Faux reçus et fraude aux notes de frais

La plupart des faux reçus sont de vrais reçus dont le total a été modifié. Cela laisse un signal dans une partie de l'image, qu'un score global pour tout le cadre lisse par calcul de moyenne, et qu'une carte de régions ne gomme pas.

Pourquoi les reçus constituent une cible facile

Un reçu est du texte sur papier photographié sous un mauvais éclairage. Il n'y a ni visage, ni mains, ni scène complexe, et tout le monde s'attend à ce que l'image soit légèrement floue et mal cadrée. Tout problème de qualité qui rendrait une autre photographie suspecte est normal ici.

Les montants sont également suffisamment faibles pour que personne n'enquête individuellement. Une équipe financière examinant quatre cents notes de frais par mois cherche des valeurs aberrantes, et non à mener des investigations criminalistiques sur un reçu de café. Un reçu de café altéré isolé ne vaut pas la peine d'être poursuivi ; quarante sur une année représentent un salaire.

Les deux schémas et leur lecture

14 11 9 12 76 81 16 13 10

Le papier, l'éclairage et le cadrage sont authentiques. Deux tuiles adjacentes couvrant les montants ne le sont pas.

Un vrai reçu comportant deux lignes d'articles et le total régénéré. Le score pour l'ensemble du cadre était de 34.

Un reçu entièrement généré a un aspect différent. Chaque tuile affiche un score élevé, car aucune partie de l'image ne provient d'un appareil photo. Ce cas est plus facile à repérer et, en pratique, moins courant que le cas modifié.

Faire la distinction entre les deux
Schéma	Score global du cadre	Carte des régions	Ce que cela signifie
Reçu généré	Élevé	Chaque carreau est chaud	L'achat n'a probablement jamais eu lieu
Montant modifié	De bas à moyen	Une ou deux tuiles élevées	Un achat réel dont le montant a été changé
Authentique, mal photographié	Moyen	Uniformément chaud	Compression et faible luminosité, pas de fraude
Authentique, bonne photo	Bas	Toutes les tuiles basses	Rien à signaler

Les vérifications qui n'impliquent pas les pixels

L'analyse d'images constitue un signal, et dans le cas de la fraude aux notes de frais, c'est rarement le premier à se déclencher. Ceux-ci ne coûtent rien et permettent d'en attraper davantage.

Arithmétique. Les lignes d'articles s'additionnent-elles pour donner le sous-total, et le taux de taxe s'applique-t-il correctement ? Les totaux modifiés faussent fréquemment les calculs, car la personne qui les modifie ne change qu'un seul chiffre.
Numéros de séquence. Deux reçus provenant du même commerçant à des jours différents avec des numéros de transaction adjacents constituent un signal plus fort que n'importe quel score.
Détails du commerçant. Un numéro de téléphone injoignable, une adresse inexistante, un numéro de taxe dont le format ne correspond pas au pays.
Imagerie répétée. La même texture de papier, la même table, le même éclairage pour des achats prétendument sans lien.
Calendrier. Des reçus soumis par lots en fin de période, datés sur plusieurs semaines, tous photographiés au cours de la même session.
Nombres ronds. Des montants qui se situent juste en dessous d'un seuil d'approbation, de manière répétée.

Pourquoi les équipes financières ne devraient pas importer de reçus

Un reçu contient la localisation, l'heure et les dépenses d'un employé, ainsi que souvent un numéro de carte partiel. Envoyer ces informations à un service de notation tiers crée une relation de traitement couvrant les données personnelles du personnel, ce qui nécessite un contrat, une politique de conservation et une mention dans votre politique de confidentialité.

Effectuer la notation dans le navigateur évite tout cela. Le fichier est lu à partir du disque par la page et n'est jamais transmis, il n'y a donc aucun sous-traitant à désigner et rien à divulguer.

