modelo reactivo a un modelo preventivo de fraude Etbl Establecimiento i t procedimientos i de intercambio para obtener/verificar información de otros organismos (SEPE, INSS, ISM ) 25

26 Índice de contenidos Descripción del problema del fraude y motivación Ejemplo de análisis tradicional. Detección de empresas ficticias Proyecto Cret@. Un modelo preventivo Piloto basado en uso de tecnología de análisis predictivo 26

27 Piloto basado en uso de análisis predictivo Se está iniciando un proyecto piloto cuyo objetivo será comparar la mejora que representa utilizar tecnología de análisis predictivo con respecto al análisis tradicional llevado a cabo hasta ahora, basado en reglas de negocio codificadas como consultas SQL. Se implementarán los modelos de detección de empresas ficticias sobre el conjunto de herramientas y se validarán los beneficios de la solución sobre escenarios con datos reales. 27

28 Piloto basado en uso de análisis predictivo Ejemplo: Resultados de utilizar tecnología de análisis predictivo en este ámbito en un país de la Unión Europea El objetivo es comparar la mejora que representa utilizar tecnología de análisis predictivo con respecto al análisis tradicional basado en reglas de negocio codificadas como consultas SQL para identificar los expedientes candidatos a ser inspeccionados. Reglas + SQL queries Herramienta análisis predictivo Comparación Expedientes identificados como sospechosos ,2 x menos Tras análisis manual,son expedientes correctos (99,7%) 213 (67,4%) 1,33 x menos (en el % respecto al total) Son fraudes ,45 x mejor Son errores, faltas ,8 x mejor Total expedientes regularizados 16 (0,3%) 103 (32,6%) 108,6 x más (en el % respecto al total) Carga de trabajo en horas ,93 x menos Importe total deuda reclamable 9.022, ,64 67,64 x mejor Precisión 0,26% 32,09% 121,73 x mejor Efectividad (horas para validar ) 119,37 h 22 min 333,77 x mejor 28

29 Piloto basado en uso de análisis predictivo Aproximación de posible Solución Afiliaciónió Otras Fuentes de datos Empresas Personas Caracterización de los perfiles de riesgo Filtro y Segmentación por Zona de Riesgo Filtro y Segmentación por Zona de Riesgo Caracterización de los perfiles de riesgo Empresas riesgo bajo Empresas riesgo alto Personas riesgo alto Personas riesgo bajo Caracterización de los patrones de riesgo entre empresas y personas o en transacciones con S.S. Motor de detección de patrones de riesgo en relaciones y actividades Alarmas! Usuario 29

30 Piloto basado en uso de análisis predictivo Tareas a realizar: Diseño y construcción de perfiles de las entidades que intervienen (empresas, personas ) Aplicar un primer modelo de segmentación de riesgo a las distintas entidades Carga de empresas y entidades a las herramientas de análisis del piloto Parametrización de los patrones de riesgo y alarmas Validación de los resultados obtenidos. Ajuste de la parametrización y refinado del modelo 30

31 Piloto basado en uso de análisis predictivo Objetivos a futuro de un modelo de control del fraude de este tipo: Visibilidad de la información completa, integrada, actualizada y accesible, que permita un análisis del conjunto de los datos (al menos en el ámbito del Ministerio de Empleo y Seguridad Social en un inicio). Utilización de técnicas de análisis estadístico y predictivo apartirdelos datos disponibles, permitiendo obtener modelos de clasificación o segmentación detallada de ciudadanos y empresas, modelos de selección de expedientes, modelos de cualificación de determinados factores de riesgo. Revertir sobre la tramitación de los distintos procedimientos la inteligencia contenida en el modelo de información integrado obtenido a partir de todos los datos y modelos de análisis aplicados. Progresivamente, transformar las operaciones y, si cabe, el marco normativo para aprovechar del mejor modo las posibilidades que ofrece el disponer de toda esta inteligencia en la tramitación de los diversos procedimientos. 31

32 Gerencia de Informática de la Seguridad Social La experiencia de control del fraude en la Tesorería General de la Seguridad Social