Date post: | 14-Apr-2017 |
Category: |
Data & Analytics |
Upload: | bigdataexpo |
View: | 159 times |
Download: | 0 times |
Hoe datakwaliteit en fraudebestrijding hand in hand gaan
Hoe Data Science de wereld verandert
Harold Selman
Data Scientist bij Ordina Visionworks
2
Opeens ben je Data Scientist!
Data Visualization
Machine Learning
Mathematics
StatisticsProgramming
Domain Expertise
Communication
DATA SCIENTIST
3
Data Analytics Presentation Architecture Processes Governance Digital Marketing
Wat doet Visionworks allemaal?
Icon made by Freepik from www.flaticon.com
4
Samen duurzaam innoveren
5
Veiligheid en privacy
- Geen personen of adressen precies te
achterhalen (behalve door het toevoegen van
voorkennis), dus blijft privacygevoelig
- Beveiligde omgeving alleen op locatie: alles in
en uit de omgeving via het 4-ogen principe
- Analyses om patronen te vinden wel mogelijk
- Pseudoniemen staan bij een externe partij
opgeslagen
- Selectie op risico, niet op fraudeurs
- De oorspronkelijke gegevens waartoe wij geen
toegang hebben
- Niet nodig om alles te weten
PersoonsgegevensGepseudonimiseerde
persoonsgegevens
?
6
Welke gegevens ik gebruik: Basisregistratie Personen (BRP)
Life Event
Life Event
Life Event
BRP
Persoonsgegevens(Basisregistratie Personen)
VerhuizingUitkeringen, toeslagen, etc.
Geboorte
Huwelijk
Adresfraude / Adres-gerelateerde fraude
7
Voorbeeld adresfraude
Bron: RTL Nieuws (Uitzending 14 – 12 – 2015)
8
Verhuizen is geen fraude 1080 euro per maand
Bron: Metro (19 – 4 – 2016)
9
Risicoprofiel: Schijnverlater
Werkelijkheid Op papier
10
Waar ik naar zoek: Afwijkingen in de BRP die leiden tot adres-gerelateerde fraude
Samenstelling huishouden
Relaties
Verhuisbewegingen
Waar ik naar kijk
Briefadres (aantal varianten)
Overbewoning
Vertrokken Onbekend
Waarheen (VOW)
Doorgangsadres
Samenwoners
Veelverhuizers
Schijnverlaters
Schijnbewoning
Opgedoken uit VOW-status Schijnverlaters
11
Aanpassingsvermogen
12
Nieuwe vermoedens formuleren
Prototype risicoprofiel
Overleg met experts uit de praktijk
Nieuwe versie
risicoprofiel
Vermoedens checken in
praktijk
Feedback loop
Praktijkvoorbeeld (signaal)
Afwijkende patronen gevonden in de data
Financieel belang
Andere partijen
13
Ontwikkelen van risicoprofielen
Risicoprofielen Wijziging?BRP
Informatieknooppunt van LAA(Landelijke Aanpak Adreskwaliteit)
LAA gemeenten controleren BRP met
werkelijkheid
Andere overheidsinstanties controleren of elke burger krijgt
waar hij/zij recht op heeft
14
Preventief gebruiken van risicoprofielen
Risicoprofielen Event
Event
Event
BRP
15
Verkennen van data-gedreven risicoprofielen
Risicoprofielen Event
Event
Event
BRP
16
Innovatie
17
Innovatie: Clusteren
18
Innovatie: Applicatie met informatie
• Informatie op gemeenteniveau
• On-demand
• Relatief aantallen per 1000 inwoners
• Gemeenten vergelijken op basis van omvang, taak
en voorzieningen
19
Mijn stelling
Datakwaliteit en fraudebestrijding gaan hand in hand
20
Hoge datakwaliteit van de BRP is noodzakelijk- Andere overheidsinstellingen moeten deze gegevens gebruiken
- Zodat elke burger krijgt waar hij/zij recht op heeft
- Om elke burger te kunnen bereiken, bijvoorbeeld voor bevolkingsonderzoek
Adresfraude signaleren en voorkomen- Stopzetten van onrechtmatige regelingen
- Terughalen van belastinggeld
- Voorkom soortgelijke adresfraude in de toekomst
Toch in de praktijk lijken het aparte onderwerpen
Datakwaliteit en fraudebestrijding
21
Fraudebestrijding- Afwijkende patronen zoeken
- Adres-gerelateerde fraude
opsporen en onderzoeken
- Zoveel mogelijk fraudeurs
aanpakken
- Redeneren vanuit de
beweegreden van de fraudeur
- Alleen aanpakken van fraudeurs
die bewust misbruik maken? Nee!
Datakwaliteit- Afwijkingen zoeken in de data
- Fouten opsporen en onderzoeken
(ook de fouten door fraudeurs)
- Zoveel mogelijk fouten zoeken en
herstellen
- Redeneren vanuit kennis welke
oorzaken fouten veroorzaken
Datakwaliteit en fraudebestrijding
22
Mijn stelling
Datakwaliteit en fraudebestrijding gaan hand in hand
Reactief:- Fouten opsporen (ook veroorzaakt door fraudeurs)
- Zoveel mogelijk fouten (of fraudeurs) vinden
- Redeneren vanuit kennis welke oorzaken fouten veroorzaken (of hoe de
fraudeur fouten veroorzaakt)
Preventief:- (Afwijkende) patronen zoeken en herkennen
- Leren van de fouten en deze voorkomen
23
Toegevoegde waarde
Wij geloven in ICT die
mensen vooruit helpt
Dank u wel voor uw aandacht!
Datakwaliteit en fraudebestrijding gaan hand in hand
Contact
Harold Selman
https://nl.linkedin.com/in/haroldselman
Ordina Visionworks
ordinavisionworks.nl