Двойные и ложные платежи: выявление мошеннических платежей до оплаты

Неправомерный платеж ушел не тому получателю, не в той сумме или без основания. Мошеннический платеж частный случай неправомерного: за ним стоит умысел. Для контроля разница важна позже, на этапе расследования, а система отмечает оба вида одинаково, по признакам в данных.

Основные виды:

1. Двойной платеж: один и тот же счет оплачен дважды, иногда с небольшими отличиями в номере или дате.

2. Платеж без основания: нет контракта, акта или решения о выплате.

3. Платеж не тому получателю: реквизиты не совпадают с реквизитами контрагента по контракту.

4. Выплата лицу без права на нее: получатель умер, не подходит под условия выплаты или существует только на бумаге. Такие случаи разобраны на странице о мертвых душах.

Масштаб проблемы показывает оценка Счетной палаты США (GAO): федеральное правительство теряет на мошенничестве, по оценке, 233-521 млрд долларов в год, это 3-7% средних федеральных обязательств по данным 2018-2022 финансовых годов. Сама GAO предупреждает, что эти проценты нельзя переносить на отдельные ведомства и программы.

Казначейство США проводит в год около 1,4 млрд платежей на сумму больше 6,9 трлн долларов, получателей больше 100 млн человек. В октябре 2024 года ведомство отчиталось: за 2024 финансовый год оно предотвратило и вернуло больше 4 млрд долларов мошеннических и неправомерных платежей. Годом раньше было 652,7 млн.

Из чего сложилась сумма:

1. Выявление и приоритизация рискованных транзакций остановили 2,5 млрд долларов.

2. Машинное обучение ускорило поиск мошенничества с чеками казначейства и дало 1 млрд долларов возврата.

3. Расширенная проверка по риску предотвратила 500 млн долларов.

4. Изменения в графике обработки платежей предотвратили 180 млн долларов.

Главное в этих цифрах не модель, а место проверки. Большая часть суммы приходится на предотвращение: деньги не ушли, и их не пришлось возвращать.

Машинное обучение здесь не принимает решений о платежах. Оно сортирует миллиарды операций так, чтобы сотрудники смотрели на рискованные первыми. Подробнее о системах контроля федерального правительства на странице об опыте США.

Возврат денег после оплаты требует розыска получателя, претензий и суда, и часть денег не возвращается. Проверка до оплаты занимает секунды машинного времени на один платеж.

Обратный пример тоже из США. Комитет по надзору за пандемийной помощью (PRAC) оценил, что проверка заявок по данным до выплаты могла предотвратить около 79 млрд долларов возможных мошеннических выплат. По выборке 662 000 записей из 67,5 млн заявок комитет насчитал около 1,4 млн сомнительных номеров социального страхования.

Как выглядит проверка до оплаты в казначействе или бухгалтерии:

1. Платежное поручение попадает в очередь, и система сверяет его со счетом, контрактом, актом и историей платежей.

2. Платеж без отметок уходит в обычном порядке и в обычный срок.

3. Платеж с отметкой ждет решения сотрудника, который видит причину: повтор счета, новые реквизиты, получатель из сведений о смерти.

Чтобы проверка работала, ей нужен поток данных в момент создания платежа, а не выгрузка раз в квартал. Как это устроено, разобрано на странице о мониторинге в реальном времени.

Двойные платежи редко выглядят как точная копия. Чаще повтор отличается одной деталью, и простая проверка на совпадение номера счета его пропускает.

Признаки повторного счета, которые отмечает система:

1. Совпадают поставщик, сумма и предмет, а номер или дата счета отличаются на символ или на несколько дней.

2. Один и тот же акт или накладная приложены к двум платежам.

3. Сумма платежей по контракту превышает цену контракта.

Признаки подмены реквизитов:

1. Банковский счет получателя изменился незадолго до крупного платежа.

2. Новый счет уже встречался в карточках других поставщиков или физических лиц.

3. Письмо о смене реквизитов пришло с нового адреса почты или без подписи руководителя.

Для каждого признака у сотрудника есть простой следующий шаг: сверить счета в учетной системе, позвонить поставщику по телефону из контракта, а не из письма, запросить подтверждение банка.

Условный пример: у Поставщика Б в карточке два счета, второй добавлен за день до оплаты крупного акта. Система задерживает платеж, бухгалтер звонит по номеру из контракта и узнает, что поставщик реквизиты не менял. Деньги остаются в бюджете, а материалы уходят в службу безопасности.

Если по акту, за которым нет поставки, платеж ушел верному получателю, проблема не в платеже, а в контракте. Такие случаи разобраны на странице о фиктивных контрактах.

Если отмечать все подозрительное, очередь проверки растет быстрее, чем ее разбирают люди, и платежи стоят. Поэтому система не просто ставит флаг, а считает балл риска и сортирует платежи.

Из чего складывается приоритет:

1. Сила признака: точный повтор счета весит больше, чем новый поставщик.

2. Число признаков: смена реквизитов вместе с крупной суммой и коротким сроком важнее любого из них отдельно.

3. Сумма: при равном риске первым проверяют платеж, где под угрозой больше денег.

4. История: если похожие отметки раньше подтверждались, вес признака растет, если снимались, падает.

Минфин США описывает тот же принцип. Выявление и приоритизация рискованных транзакций дали ему 2,5 млрд долларов предотвращенных потерь за 2024 финансовый год, больше любого другого направления.

Аналитик видит не тысячи платежей, а короткий список сверху очереди. Флаг означает риск, а не доказательство: платеж с высоким баллом может оказаться законным, и решение о задержке, возврате или передаче материалов следователю принимает человек. Как устроен такой балл, разобрано на странице о риск-ориентированном контроле.

Для запуска не нужна новая учетная система. Нужен доступ к данным, которые уже есть, и люди, которые будут разбирать отметки.

1. Реестр платежей за прошлые периоды: на нем система настраивается и показывает, сколько повторов и аномалий было раньше.

2. Поток новых платежных поручений до отправки в банк.

3. Справочник контрагентов с историей изменения реквизитов.

4. Контракты, счета и акты в электронном виде или в сканах, которые система прочитает.

5. Внешние реестры: юридические лица, сведения о смерти, реестры ограничений.

6. Ответственный сотрудник, который разбирает отметки и записывает итог: подтверждено или снято.

Начинать разумно с одной проверки, например с поиска повторных счетов в архиве за прошлый год. Результат покажет, сколько денег проходило мимо контроля, и даст основание для следующего шага.

Так же шел и Минфин США: машинное обучениемашинное обучение Машинное обучение (machine learning, ML) это раздел ИИ, в котором программа находит правила в данных сама, а не получает их готовыми от разработчика. Подробнее в словаре сначала применили к одному виду мошенничества, с чеками казначейства, и получили 1 млрд долларов возврата за год.