Big Data analytics με ελέγχους και πρόγνωση φοροδιαφυγής αποκτά η ΑΑΔΕ

Στις 24 Αυγούστου επιχειρεί η ΑΑΔΕ το μεγάλο άλμα προς την Τεχνητή Νοημοσύνη και τη εισαγωγή των αλγορίθμων στην καθημερινή λειτουργία των φορολογικών υπηρεσιών, εξέλιξη που σηματοδοτεί αφενός την παροχή διευκολύνσεων σε ιδιώτες και επιχειρήσεις, αλλά και πιο συστηματικούς και εξονυχιστικούς ελέγχους.

Την ψηφιακή μεταστροφή της ΑΑΔΕ θα τρέξει η νέα «Γενική Διεύθυνση Ψηφιακών Υπηρεσιών και Συστημάτων» που αντικαθιστά τη Γενική Διεύθυνση Ηλεκτρονικής Διακυβέρνησης και αναλαμβάνει καθήκοντα το τρίτο δεκαήμερο του Αυγούστου.

Κομβικός θα είναι ο ρόλος της αξιοποίησης της Τεχνητής Νοημοσύνης, των Big Data analytics και των εργαλείων ανάλυσης κινδύνου, με στόχο την αυτοματοποίηση διαδικασιών, την πρόβλεψη κινδύνων, τη στόχευση ελέγχων και τη βελτίωση της φορολογικής συμμόρφωσης.

Ιδιαίτερη βαρύτητα δίδεται στην δυνατότητα καις την ταχύτητα επεξεργασίας μεγάλου όγκου δεδομένων. Καθώς ο όγκος των δεδομένων είναι μεγάλος, η λύση μεγάλων δεδομένων θα πρέπει να επεξεργάζεται αρχεία χρησιμοποιώντας μαζικές διεργασίες (batch processing) για να φιλτράρει, να συγκεντρώνει και να προετοιμάζει δεδομένα για ανάλυση.

Τα δεδομένα, παράλληλα με την επεξεργασία τους σε πραγματικό χρόνο, θα πρέπει να αποθηκεύονται (τυπικά σε ένα data lake) για να συνδυαστούν/χρησιμοποιηθούν και από ασύγχρονες διαδικασίες (batch processes) σε δεύτερο χρόνο. Επίσης, τα δεδομένα θα αποθηκεύονται σε ένα κατανεμημένο χώρο αποθήκευσης αρχείων, ο οποίος μπορεί να αποθηκεύσει μεγάλους όγκους αρχείων σε διαφορετικές μορφές, γνωστός ως «Λίμνη Δεδομένων» (Data Lake).

Πρόγνωση φοροδιαφυγής

Φιλόδοξος στόχος της ΑΑΔΕ, δεν είναι μόνο η καταστολή της φοροδιαφυγής που ούτως ή άλλως ποτέ δεν θα εκλείψει, αλλά η πρόληψή της, με τη χρήση ηλεκτρονικών εφαρμογών και τεχνικών που θα προβλέπουν και θα σκιαγραφούν τους φορολογούμενους που έχουν τάσεις προς τη φοροδιαφυγή.

Συγκεκριμένα, μέσω του Συστήματος Προηγμένης Επιχειρησιακής Νοημοσύνης (ΒΙ) και Ανάλυσης Δεδομένων (Data Analytics), η ΑΑΔΕ θα στοχεύει:

• Στην ανάδειξη επιχειρήσεων υψηλού κινδύνου προς έλεγχο
• Στον εντοπισμό ύποπτων συναλλαγών και φοροδιαφυγής στο ηλεκτρονικό εμπόριο
• Στην πρόβλεψη παραβατικότητας με τεχνικές μηχανικής μάθησης.
• Στην ανίχνευση απάτης στο ενδοκοινοτικό εμπόριο
• Στη συμπεριφορική ανάλυση φορολογουμένων
• Στην ανίχνευση κυκλωμάτων φοροδιαφυγής, λαθρεμπορίου και οικονομικού εγκλήματος.

Τα νέα ηλεκτρονικά όπλα

Τα νέα ηλεκτρονικά όπλα της ΑΑΔΕ κατά της φοροδιαφυγής του λαθρεμπορίου και της οικονομικής απάτης και εγκλήματος θα είναι η δημιουργία:

• «Επιχειρησιακής Λίμνης Δεδομένων» (Enterprise Data Lake – EDL). Η λύση θα παρέχει τη δυνατότητα αποθήκευσης και επεξεργασίας τόσο δομημένων όσο και αδόμητων δεδομένων.
• «Επιχειρησιακής Αποθήκης Δεδομένων» (Enterprise Data Warehouse – EDW). Η λύση θα πρέπει να περιλαμβάνει και όλες τις απαραίτητες διαδικασίες για τη συλλογή, οργάνωση και επικαιροποίηση των δομημένων δεδομένων του οργανισμού.
• Συστήματος Επιχειρησιακής Ευφυΐας και διαδραστικών αναφορών (Interactive Reports) από τα δεδομένα των EDW και EDL.
  Κάθετων εφαρμογών ανάλυσης δεδομένων και μοντέλων μηχανικής μάθησης (Machine Learning ML) με βάση τα δεδομένα των EDW και EDL.
• Web APIs για παροχή και ενημέρωση της πληροφορίας που αποθηκεύεται στην EDW. Η συγκεκριμένη δυνατότητα θα δίνεται για μεμονωμένα αιτήματα και όχι για μαζική αποστολή/ενημέρωση της πληροφορίας.

