Το προφίλ των φορολογούμενων δημιουργεί η φορολογική διοίκηση και οι νεοσύστατες διευθύνσεις της ΑΑΔΕ , με στόχο να περιορίσει τη φοροδιαφυγή αλλά και να αποφύγει τη δημιουργία νέων ληξιπρόθεσμων χρεών. Επί της ουσίας ο μηχανισμός με τα νέα ψηφιακά εργαλεία που διαθέτει αλλά και αυτά που θα ενεργοποιηθούν σταδιακά μέχρι το 2025 θα μπορεί να γνωρίζει με βάση τη συμπεριφορά κάθε φορολογούμενου ποιοι έχουν τάσεις φοροδιαφυγής, ποιοι δεν πληρώνουν στην ώρα τους τις οφειλές και υπάρχει κίνδυνος να δημιουργήσουν μία νέα γενιά ληξιπρόθεσμων οφειλών και ποιοι κινδυνεύουν να βρεθούν σε δύσκολη θέση (κυρίως επαγγελματίες και μικρές επιχειρήσεις) και να μπορέσουν να πληρώσουν εμπρόθεσμα τις υποχρεώσεις. Μάλιστα, θα μπορεί να προχωρεί σε πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα, ή οποιαδήποτε άλλη διάσταση βάση των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.

 

Για την αντιμετώπιση των περιπτώσεων μη συμμόρφωσης θα αξιοποιηθούν εργαλεία δημιουργίας προφίλ φορολογουμένων και υποθέσεων, μέθοδοι αποτίμησης κινδύνου, και ανάλυσης συμπεριφορών, εκτεταμένες διασταυρώσεις, διαδικασίες ανταλλαγής δεδομένων με τρίτους φορείς καθώς και με άλλες χώρες.

 

Τα στοιχεία θα αντλούνται αφενός από τα στοιχεία που δηλώνουν, αφετέρου από εξωτερικές πηγές (παγκόσμιο ιστός, κοινωνικά δίκτυα, ανοιχτά δεδομένα κλπ.) για την αποδοτικότερη επικαιροποίηση ανάλυσης κινδύνων. Μέσα από τα ηλεκτρονικά συστήματα η νέα ψηφιακή εφορία θα μπορεί να γνωρίζει σε πραγματικό χρόνο ύποπτα περιστατικά φοροδιαφυγής και λαθρεμπορίου. Επίσης θα έχει τις ακόλουθες δυνατότητες:

 

Ανακάλυψη δυναμικών σχέσεων μεταξύ των φορολογουμένων: Όπως έχει αποδειχτεί από εφαρμογές άλλων ευρωπαϊκών χωρών είναι πολύ σημαντικό βήμα για την εύρεση απάτης και φοροδιαφυγής

 

Κατηγοριοποίηση φορολογουμένων: Κατηγοριοποίηση της αναμενόμενης συμπεριφοράς φορολογουμένων πχ στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κλπ.

 

Εύρεση μη εμφανών ομοιοτήτων μεταξύ των φορολογουμένων όπως προκύπτουν μετά από δημογραφική, οικονομική και συμπεριφορική ανάλυση του συνόλου του πληθυσμού των φορολογουμένων. Χρησιμοποιείται στην εκτίμηση κινδύνου και σε άλλες περιπτώσεις χρήσης

 

-Εκτίμηση ρίσκου και αξιολόγηση κινδύνου: Αξιολόγηση των φορολογουμένων ως προς το ρίσκο μη πληρωμής

-Πρόβλεψη εσόδων και οφειλών: Πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα, ή οποιαδήποτε άλλη διάσταση βάση των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.

 

 

Παράλληλα η ενεργοποίηση του συστήματος τεχνητής νοημοσύνης και μηχανικής μάθησης το οποίο θα περιλαμβάνει τεχνικές με τις οποίες θα γίνεται επεξεργασία δεδομένων και εξαγωγή πληροφορίας από μεγάλα σύνολα δεδομένων θα οδηγήσει στην πρόβλεψη μελλοντικών γεγονότα. Αρχικά, τα ιστορικά δεδομένα θα χρησιμοποιούνται για να χτίσουν ένα μαθηματικό μοντέλο το οποίο συλλαμβάνει τις σημαντικές μελλοντικές τάσεις. Στη συνέχεια, το μοντέλο πρόβλεψης που δημιουργείται, θα χρησιμοποιείται σε τρέχοντα δεδομένα για να προβλέψει τι θα συμβεί μελλοντικά ή για να προτείνει δράσεις με τις οποίες θα επιτευχθούν τα καλύτερα δυνατά αποτελέσματα.