BUSINESS PROCESS PERFORMANCE due aspetti di interesse

Presentazione sul tema: "BUSINESS PROCESS PERFORMANCE due aspetti di interesse"— Transcript della presentazione:

1 BUSINESS PROCESS PERFORMANCE due aspetti di interesse
ECONOMIA AZIENDALE Roma , 13 Dicembre 2007 BUSINESS PROCESS PERFORMANCE due aspetti di interesse

2 ARGOMENTI TRATTATI LE FRODI NEL MONDO DELLE TELECOMUNICAZIONI (MA NON SOLO….) GLI EVENTI ESTREMI

3 LE FRODI E GLI EVENTI ESTREMI
SI TRATTA DI DUE FATTISPECIE: AD ELEVATO IMPATTO ECONOMICO PER OGNI AZIENDA; 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.

4 INVENTA LEGE ,INVENTA FRAUDE ovvero fatta la legge…trovato l’inganno
IL PROCESSO DI FRAUD MANAGEMENT È L’INSIEME DELLE ATTIVITẢ ,RISORSE E ORGANIZZAZIONE IN UNA AZIENDA DEPUTATO AL CONTENIMENTO DELLE FRODI 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?

5 Fraud Management Story…..
We learn from fraud incidents to help prevent them happening again We investigate frauds as they occur We don’t have a fraud problem Have we got a fraud problem? We might have a fraud problem Erm….. (We just had a BIG fraud incident) We manage our fraud problem through prevention, detection and analysis

6 FRODI NELLE TELECOMUNICAZIONI
STIMA WORLDWIDE : 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

7 FRODI NELLE TELECOMUNICAZIONI
SHARE DELLE PERDITE (ordine di grandezza): NORD AMERICA EUROPA ASIA PACIFICO 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 %

8 FRODI NELLE TELECOMUNICAZIONI
STIMA DELLE FRODI NEL MERCATO ITALIANO ( Ordini di grandezza) OVERALL: 3, € SHARE FISSO /MOBILE : 1/1.85

9 Fraud Management Process
Fraud Prevention in the provisioning phase Fraud Prevention during the design phase of new services Fraud Management Process Fraud losses forecast (objectives) quick estimation evaluation Integration of: Fraud Control Fraud Intelligence

10 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.

11 FRODI NEGLI ALTRI SETTORI (CASI ESEMPLIFICATIVI)
CARTE DI CREDITO: REAL NAMES DI PALO ALTO; TRASFERT I DATI DI CLIENTI DA HACKERS CINESI (MARZO 2000) FISCO: FALSI RIMBORSI IVA PER 116 MILIONI DI € (20 ARRESTI, 172 DENUNCE, 255 SOCIETA’ FANTASMA – CASERTA ,LUGLIO 2002)

12 FRODI NELLE 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.

13 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

14 OBIETTIVI DEL PROCESSO DI FRAUD MANAGEMENT (2)
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

15 OBIETTIVI DEL PROCESSO DI FRAUD MANAGEMENT (3)
FAR DIVENIRE IL FRAUD MANAGEMENT UN’OPPORTUNITA’ PER INCREMENTO RICAVI “SPOSTARE” VERSO LA CONCORRENZA LE FRODI, IL NUMERO DELLE POSIZIONI ED IL VOLUME DEL CREDITO RELATIVO A FRODI

16 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 3

17 TECNICHE BASILARI DEL FRAUD MANAGEMENT
DISASTER RECOVERY BUSINESS CONTINUITY FORECASTING E BACKCASTING CON MODELLI ARIMA, VOLTERRA-LOTKA INVESTIGAZIONE (LINK_ANALYSIS) ANALISI STATISTICA 3

18 IL PROCESSO DI FRAUD MANAGEMENT
Prevention Fraud Control Fraud Engineering Loss Evaluation Definition of new Product / services Billing Bad Debt Product / services Marketing Customer Care

19 IL PROCESSO DI FRAUD MANAGEMENT
Prevention Fraud Contrast Loss Evaluation Fraud Engineering FRAUD MANAGEMENT Customer Retention Revenue protection New Business Opportunities

20 Fraud Detection &Management System
ALTO TRAFFICO E FRODI TRAFFICO FRAUDOLENTO ALTO TRAFFICO High Usage Detection Fraud Detection &Management System

21 SCENARIO DI RIFERIMENTO PER IL PROCESSO DI FRAUD MANAGEMENT
Charging & Billing Traffic Data collection Billing Traffic records Customer Care Revenue Realization Anomalous service usage Accounting Position Fraud Management Contracts Contracts Definition Request for analysis due to client claim Customer premises information Service Order Control Client Traffic Profiles Marketing

22 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 Traffic Analysis Fraud Analysis Filters Programmability Alarms Signalling

23 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) > % NUMERO DI RECLAMI PER TRAFFICO NON RICONOSCIUTO : (<0,1%) 3

24 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.

