Značaj dobrovoljnog ispunjavanja poreznih obveza kroz sustav CRMS

vještavanje (engl. Business intelligence ∑ BI) i vizualizacije kao što su tortni grafikoni, trakasti grafikoni, linijski grafikoni, tablice ili generirani narativi. Dijagnostička analitika: ispitivanje podataka radi odgovora na pitanje ≈Zašto se to dogodilo?« Karakteriziraju ga tehnike kao što su dubinska analiza, otkrivanje podataka, rudarenje podataka i korelacije. Prediktivna analitika: ispitivanje povijesnih podataka radi identifikacije trendova i predviđanja hoće li se opet ponoviti, tj. radi odgovora na pitanje ≈Što će se vjerojatno dogoditi?« Prediktivni analitički alati pružaju vrijedan uvid u ono što se može dogoditi u budućnosti, a njegove tehnike uključuju različite statističke tehnike i tehnike strojnog učenja, kao što su: neuronske mreže, stabla odlučivanja i regresija. Preskriptivna analitika: ispitivanje podataka radi odgovora na pitanje ≈Što treba učiniti?« ili ≈Što možemo učiniti da se dogodi?«, a karakteristične su tehnike: analiza grafikona, simulacija, složena obrada događaja, neuronske mreže, motori preporuka, heuristika i strojno učenje. Dok se tradicionalna (opisna i dijagnostička) analitika općenito usredotočuje na uvide u trenutno stanje, prediktivnoj je analitici cilj pružiti korisnicima uvid u blisku ili dugoročnu budućnost kako bismo odredili moguće trendove ili ponašanja. Obje vrste analitike iskorištavaju znanje o domeni poslovanja i dostupnim podatcima. Međutim, u tradicionalnoj analizi hipoteze o rizičnim značajkama pojavljuju se u svijesti struč njaka, dok u prediktivnoj analitici računalni algoritam stvara hipoteze i nakon toga ih testira na povijesnim podatcima. Snaga prediktivne analitike leži u računalnim algori tmima za stvaranje i provjeru ogromne količine hipoteza o povijesnim podatcima. Pre diktivnom analitikom porezne uprave pokušavaju predvidjeti osobinu, tj. cilj poreznog obveznika, ili poreznu prijavu uz pomoć modela. Početi se koristiti prediktivnom analitikom nije lako. To je zadatak koji svaka orga nizacija može učiniti ako je stvarno posvećena tom pristupu i spremna uložiti vrijeme i (analitičke i statističke) resurse potrebne za pokretanje projekta. Prediktivna analitika ne mijenja ono što će se dogoditi sljedeći tjedan, mjesec ili godinu, ali gleda u budućnost preciznije i pouzdanije od prethodnih alata. Time može pomoći onima koji je koriste, pronaći načine kako uštedjeti vrijeme i smanjiti troškove. 5.1.2. Umjetna inteligencija, strojno učenje i algoritmi Umjetna inteligencija primjenjuje naprednu analizu i tehnike temeljene na logici, uključujući strojno učenje, za tumačenje događaja, podršku i automatizaciju odluka te poduzimanje radnji. Strojno učenje (ML) je primjena umjetne inteligencije (AI) koja implementira i pri lagođava modele, pružajući sustavima mogućnost automatskog učenja i poboljšanja iz iskustva bez izričitog programiranja. ML se obično usredotočuje na razvoj algoritama za predviđanje. ML algoritmi mogu obrađivati ogromne količine podataka i poboljšati prethodne iteracije učeći iz podataka koji im se pružaju. Problemi s učenjem mogu se grubo kategorizirati kao nadzirani ili bez nadzora. U nadziranom učenju promatraju se i predviđanje i ishod: cilj je predvidjeti vrijednost ishoda na temelju ulaznih mjera. Naprotiv, u učenju bez nadzora promatra se samo predviđanje. Tu je cilj opisati asoci jacije i obrasce među skupom ulaznih mjera. ML metode mogu predstavljati moćan alat poreznim upravama. Doista, mogu se primijeniti i za predviđanje slučajeva rizika i za otkrivanje anomalija koje bi mogle

Značaj dobrovoljnog ispunjavanja poreznih obveza kroz sustav za analizu rizika (CRMS)

27