El usuario de negocio podrá extraer de forma sencilla toda la información necesaria procedente de las diferentes fuentes para analizar irregularidades y comportamientos inadecuados y así tomar decisiones más precisas.La solución de auditoría de Apara, basada en su producto dVelox Enterprise es una evolución de los sistemas de vigilancia tradicionales basados en normas y parámetros. Empleando avanzadas técnicas de estadística es capaz de detectar la totalidad de actividades y movimientos en tiempo real y generar alertas e informes de forma automática.
Si comparamos las herramientas basadas en el análisis predictivo con otros sistemas basados en reglas, vemos como las primeras son capaces de identificar diferencias más sutiles y además, son capaces de aprender continuamente de los datos que analizan, con lo que a medida que se producen modificaciones, seguirán mejorando su precisión y priorizando las situaciones que más merece la pena investigar.
Comparativa entre dVelox Enterprise y los sistemas de reglas
| REGLAS | ANÁLISIS PREDICTIVO con dVelox Enterprise |
| Necesidad de un equipo de expertos para definir las reglas en base a su experiencia | El conocimiento de negocio se extrae directamente de los datos mediante avanzados algoritmos de aprendizaje y se valida automáticamente |
| Las reglas generan una lista de casos para investigar sin priorizarlos por importancia |
Los modelos predictivos ordenan los casos a investigar en función de su relevancia optimizando así los recursos disponibles |
| Incapacidad para detectar todas las relaciones entre un elevado número de variables |
Los modelos predictivos consideran todas las variables explicando las relaciones entre ellas y además lo cuantifica; indica las variables que más influyen en la predicción ofrecida |
| Ajuste y mantenimiento de las reglas de forma manual |
Mantenimiento automatizado en el que van aprendiendo y mejorando la precisión a medida que surgen nuevas investigaciones |
| Las reglas predicen aquello que conocen, no son capaces de detectar irregularidades nuevas o no contempladas hasta el momento |
Los modelos son capaces de identificar nuevas tipologías de irregularidades que hasta ese momento eran desconocidas |
| Los sistemas basados en reglas no convierten los datos en scorings o indicadores para facilitar la toma de decisiones |
Los resultados son traducidos al lenguaje de negocio en un sencillo cuadro de mandos para que los propios usuarios puedan hacer sus simulaciones |
| Sistemas muy difíciles de gestionar y mantener cuando el número de reglas es elevado |
Facilidad de mantenimiento independientemente del número de variables que intervengan |
| Disminución de la precisión cuando los datos analizados no están completos | Alto nivel de precisión aunque se trabaje con datos incompletos gracias a que los modelos predictivos se basan en probabilidades |