25 EVENTI ESTREMI 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.

26 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.

27 ALCUNI ESESEMPI LO TSUNAMI NELL’OCEANO NELL’OCEANO INDIANO UN PAIO DI ANNI FA IL BLACK – OUT DELLA RETE ELETTRICA ITALIANA L’ALLUVIONE DI FIRENZE SOVRACCARICHI ECCEZIONALI IN GRANDI STRUTTURE

28 Aeronautica Idrologia Costruzioni navali Finanza Meteorologia
CAMPI DI APPLICAZIONE Aeronautica Idrologia Costruzioni navali Finanza Meteorologia Grandi impianti Grandi strutture

29 Dalle medie agli estremi …
Per rappresentare le code di una distribuzione si analizzano gli eventi estremali che possono essere rappresentati da due diverse variabili: Il massimo “a blocchi” delle variabili aleatorie osservate; Il valore degli eccessi sopra una soglia prefissata u.

30 PROCEDIMENTO CONCETTUALE
SULLA BASE DI ESPERIENZE PASSATE SI OPERA UN PREVISIONE DI VALORI ESTREMI 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

31 PROBLEMI TIPICI DOMANDE TIPICHE
POCHI DATI E TEMPI LUNGHI DI RACCOLTA I FENOMENI NEI VARI SETTORI DI BUSINESS SEGUONO STATISTICHE DIVERSE E SPESSO NON SI CONOSCONO LE DISTRIBUZIONI DOMANDE TIPICHE IL VALORE DI UNA OSSERVAZIONE CADE AL DI LA’ DEI LIMITI CHE RAGIONEVOLMENTE CI SI ASPETTA? I VALORI ESTREMI HANNO UN COMPORTAMENTO “REGOLARE” LA “CLAUSULA REBUS SIC STANTIBUS” E’ NECESSARIA?

32 TECNICHE STATISTICHE PER LA PREVISIONE DEGLI ESTREMI
STATISTICA DELL’ORDINE (ORDER STATISTICS) VALUTAZIONE DELLE ECCEDENZE STUDIO ANALITICO DEGLI ESTREMI NEL CASO DI DISTRIBUZIONI NOTE

33 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

34 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

35 E SE F(X) NON E’ NOTA? NIENTE …. PAURA
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. Gnedenko, B.V., Sur la distribution limite du terme maximum d’un série aléatoire, 1943 Ann Math., 44:423 Fisher e Tippet hanno introdotto il postulato di stabilità: Gnedenko ha dimostrato le condizioni necessarie e sufficienti per la esistenza per i tre asintoti.

36 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: η n = max (X1 , X 2, …, Xn) La distribuzione del massimo è descritta dalla funzione di ripartizione ottenuta come: F M,n (x) = Prob(η n ≤ x ) = [ F(x)]n Banalmente, se x è un valore tale che F(x)<1 allora: F M,n (x) = → 0 se n →∞ Risultato di poco interesse

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

38 Distribuzioni limite Le 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

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

40 CARATTERISTICHE NUMERICHE DELLA FUNZIONE DI GUMBEL
Valore medio: ε + γα (γ = cost. Eulero-Mascheroni 0, ) Varianza : (πα)2/6 Moda: ε Mediana: ε - α loglog(2) Q1: ε - α loglog(4) Q3: ε - α loglog(4/3) Q(moda): /e =

41 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.

42 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.

43 La distribuzione degli “eccessi”
Se un tale limite esiste questo appartiene alla classe delle distribuzioni Pareto Generalizzate (GPD) ovvero, se: allora: Pareto e Beta Esponenziale

44 Si noti che, assegnata una distribuzione F per la successione di v. a
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:

45 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.

46 VALUE AT RISK P(Xn+1) < -VAR) = α
Il 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.).

47 CASO DI APPLICAZIONI AL FRAUD MANAGEMENT
LE APPLICAZIONI DEI VALORI ESTREMI SONO UTILI A: VALUTARE LE FRODI OLTRE UN CERTO VALORE PREFISSATO STIMARE A DISTRIBUZIONI DEGLI ESTREMI PER VALUTARE UN BOUND SUPERIORE ALLE PERDITE

48 GRAZIE PER L’ATTENZIONE