|
近期國內八大行庫之一的土O銀行,爆發於民國106年至113年間有行員利用職務之便,將向承租戶收取的水電費與個人財物混用,挪用公款共計2,712,384元,且藉由錯誤分攤通知導致短收款項,遭金管會核處新臺幣400萬元罰鍰,並被要求要明確禁止員工從事收付款工作、建立妥適費用分攤會計處理程序、出租管理缺乏控管與查核機制,以及收費流程中審核與覆核等加強內部控制與稽核。藉此警示金融機構應強化內部控制與風險管理措施,防範人員舞弊與制度疏漏造成損失(參考資料來源: 金融監督管理委員會2025-04-24新聞稿)。
以下分享如何善用JCAATs AI稽核工具,協助稽核提升數位化稽核與資料分析能力,由事後檢討,提早預警與偵測相關風險事項。
主題:運用 JCAATs AI 稽核機器學習功能,提早偵測挪用風險與加強內控防線—以O銀沙鹿分行案件為例
一、事件回顧:土O沙鹿分行挪用公款風險
| 問題類型 |
案件內容摘要 |
| 收入短收風險 |
員工侵占水電費收取金,長期未入帳,造成短收逾270萬元 |
| 不當分攤風險 |
擅自將水電費分攤至不實住戶或錯誤費用科目 |
| 權責不清風險 |
由同一員工長期掌控收費與入帳流程,無職務輪調與複核機制 |
| 帳目異常風險 |
頻繁使用「其他應付款」帳戶,規避正常稽核追蹤 |
二、導入 JCAATs AI 機器學習之稽核機制與效益
1. 資料建模:整合歷史交易與異常樣本
匯入水電費分攤明細、收款紀錄、租戶繳費清單。
標註歷史上查核異常之交易為「異常樣本」,進行監督式模型訓練。
2. 自動訓練分類模型(支援五大演算法)
使用內建機器學習演算法如 Decision Tree、Random Forest、Logistic Regression。
使用 SMOTE 平衡資料,解決異常樣本太少的問題。
3. 模型預測與風險分數產生
模型針對每筆水電費入帳或分攤交易,產生風險分數(0~1)。
當分數高於門檻(例如 >0.8),系統即自動列為「高風險交易」。
4. 風險預警與視覺化分析
將高風險交易以紅色高亮顯示,並提供:
混淆矩陣與準確度指標
精確率(Precision)、召回率(Recall)與 F1-score
可追溯的特徵權重(如:是否長期由同一員工操作?是否異常金額?)
三、實際應用預警範例
| 預警交易 |
系統偵測指標 |
預測結果 |
|
A 租戶水費分攤異常
|
連續3期由同員工負責收費且金額偏高 |
預測分數 0.91(高風險) |
|
B 筆帳務使用「其他應付款」入帳
|
未附繳費證明 |
預測分數 0.85(高風險) |
|
C 筆交易分攤至空戶號
|
違反內部邏輯檢核 |
預測分數 0.88(高風險) |
JACKSOFT 於2025.05.14(三)舉辦JCAATs 工作坊
活動資訊如下:
《機器學習與AI人工智慧應用實例演練》工作坊
時間:2025年5月14日(週三)14:00-17:00
地點:台北市大同區長安西路180號3F-2(實體課程)/可線上同步參與
費用:原價 $10,000,JACKSOFT 客戶可免費參加!
您將親自操作 Decision Tree、KNN 等機器學習演算法,學會如何運用AI預測進行預測性稽核、提升稽核準確性,並結合最新JCAATs AI稽核軟體 3.5版,提升您工作上的數據戰力!
歡迎大家踴躍參加
點擊連結深入了解
JCAATs AI 稽核軟體
|