В Ташкенте прошел семинар, посвященный решениям SAS в области аналитических решений для госсектора, на котором выступили эксперты SAS и представители международной аудиторской и консалтинговой фирмы Ernst&Young. Алексей Пятов, эксперт департамента решений для государственного сектора, SAS и Андрей Денисенко, старший консультант дирекции аналитических и индустриальных решений SAS поделились своим мнением с редакцией ICTNEWS.UZ.
Приведите примеры корректной постановки задачи оценки рисков в различных предметных областях?
Алексей Пятов: Корректная постановка задачи оценки рисков всегда начинается с того, что государственный орган определяет, в чем состоят риски именно в его предметной области. Например, если мы говорим о пожарном надзоре, то это риск возгорания здания. В этом случае постановка задачи звучит так: как нам по характеристикам зданий и по данным тех, кто там проживает, определить вероятность возникновения пожара и величину возможного ущерба от него, то есть, как оценить риск пожара в этом здании. Если мы говорим о таможенном контроле, то здесь одной из задач будет определить риск контрабанды по цепочке поставки с участием конкретных контрагентов. В зависимости от того, кто был перевозчиком, кто был отправителем, через какой таможенной пост провезли груз, на каком транспортном средстве, кому оно принадлежит и так далее, рассчитывается вероятность правонарушения. Корректная постановка по абстрактному таможенному риску будет звучать так: как выявить риск правонарушения в сфере таможенного дела по характеристикам товаров и по характеристикам цепочки поставки. Для других предметных областей, где работают надзорные органы, определение рисков и соответствующих задач происходит аналогично.
Андрей Денисенко: Мне бы хотелось дополнить, что, если мы говорим про постановку задачи, то очень важно понимать, что оценивать разные риски нужно по-разному. У одного ведомства может быть несколько разных рисков, которые они контролируют, например, налоговая служба – это риск неуплаты налога на прибыль, риск неуплаты НДС в полном объеме, риск злоупотреблений с налоговыми вычетами и другие. Другое ведомство может проверять безопасность объектов, и там другие методики. То есть когда мы говорим «оценить риски», это необязательно значит, что нужно оценить, насколько «плохой» тот или иной объект — под словом «плохой» кроется оценка каждого риска по этому объекту.
Алексей Пятов: Корректная постановка задачи связана с предметом исследования. В каждом виде деятельности много различных направлений и нарушений.
Какие требования предъявляются к данным?
Алексей Пятов: Есть такое замечательное американское выражение, которое в переводе на русский звучит: «Мусор на входе – мусор на выходе». Данные – это сырье для принятия решений. Данные определяют, какой мы сделаем вывод и какое на основании этого вывода примем решение. Мы постоянно их используем, принимая решения. Машина делает похожие, но гораздо более сложные операции, поскольку может проанализировать гораздо больше данных и гораздо быстрее. Поскольку данные – это фундамент всего, важно чтобы они были качественными и репрезентативными, то есть чтобы они правильно отражали, что происходит в подконтрольной области.
Андрей Денисенко: Я добавлю. Важно, чтобы данные были правильно структурированы, то есть были машиночитаемыми, например, в виде таблицы. Если кто-то написал текст, даже на компьютере набрал, эта информация не всегда пригодна для анализа. Машине гораздо проще читать ячейки таблицы — важно правильно организовать хранение данных. Плюс, нужно подключить разные источники данных, которые есть у организации: какие проверки она проходила, что проверяли, нашли или нет нарушение, если нашли, то какой был ущерб. Все это нужно структурировать, разложить по таблицам и свести в единую аналитическую витрину данных, которую дальше анализирует машина. Это первый камень преткновения. Второй – это заявление органа о том, что у него самого нет данных, но они есть у налоговой, таможни и других подобных органов. Наша практика показывает, что данные у ведомства есть всегда, но их нужно подготовить для аналитики. А чтобы это была не одноразовая акция, чтобы все работало на постоянной основе, нужно не разово их подготовить, а разработать целые технологические процессы.
Алексей Пятов: Данные должны быть релевантными и иметь отношение к тому, что мы оцениваем и исследуем. Если мы, допустим, исследуем вероятность уклонения от налогов, то нам, вероятнее всего, неважно какой сорт чая пил налогоплательщик за завтраком, а нам важно знать характеристики его деятельности и результат предыдущих проверок. Именно это мы можем положить в основу для принятия решений.
Андрей Денисенко: Очень важно использовать данные других ведомств, если есть возможность получить к ним доступ. В аналитике принцип такой: чем больше данных мы используем, тем лучше качество аналитики и тем лучше результат.
Алексей, вы в своем докладе говорили о минимизации рисков и о виртуальных складах. Расскажите об этом подробнее.
