您当前的位置:首页 > 行业应用 > 政府行业
政府行业 
你仅仅是凭感觉做决策吗?通过对25万客户的调查发现:利用SPSS公司的统计分析家族的产品,包括PASW Statistic(旧名称是SPSS Statistic)、PASW Amos,您可以更加相信您的结果和决策。您可以更加相信您的结果和决策。您可以更加相信您的结果和决策。您可以更加相信您的结果和决策。您可以更加相信您的结果和决策。
  • 概述
  • 案例

“预测辅助税收征管管理系统”利用预测性分析提出了三种最好的方式去优化税收遵从管理的决策:

   未申报发现-发现未申报的有潜在税务责任的商业公司或个人

   稽查选案-识别容易偷漏税的纳税人

   征收管理-针对不同的征收案例制订正确的征收策略

预测性未申报发现的步骤

1. 将预测分析集中在您的业务目标上,发现最有可能未申报的税种。这个业务目标是决策优化过程中对商业公司进行优先级排序的因素。如分析:

  a. 税务申报者。例如,那些在上一财务年度曾经提交州所得税申报书的个人。

  b. 外部记录。例如,美国国税局可以提供包括所有在州里头的曾经申报联邦税单的个人和住址信息,或者个人的W2(美国年度收入缴税表格)表格等信息。

2.使用下列技术去匹配税务系统内部和外部的数据源,以确定哪些个体是存在于外部数据库,但是并不存在于税务系统内部数据库的:

  a.“硬关键字”像社保卡号或其它标识符。这些是居住在美国国内,并且在美国税局申报过,但是没有申报他们的州所得税的个人。

  b.“软关键字”像名称和地址这些信息

3.利用“预测未申报模型”对这些商业公司的未申报可能性进行排序。开始阶段,只能通过像估计商业公司的应纳税款这类简单的标准来做。

4.决策——怎么处理这些商业公司和采取措施:被挑出来的商业公司应当遵循系统的处理过程。根据与纳税人的互动去调整这个过程。而且,把这些不同结果收集起来是很重要的。

5.处理这些商业公司后,把最后的结果应用到排序标准中:只要有足够多的处理后的商业公司,这些数据信息就能被用来产生预测模型,然后得出更精确的可应用于将来的排序标准。

 

预测性稽查选案的步骤:

1.将预测分析集中在您的业务目标上,提高稽查选案效率。这个业务目标是决策优化过程中对稽查的商业公司进行排序的因素。如分析:

  a.稽查结果

  b.相关的纳税人数据,如申报税额和纳税人属性,还有外部数据如联邦税单或者工资信息等。

2.根据预测的稽查选案模型结果对这些商业公司按偷漏税的概率排序。模型同时学习纳税人属性和少申报额度的关系。

3.决策——得出最优的稽查策略和发布这些策略。

4.执行最优的稽查策略——把预测评分模型产生的稽查名单结合到其它系统中去。再把稽查结果返回给模型继续学习。

 

预测性税务征收的步骤:

1. 将预测分析集中在您的业务目标上,提高税务征收效率。这个业务目标是决策优化过程中对征收的税款进行排序的因素。如分析:

   a.征收结果

   b.相关的纳税人数据,如欠税类型,之前的征收历史,纳税申报单和纳税人的人口统计学属性。

2. 利用“预测征收模型”对这些欠款清缴的可能性进行排序。这些模型总结了纳税人相关的信息和征收风险的关系。

3. 确定各笔欠款的风险——这些案例有可能随着时间过去而“自觉缴纳”,还是变成呆坏账。

4. 决策——得到优化的征收策略,制定相应的措施。根据预测模型的结果和一些简单的逻辑,把欠款分为低风险、中风险和高风险三类。对不同的风险类型,制定出最佳的征收措施——对于低风险的欠款,采用最小成本的方式如电话沟通;对于高风险的欠款,采用更强有力的处理方式如外地代理上门处理。

5. 执行这些优化后的征收策略,再把征收结果返回给模型继续学习。