Que faire d'un reçu signalé

Vérifier à nouveau l'original
Demandez le fichier provenant du téléphone qui l'a pris. La plupart des scores élevés sur les reçus honnêtes proviennent d'une recompression après que l'image a transité par un e-mail ou une application de messagerie.
Vérifier l'arithmétique et le marchand
Si les chiffres ne correspondent pas ou si le marchand n'existe pas, vous obtenez une réponse qui ne dépend pas du tout d'un modèle.
Regarder le modèle, pas l'affirmation
Un seul reçu signalé est un bruit de fond. Le même employé signalé quatre fois, ou un ensemble photographié au cours de la même session, constitue un schéma qui mérite d'être escaladé.
Transmettre à une personne, non à une règle
Le rejet automatique basé sur un score est injuste et, lorsqu'il affecte la rémunération, présente un risque juridique. Un signalement doit ouvrir le dialogue.

Concevoir une politique qui résiste à l'épreuve du personnel

Une politique de frais qui traite chaque reçu signalé comme une fraude présumée générera plus de griefs que de recouvrements. Le taux d'erreur sur les photographies de reçus est élevé, et les personnes concernées sont vos propres employés.

Définir le seuil par la valeur plutôt que par le score. Vérifier tout ce qui dépasse une limite est proportionné et facile à expliquer à un comité d'entreprise ou à un syndicat. Tout vérifier, puis agir sur la base de la sortie d'un modèle, n'est ni l'un ni l'autre.

Indiquez dans la politique que des vérifications d'images ont lieu, ce qui les déclenche, et qu'un signalement entraîne une demande de fichier original plutôt qu'un rejet. Le personnel qui connaît la règle à l'avance l'accepte. Celui qui la découvre par le biais d'une accusation ne l'accepte pas.

Publier le seuil afin que personne ne soit surpris par un contrôle.
Transmettre les signalements à une personne, jamais à un rejet automatique.
Demander le fichier original en premier, car la recompression explique la plupart des scores élevés.
Escalader en cas de schémas récurrents chez un demandeur, et non sur des reçus isolés.

Questions fréquentes

La détection par IA peut-elle repérer un faux reçu ?

Elle détecte deux choses : un reçu entièrement généré, qui obtient un score élevé sur chaque vignette, et un montant modifié, qui apparaît sous la forme d'une ou deux vignettes suspectes au sein d'une image par ailleurs propre. Elle ne détectera pas un reçu authentique pour un achat sans rapport avec l'entreprise, ce qui est une forme de fraude aux frais beaucoup plus courante.

Pourquoi les reçus authentiques obtiennent-ils parfois un score élevé ?

Les reçus sont photographiés sous un mauvais éclairage, de biais, sur du papier qui s'enroule, puis compressés par l'application par laquelle ils transitent. Chacun de ces facteurs pousse le score vers le haut. Attendez-vous à un taux de faux positifs réel et concevez le processus de manière à ce qu'un signalement déclenche une question plutôt qu'un rejet.

Devons-nous vérifier chaque reçu automatiquement ?

Des contrôles moins onéreux permettent d'en détecter davantage. L'arithmétique, les numéros de séquence et la validation du marchand s'exécutent instantanément et découvrent des fraudes que l'analyse d'images ne révélera jamais. Utilisez-les comme premier filtre et réservez les contrôles de pixels à ce qu'ils mettent en évidence, ou aux demandes dépassant un seuil de valeur.

Pouvons-nous stocker les résultats dans notre système de gestion des frais ?

Oui, et stocker le résultat plutôt que le jugement est la bonne approche. Exportez le rapport pour que le score, la carte des régions et la date soient associés à la réclamation. Une décision remise en question un an plus tard doit pouvoir être expliquée, et c'est l'exportation qui rend cela possible.

Pouvons-nous vérifier les reçus en masse ?

Oui, jusqu'à 25 images par lot. La plupart des équipes traitent une note de frais entière d'un coup et recherchent la valeur aberrante plutôt que de lire chaque score. Un ensemble photographié au cours d'une même session tend à se situer dans une plage de scores étroite, de sorte que le reçu qui s'en écarte nettement est celui qu'il convient d'ouvrir.