Detecció del maquillatge comptable: mètodes tradicionals i Intel·ligència Artificial

el dia 16 de setembre de 2026 de 16.00 a 20.00 h.

En presencial al Col·legi d'Economistes de Catalunya (Plaça Gal·la Placídia, 32, Barcelona)

• Tarifa col·legiat: 100,00 €
• Tarifa no col·legiat: 130,00 €

• Pilar Lloret Millán, economista i consultora d'empreses. Doctora per la Universitat de Vic - Universitat Central de Catalunya. Especialitzada en anàlisi d'empreses i de riscos.

- Comprendre què és el maquillatge comptable, els seus tipus i l'impacte que pot tenir.
- Identificar les principals senyals d'alerta, tant qualitatives com quantitatives.
- Conèixer i aplicar els mètodes tradicionals de detecció de pràctiques comptables irregulars.
- Introduir les tècniques d'IA, com el Machine Learning i el Random Forest, en la detecció de manipulació comptable.
- Aplicar eines d'IA en l'anàlisi de dades financeres a través de casos pràctics.

Presentació:
El maquillatge comptable pot distorsionar la realitat econòmica d'una empresa i generar conseqüències greus per a inversors, reguladors i el propi negoci. La identificació d'aquestes pràctiques és un desafiament creixent.
En aquest webinar, explorarem tant els mètodes tradicionals com les eines avançades basades en la intel-ligència artificial (IA) per detectar irregularitats comptables. A més, analitzarem casos pràctics reals per aplicar els coneixements adquirits.

Professionals de la comptabilitat, auditoria, finances, control de gestió i compliance, així com persones interessades en les noves tecnologies aplicades al control financer, encara que no tinguin coneixements tècnics avançats.

1. Introducció al maquillatge comptable
- Definició i objectius.
- Tipologies principals.
- Casos emblemàtics i repercussions.

2. Mètodes tradicionals de detecció
- Anàlisi de ràtios financers.
- Indicadors clau de rendiment.
- Senyals d'alerta qualitatives i quantitatives.

3. Intel-ligència artificial aplicada a la detecció comptable
- Com la IA transforma l'auditoria i el control financer.
- Tècniques destacades: Machine Learning i Random Forest.
- Capacitat de detecció de patrons anòmals.

4. Casos pràctics i aplicació d'eines
- Anàlisi de dades reals amb suport d'eines d'IA.
- Interpretació dels resultats per part de l'usuari no expert.