Data-analyse is een onmisbaar onderdeel geworden van het forensische fraudeonderzoek. Aan de hand van beschikbare data kunnen processen en transacties exact worden gereconstrueerd. ‘Op die manier maak je afwijkingen van de normale procesgang en van de compliance- en wetsregels zichtbaar. Verbanden die eerst niet zichtbaar waren, worden dat nu wel’, zegt Jan Atze Bleeker, werkzaam als forensisch dataspecialist bij PwC.
‘Deze werkwijze noemen we investigative data analytics’, vervolgt Goudsmit, ‘en die neemt steeds meer de plaats in van het traditionele sporenonderzoek. Fraudeonderzoekers kunnen zich dan meer focussen op reproduceerbare datasporen die de geconstateerde feiten verklaren of die een aanwijzing kunnen zijn voor criminele activiteiten. Op die manier bespaar je waardevolle tijd en onderzoekskosten, en het scheelt schaarse menskracht. De expertise en intuïtie van de forensische onderzoeker blijft onmisbaar, maar met investigative data analytics heeft hij of zij er een al even onmisbaar instrument bij.’
Voor een goed en gedegen uitgevoerd data-onderzoek met een maximale kans op resultaat hanteren Bleeker en Goudsmit vijf grondregels:
1. Betrek materiedeskundigen bij uw onderzoeksteam
‘Er moet een evenwichtige verhouding zijn van data- en procesdeskundigen en mensen die dagelijks werkzaam zijn in het onderzoeksgebied en weten hoe daar gewerkt en gedacht wordt. Anders is de kans op tunnelvisie groot en blijft men te veel hangen bij wat men denkt zeker te weten uit het verleden.’
2. Stel een onderzoekshypothese op en splits die op in doelscenario’s
‘In essentie gaat het bij data-onderzoek om het indikken van beschikbare data tot een reproduceerbaar dataspoor dat de geconstateerde feiten kan verklaren. Om daar te komen, moet je logische vragen stellen om de waarschijnlijkheid of onwaarschijnlijkheid van de onderzoekshypotheses – en de daarop gebaseerde scenario’s – te kunnen beoordelen. Het succes van investigative data analytics staat of valt met de kwaliteit en de creativiteit van een verkennende dialoog.’
3. Durf de eigen hypotheses continu in twijfel te trekken
‘Binnen het team moet elke vraag gesteld kunnen worden en elke aanname moet onderzocht worden. Er is geen plaats voor grote ego’s. Elk teamlid moet bereid zijn om de eigen analyses in twijfel te trekken en de eigen aannames ter discussie te stellen. De procesbegeleider moet de onderzoekers uitdagen om ook niet voor de hand liggende denkroutes te kiezen, en moet bewaken dat de onderzoeksrichting inderdaad wordt bepaald door de aanwijzingen van de data. Om deze dynamiek te activeren brengen wij alle onderzoekers bijeen in een data science lab en werken we met een strakke tijdsplanning.’
4. Stel je de vraag: welk scenario verken ik eerst gezien impact en waarschijnlijkheid?
‘De eerste onderzoeksvraag moet altijd zijn: wat vertellen de geconstateerde feiten ons precies en zijn ze wel wat ze lijken? Is hier inderdaad sprake van een bewust gepleegde fraude of is misschien sprake van een uit de hand gelopen cover-up van een menselijke fout? Na deze probleeminventarisatie worden de meest valide geachte scenario’s getoetst aan de data. Dit is vakwerk: elk scenario in elke casus heeft andere vereisten. Stapsgewijs maken we de nodige modellen. In een iteratief proces worden zo de datasporen geïdentificeerd die nader onderzocht moeten worden door de forensische experts.’
5. Maak de aannames bij elke keuze expliciet en valideer ze aan de hand van de beschikbare data
‘Een valkuil is dat een gevonden correlatie geen causaal verband hoeft te zijn. Ook is het voor een integer digitaal forensisch onderzoek van groot belang dat datasporen op elk moment reproduceerbaar zijn. Gevonden aanwijzingen moeten in een procedure of voor de rechter hard gemaakt kunnen worden en in hun onderlinge samenhang overtuigen.’
Lees ook
OM verdenkt Erwin de R. in trustfraudezaak van valsefacturenfabriek
History: Over het langstlopende en meest kostbare fraudeonderzoek in de zorg ooit
