Søren Ilsøe - Data og analytics i skattevæsenet - KPMG DK Forsikringsdag
0 likes586 views
Præsentation og cases fra indlæg om data og analytics på KPMG Danmark Forsikringsdag 21. november 2017
Søren Ilsøe - Data og analytics i skattevæsenet - KPMG DK Forsikringsdag
- 1. Data og analytics i skattevæsenet KPMG Forsikringsseminar 21. november 2017 Søren Ilsøe Underdirektør, Data & Analyse Skatteministeriet www.linkedin.com/in/sorenilsoe
- 2. 21/11/2017 2 Vi ønsker et skattevæsen, der… Giver god service Gør lovgivning og skattebetaling enkel Er digitalt og brugervenligt Udfører målrettet og effektiv kontrol Vægter borgernes retssikkerhed højt Har danskernes tillid
- 3. 21/11/2017 3 Strategisk transformation af skattevæsenet EFI DMI ESDH Systemsiloer med fokus på funktionalitet og integration DATABANK SKAT Vurderings- styrelsen ICE Gælds- styrelsen ICI Told- styrelsen ICT Øvrige styrelser ICx Transformation baseret på fælles indsigt gennem data og analyser Nyt skattevæsen
- 4. 21/11/2017 4 BI&A Turnusanalysen 2015 – opbygning af Databanken Data Warehouse Big Data Data Warehouse Enterprise Information Model Databank Nye BI og analyse teknologier Selvbetjenings-BI Machine learning Robotics/RPA Kognitive teknologier Data til udviklingsprojekter og transformationsprogrammer Dataudveksling opgraderes KL/ATP, eSKAT, GDP/DAF mv. øvrige eksterne interessenter Nye teknologier kobles på DW/BI Udstillingsplatform 1 2 Data governance - organisation for dataejerskab - måling af datakvalitet - enterprise information model - metadata værktøjer - politik for dataanvendelse 3 Forbedret kvalitet og leveranceevne - porteføljestyring via standard system - metodehåndbog - GDPR, privacy by design
- 5. 5 BI&A Turnusanalysen 2015 – roadmap for styrkelse af fundamentet ICI Transformations- program Y Transformations- program X Told/ICT Datagovernance Etablering af databank Arbejdsgange og kvalitetssikring 2015 2016 2018 Eksisterende platforme, portefølje og løsninger 2017 2019 Model for ejerskab og ansvar for data Datagovernance ICE/ICING EIM for kundedata Implementer ejermodel Udvid EIM Arbejd efter ny arkitektur Implementer DG-værktøj Implementering af målling af datakvalitet Løbende rapportering på datakvalitet Konsolidering af BO-universer (PID foreligger til indstilling – koblet til adgange i nye styrelser) BO opgradering BI&A-metoder Konverter Xcelsius- løsninger til Design Studio Implementer SAP Lumira og SAS Visual Analytics Udvikling af dataintegration via databanken Metadataværktøjer Avanceret analyse Beslutnings- automatisering Organisation og medarbejdere Rekruttering og kompetenceudvikling Arkitektur- design POC og teknologivalg Pilotprojekt 1 Implementering af ABT’er i databanken Arkitektur avanceret analyse Arbjedsgange og kvalitetssikring Datapolitik Revideret porteføljestyring Pilotprojekt 2 Initiering efter BI&A Turnus BI&A projekter igangsat 2015 (prioriteret 22. maj 2015) BI&A projekter igangsat 2016 (prioriteret 30. sep 2015) BI&A initiativer igangsat 2017 Databank Pilot Told RIS/RAS Told scoring 1 2 3 4
- 6. 21/11/2017 6 Nyt samlet koncern CoE for data og analytics Data & Analyse Data Governance Portefølje- styring Data- hjemtagelse Data Management Data- udveksling Business Intelligence Dataanalyse Proces- automatisering Datagovernance konsulent Dataarkitekt Intern kvalitetssikring Service/incident manager BI & Analyse BI Produktion BI Ledelses- information Dataanalyse Effektiviserings analyse april 2014 40 medarbejdere oktober 2017 160 medarbejdere Forretningspartner Projektleder Løsningsarkitekt Portefølje manager Dataingest koordinator Dataingest engineer ETL udvikler Application manager ETL udvikler Procesejer Udvekslingsudvikler BI forretningskonsulent Data scientist Forretningsanalytiker Application manager Proceskonsulent Leverancekoordinator Proces- automatisering RPA udvikler RPA arkitekt Innovation Lead Leverancekoordinator BI forretningskonsulent Data scientist Forretningsanalytiker
- 7. 21/11/2017 7 Opgaverne prioriteres ud fra værdi Organisatorisk værdi Personlig værdi Materiel værdi Løsninger, der understøtter strategiske mål og performance: - øget tilfredshed - reduceret skattegab - reducerede restancer - øget effektivitet - retssikkerhed - informationssikkerhed Løsninger, der understøtter individuelle mål og performance: - KPI’er - produktion - HR performance Immateriel værdi Løsninger, der prædiktivt øger indsigten i forretningsgrundlaget: - forecast - afledte data - nøgletal Løsninger, der reaktivt øger indsigt i forretningsgrundlaget: - udsøgninger/rapporter - beskrivende statistik - forretningsanalyser størst værdi mindst værdiAfdelingens ressourceanvendelse pr. år: 30% til 20-30 projekter 40% til 600-800 bestillingsopgaver 15% drift og support