Алексей Пятов: Один из вариантов минимизации рисков – это такое построение процессов, при котором нарушение невозможно в принципе. Проект виртуального склада как раз является примером такого построения процесса, и такой проект запускали в Казахстане. В чем суть? Когда товар ввозится в страну и принято решение о выпуске товара с таможни, то данные из таможенной декларации поступают в базу данных виртуального склада. То есть в системе регистрируется определенное количество товара, например, 20 тысяч погонных метров нетканого полотна лежат на виртуальном складе. Если этот импортер хочет товар кому-то продать, то он может продать именно этот объем товара. Взять из ниоткуда и продать кому-то 40 тысяч погонных метров полотна он уже не сможет. Он создает и направляет покупателю счет-фактуру, в которой указывает, к примеру, 15 тысяч погонных метров полотна. Покупатель оплачивает эту партию, и в базе данных виртуального склада становится новым владельцем этого товара. А на балансе импортера остаются 5 тысяч погонных метров полотна из ввезенной партии. Дальше он может продать только их, достать какую-то контрабанду он уже не может, потому что любая продажа сопряжена с тем, что с виртуального склада должно что-то списаться. Естественно всегда будут нарушители, контрабандисты, но это уже такой узкий черный сектор, и нарушать правила таможни уже в принципе будет сложнее. По сути, это такое «мутное болото», где люди могли бы не нарушать, но нарушают, потому что можно и за этим трудно уследить. Это «болото» высушится, останутся только отъявленные негодяи, которыми можно будет уже предметно заниматься.
Расскажите о примерах успешных кейсов, которые могут быть интересны в Узбекистане.
Андрей Денисенко: В первую очередь это, конечно, налоговая и таможня. В Британии эффект от внедрения системы – собранные в первый же годдополнительные7млрд фунтов, а в Бельгии минимизация потерь от карусели НДС составила 98%. В России у нас был проект с «Росалкоголь регулированием». Информацию представили на форуме они сами, это открытые данные. Внедрение системы позволило в несколько раз повысить эффективность работы службы за счет того, что теперь организация приходит адресно к субъектам, которых система рекомендует для проверки после расчета риска нарушения. Есть возможность теми же инспекторскими ресурсами предотвратить больший объем ущерба. Такие решения подходят для налоговых и таможенных органов, МЧС, службы экологического надзора, финансового контроля, казначейства и внутреннего государственного аудита.
Расскажите подробнее о МЧС.
Андрей Денисенко: Там задача классическая – прогнозирование пожаров. Старый подход такой: есть история пожаров по районам, пожарные пытаются как-то с учетом этой истории спрогнозировать, где будут пожары в будущем, чтобы распределить пожарные станции и ресурсы по районам города. Совсем иной подход выбрали пожарные Лондона. Они видели, что частота и количество пожаров по районам за предыдущие периоды от года к году разные, нет какой-то конкретной зависимости. Поэтому очень редко можно взять и посмотреть на то, что было раньше и сказать, где и какие пожары произойдут в будущем. В результате Лондонская пожарная бригада перешла на динамическую оценку риска и начала смотреть не на то, сколько и где было пожаров раньше, а на то, кто и где живет. Что это за люди? Работают они или нет? Какой это социальный слой населения? Ветхое или неветхое жилье? Для анализа взяли поведенческие и социальные характеристики населения и по ним воспроизвели зависимость между пожаром в доме и характеристиками дома и людей, которые там живут. И стало понятно, что пожары с большей вероятностью возникнут там, где районы социально неблагополучные, где ветхое жилье, много безработных ит.д. Соответственно было проведено новое районирование и ресурсы были перераспределены исходя из оценок риска пожара по этим критериям. Это позволяет провести профилактику – не дожидаться его, а прийти туда и провести профилактику проводки, дома, организовать беседы.
Алексей Пятов: Был еще один интересный кейс в Австралии. Проактивное правоохранение на основании всех историй совершенных преступлений анализировало и вычисляло оптимальный маршрут для патрулей. Условно говоря, система предсказывала, где, когда и с какой вероятностью будет совершено преступление. Так как все эти преступления совершаются людьми, а люди действуют, как правило, одинаково – в одних и тех же или похожих по каким-то параметрам районах, с одними и теми же сообщниками и т.д.
Как решения SAS помогают с реализацией риск-ориентированого подхода?
Андрей Денисенко: У SAS есть методология реализации риск-ориентированного подхода и есть соответствующие решения. Методология очень проработанная, она оттачивалась в течение 10 лет в разных странах, это лучшие практики.
Алексей Пятов: Мы можем объяснить, как искать риски, предоставляем соответствующие решения и учим с ними работать.