Detección de Fraudes en Bodegas de Datos basado en los niveles de agregación

Abstract

Los fraudes en las compañías a nivel mundial representan pérdidas de millones de dólares. La detección temprana de los fraudes evita que se continúen con estas acciones. La contabilidad forense incluye diversas técnicas para apoyar esta detección, en esta tesis se aplican las técnicas: ley de Benford, SAME-SAME-SAME, SAME-SAME-DIFFERENTE y Relative Size Factor a bodegas de datos usando los niveles de agregación de las dimensiones para analizar desde datos generales (e.g., a nivel de Año) hasta datos específicos (e.g., a nivel de día) la presencia de posibles fraudes. Con estas técnicas se definen operadores OLAP, los cuales se aplican en una bodega de datos y ofrecen información sobre la posible la existencia de fraudes.

Abstract: Frauds at companies globally represent losses of millions of dollars. Early detection of fraud prevents the continuation of these actions. Forensic accounting includes several techniques to support this detection, in this thesis are applied the techniques: Benford’s law, SAME-SAME-SAME, SAME-SAME-DIFFERENT and Relative Size Factor to data warehouses using aggregation levels of the dimensions to analyze from general data (e.g., at year level) to specific data (e.g., at day level) the presence of possible frauds. These techniques define OLAP operators, which are applied in a data warehouse and offer information on the possible existence of fraud.