第 4 章開場案例。以 Maryland Comptroller 的可疑報稅表偵測小組（Questionable Return Detection Team, QRDT）說明資料倉儲與商業分析如何改善稅務詐欺偵測。
理解資料整合、詐欺特徵、風險評分與工作排序如何共同改善決策。
Maryland 每年約收到 280 萬份報稅表。舊系統逐份套用規則並暫停約 110,000 份，但歷史上只有約 10% 最後被判定為詐欺，造成大量人工調查與正常退款延遲。
| 原書資料 | 數值／內容 |
|---|---|
| 每年報稅表 | 約 280 萬份 |
| 舊制暫停處理的報稅表 | 約 110,000 |
| 歷史詐欺命中率 | 約 10% |
| 舊制典型年度避免的詐欺退款 | 500–1,000 萬美元 |
| 新制預期暫停處理的報稅表 | 40,000–50,000 |
| 新制當時準確率 | 約 65% |
| 當季截至 3 月下旬追回金額 | 約 1,000 萬美元；舊制同時點約 300 萬美元 |
將歷史資料集中於資料倉儲，分析詐欺與合法報稅表的共同特徵，以線性迴歸整合多項指標，對每份報稅表產生詐欺可能性分數，再依優先順序配置 QRDT 工作。
原書直接報告新制準確率約 65%，相較歷史約 10%；截至 3 月下旬追回約 1,000 萬美元，而舊制同時點約 300 萬美元。
核心價值不是單純增加攔截，而是同時降低誤判、加速正常退款，並讓有限調查資源集中在較值得深入檢查的案件。
根據本案例原書資料，整理「舊規則式流程 → 資料倉儲 → 多特徵模型 → 詐欺分數 → 優先處理流程」的決策流程；不得補充原書未提供的詐欺率或成本數字。
若只提高詐欺偵測率、卻沒有降低誤判，管理效果會如何？
參考解答： QRDT 仍可能把大量合法報稅表留在調查佇列，正常退款延遲與人工負荷問題不會同步改善。