Πώς θα λειτουργεί

Με την ολοκλήρωση των τεχνικών εργασιών και της προμήθειας των νέων προγραμμάτων, η νέα διεύθυνση της φορολογικής Αρχής θα αποκτήσει από τα τέλη Αυγούστου τις ακόλουθες δυνατότητες:

1. Διασταύρωσης με τραπεζικά στοιχεία όπως στοιχεία καταθέσεων, στοιχεία κινήσεων καρτών, στοιχεία συναλλαγών.
   Προγνωστική επεξεργασία δεδομένων από διαφορετικές πηγές χρησιμοποιώντας ταυτόχρονα και στοιχεία της αγοράς με τα ενδεικτικά παρακάτω στοιχεία: (α) Προφίλ ασφαλισμένου (β) Τραπεζικά στοιχεία (καταθέσεις, σύνολο συναλλαγών) (γ) Στοιχεία φορολογικών δηλώσεων (δ) Ληξιπρόθεσμα, εμπρόθεσμη είσπραξη, διαγραφή (ε)Πληθωρισμός.
2. Στατιστική ανάλυση για τα στοιχεία μητρώου και των ομάδων φορολογουμένων, καθώς και ανάλυση για τα αποτελέσματα πράξεων συμμόρφωσης από τα βεβαιωμένα ποσά και τις εισπράξεις ανά ηλικία, επάγγελμα κλπ. (β) Σύνθετη ανάλυση με δείκτες όπως αριθμός φορολογικών δηλώσεων, δηλώσεων που ελέγχονται από τη ΔΟΥ, δηλώσεων που αντιστοιχούν ανά ΔΟΥ κλπ. (γ) Αξιολόγηση αποτελεσματικότητας δράσεων συμμόρφωσης ή/και τροποποίησης της φορολογικής νομοθεσίας.
3. Αναφορά με στοιχεία μητρώου, δηλώσεων φορολογουμένων, στοιχείων εισαγωγών – εξαγωγών και επαγγελματικής δραστηριότητας.
4. Σύνθετη ανάλυση πληροφοριών από τράπεζα πληροφοριών και καταγγελιών και ανάλυση κινδύνου παραβατικής συμπεριφοράς μετά από καταγγελία.
5. Συγκέντρωση δεδομένων με σκοπό την ανάλυση εσόδων, τις προβλέψεις εσόδων και τη μελέτη της φορολογικής συμπεριφοράς φυσικών και νομικών προσώπων.
6. Συγκέντρωση δεδομένων με σκοπό την ανάλυση φορολογικού κενού και την παροχή στοιχείων ελέγχων επί φυσικών και νομικών προσώπων με διάκριση για το είδος του ελέγχου.
7. Παροχή δεδομένων από την παρακολούθηση αντιδράσεων των φορολογουμένων στις ανακοινώσεις της ΑΑΔΕ με αντίστοιχη ανάλυση περιεχομένου.
8. Αναφορά διασταύρωσης των δεδομένων myData, τόσο μεταξύ τους όσο και με τα δεδομένα διαφορετικών βάσεων δεδομένων.
9. Δημιουργία εύχρηστων προφίλ και τάσεων συμπεριφοράς (παραβατικότητας, συμμόρφωσης, σε πολλαπλά επίπεδα, όπως κλαδικά, χωροταξικά, εποχικά, οικονομικά κλπ.).
10. Εντοπισμός και μοριοδότηση φορολογούμενων βάσει συγκεκριμένων προδιαγραφών με σκοπό τον σχεδιασμό επικοινωνιακών δράσεων για την ενίσχυση της φορολογικής συμμόρφωσης.
11. Ανάπτυξη μεθόδων και συστημάτων διασταύρωσης στοιχείων και ανάλυσης κινδύνου για την αξιολόγηση των οφειλετών.
12. Αξιοποίηση δεδομένων σχετικά με την επαγγελματική δραστηριότητα φορολογούμενων που δεν έχουν πραγματοποιήσει έναρξη ή μεταβολή επιχειρηματικής δραστηριότητας ως όφειλαν.
13. Άμεση αξιοποίηση δεδομένων μη συμμορφούμενων φορολογουμένων και αποστολή αυτών στις αρμόδιες υπηρεσίες.
14. Σύνθετη ανάλυση ειδικών κατηγοριών οφειλετών με σκοπό τον έλεγχο και τον χαρακτηρισμό οφειλών ως ανεπίδεκτων είσπραξης και παρακολούθηση αυτών.
15. Συλλογή δεδομένων παραβατικότητας (ανά βάθος τριετίας - πενταετίας) ανά κατηγορία επιχειρήσεων και ανά γεωγραφική περιοχή για εξαγωγή ποιοτικών και ποσοτικών κριτηρίων κινδύνων παραβατικότητας για στόχευση σε φορολογικούς ελέγχους.