- 8. 21/11/2017 8 Nyt skattevæsen pr. 1. januar 2018Fra 1 til 7 styrelser
- 9. 21/11/2017 9 Forskellige former for dataanvendelse: 1. Business Intelligence 2. Business Analytics 3. Machine Learning supervised 4. Machine Learning unsupervised 5. Text Analytics 6. Process Automation/RPA 7. Artifical Intelligence/AI
- 10. 21/11/2017 10 Økonomi og HR • SKAT/SANST er KPI styret via månedligt dashboard • Drill-down fra direktør til enhed/medarbejder • 300 KPI’er implementeret 2014, opdateres årligt • Indgår i den samlede styringsmodel md/kvt/år KPI Dashboard HR Performance • Sygefraværsmodellen – differentierede måltal • Performanceanalyse – top 25% high performance • Rekruttering – analytics understøttelse
- 11. 21/11/2017 11 Kundeservice – modning GIV MIG KLARHED FORTJEN MIN TILLID GIV MIG FUNKTIONALITET GIV MIG HURTIG HJÆLP TAG HÅND OM MIG GIV MIG TRYGHED GENEREL INDIVID ANALOG DIGITAL 14% 5%23% 21% 20% 18% Kundecenter vs. Tast Selv Log Social Profileringsanalyse Kundeanalyse Årsopgørelse Alarm Forskudsopgørelse Forecast Iværksætter Vejledningsmodel
- 12. 21/11/2017 12 Kundeservice – next step E2E KUNDEREJSE – MOMS • Indsigt i kundeadfærd • Forbedring af vejledning/kanaler • Kortlægning af ydelsespriser • Live data – respons fremfor survey Mål: ”flytte kunden fra inddrivelse til fordøren” REALTIME PLAYER
- 13. 21/11/2017 13 Indsats og Told Hvidvask I+II - udsøgning Negativ Momsmodel Told Risikoscoringsmodel 20+ ML applikationsområder Skattely – fuzzy matching Momsområdet Case study stikprøve 150 BI manuelt ML supervised ML unsupervised Afsluttede sager 16 26 14 Træfprocent 25% 46% 7% Bruttoregulering 151.763 1.248.158 5.939 Nettoregulering 84.107 1.085.624 5.939 Nettoregulering pr. træf 21.027 90.469 5.939
- 14. 21/11/2017 14 Proces for samspil om udvikling af modeller Kontorchef/ Projektchef Bruger Data- analytiker Go/ No-go? Løbende monitorering Forstå behov, give feedback på datagrundl. Facilitere intromøde Give indblik i forr. flow, datakilder og - forståelse Analysere og vurdere Cost- Benefit Understøtte og give feed-back på CB-analyse, Sikre data- og test-grundlag Facilitere aftalemøde Sikre ress., data og op- bakning til mål Bidrage med erfaring og datakendskab Sikre ress., data og op- bakning til mål Forberede data og trinvist udvikle model Teste scorings- modellen Bidrage med brugserfa. Understøtte idriftsættelsen af modellen Løbende monitorering Forstå brugsbehov Give overblik over brugere og oplær.behov Facilitere møde og forstå oplær.behov Forstå brugsbehov Undervise brugere Tage modellen i brug Gentræning af modellen Idriftsætte scorings- modellen Proces- konsulent Forretn.- analytiker App.- manager Bidrage med erfa. og datakendskab Understøtte test Bestiller Dataanalyse Planlægge og aftale udviklings- og testforløbet Lev.koor- dinator Understøtte processen Understøtte processen Understøtte udviklings- processen Understøtte idriftsættelses- processen Understøtte processen Understøtte gentræning og monitorering Understøtte testprocessen Analysere Cost- Benefit og data- grundlaget Agilt udvikle og evaluere potentialet Teste modellen Planlægge og aftale idriftsæt., monitorering og gentræning Oplære i og ibrugtage modellen Evalure, monitorere og gentræne modellen Facilitere evalu. af udv.forløbet
- 15. 21/11/2017 15 Automatisering og AI PAL/PAF Automatisering RPA Business Cases Sagsvisitering – interne incidents Sagsvisitering – kunder til SKAT/SANST Kundecenter Chatbot Beslutningsautomatisering
- 16. 16 Emnescoring Udbytte 0,15 Indkomst 0,15 … Hævning 0,2 Lån 0,15 … Ansættelse 0,15 Mellem- regning 0,05 … Bil 0,2 Kunst 0,15 … Dokumenter analyseres af modellen Emnegruppering 1 2 3 4 1 2 3 4 Sagsvisitering – Latent Dirichlet Allocation
- 17. 17 Model kørt på 271 sager med 10 emner. 1. Rette indkomstmodta- ger / mellemregning 2. Aktionærlån / hævning 4. Hævning / aktionærlån 3. Mellemregning / hævning 5. Lejeindtægt / mellemregning Antal sager: 5 Gns. lighed: 0,88* Antal sager: 34 Gns. lighed: 0,38 Antal sager: 49 Gns. lighed: 0,43 Antal sager: 30 Gns. lighed: 0,39 Antal sager: 38 Gns. Lighed: 0,56 6. Money transfer Antal sager: 17 Gns. lighed: 0,69 7. Rette indkomstmodta- ger / lejeindtægt Antal sager: 15 Gns. lighed: 0,74 8. Bil / kunst Antal sager: 23 Gns. lighed: 0,50 9. Bil / rejse Antal sager: 13 Gns. lighed: 0,84 10. Rejse Antal sager: 19 Gns. lighed: 0,77 * Skalaen går fra 0 – 2, hvor 0 er fuldstændig lighed og 2 er fuldstændig forskellighed Sagsvisitering – Skatteankestyrelsen i gang
- 18. 21/11/2017 18 Data Science Matematisk kundskab Forretnings indsigt Teknologisk kompetence Data science – modning step-by-step, undgå big-bang … overvej roller og profiler, der supplerer hinanden … central vs. decentral, gå efter CoE med superbrugere