La visualización de redes se ha convertido en un básico para la detección e investigación de fraude, pero hay mucho más que obtener de la compleja estructura de gráficos que la respalda. En este sentido, y para comprender cómo podemos utilizarlas de manera efectiva para mejorar las tasas de detección, primero debemos hacer un repaso de los conceptos más básicos de este tipo de análisis.

En matemáticas, las redes son estructuras utilizadas para analizar las relaciones entre entidades, que pueden visualizarse como nodos y la relación entre ellos como enlaces. Por lo tanto, la analítica de redes consiste en el uso de métricas numéricas y estadísticas para obtener información adicional sobre nuestros datos utilizando el formato de redes.

Métodos de análisis de redes

Hay múltiples cálculos y agregaciones que podemos hacer en función de la información de la red. Algo tan simple como contar nodos y enlaces o filtrarlos por atributos específicos puede aportar mucho valor para la detección e investigación del fraude. Una vez que hayamos descubierto cuánto podemos enriquecer nuestros datos gracias a este tipo de medidas básicas, nos sorprenderemos con la información que nos puede aportar métodos más complejos como los siguientes:

• Medidas de centralidad

Son estadísticas destinadas a evaluar la importancia de los nodos y enlaces. Esta importancia puede significar diferentes cosas que dependerán de nuestro caso de uso o consideraciones.

Las medidas de centralidad pueden automatizarse y utilizarse tanto en la fase de detección como de investigación. También pueden ser muy constructivas para mejorar el triaje y la priorización de las alertas, así como resultar especialmente útiles cuando se trabaja con redes muy complejas y grandes.

Como ejemplo de estas medidas tenemos la Centralidad Betweeness, Degree o PageRank, que permiten descubrir nodos que están conectados a otras reclamaciones por entidades sospechosas, detectar anomalías de reclamaciones que tienen demasiados enlaces o muy pocos en comparación con lo esperado y descubrir entidades críticas para desmantelar grupos de fraude organizado, respectivamente.

• Buscador de patrones (pattern matching)

Implica encontrar uno o más subgrafos en una red más grande que coincidan con una estructura o característica específica. Cabe destacar, que la estructura buscada se conoce de antemano y debe trabajarse de manera similar a las reglas en el motor de detección, con la ventaja de la complejidad que se puede alcanzar con los datos estructurados en forma de red.

El buscador de patrones puede ser parte del proceso automatizado de generación de alertas y, al igual que las reglas y los modelos de aprendizaje supervisado, utiliza información aprendida por los investigadores para mejorar la detección. Una gran ventaja es que, a pesar de lo interpretable y fácil de explicar que es, puede detectar esquemas de fraude muy complejos.

Existen patrones que pueden ser relevantes para el fraude de seguros y que pueden detectarse con este método de análisis de redes como, por ejemplo, las reclamaciones sobre vinculadas, donde reclamaciones aparentemente no relacionadas comparten demasiada información, o los roles invertidos, que consiste en un patrón de un aval que es avalado, a su vez, en otra adquisición.

• Detección de ciclos

Un ciclo es una secuencia de nodos conectados que terminan uniéndose al punto de partida. El algoritmo de detección de ciclos es capaz de encontrar estos patrones en la red. Al igual que con la detección de patrones, puede ser parte de nuestro sistema de generación de alertas, es fácil de detectar, comprensible y se puede combinar fácilmente con otros métodos (en red o no) para crear escenarios complejos. En el contexto del fraude, los ciclos pueden ser muy sospechosos cuando se trata de transacciones monetarias. Es decir, dinero que proviene de una fuente, va a muchas otras cuentas y, en algún momento, vuelve a su origen.

• Camino más corto (shortest path)

Al calcular el camino más corto entre un nodo y todos los demás nodos en la red podemos conocer el riesgo de una transacción, si ésta en algún momento se conectó a un fraude conocido en el pasado. Es decir, si el camino más corto entre una transacción y un fraude es muy corto, existe un riesgo muy alto. Sin embargo, si el camino más corto es, por el contrario, muy largo, podríamos reconsiderar y reducir la puntuación de riesgo. Uno de los beneficios clave de este método es el esfuerzo computacional en comparación con ejemplos anteriores y, además, es muy beneficioso durante el proceso de investigación, ya que se puede usar para mejorar la puntuación y la priorización y es fácil de configurar e implementar.

Además de los mencionados anteriormente, existen otros métodos altamente beneficiosos, como la composición central (core composition), que se puede utilizar para detectar uniones entre muchas reclamaciones fraudulentas no relacionadas o puntos de articulación para detectar puntos clave en la estructura de los delincuentes organizados. Del mismo modo, los componentes conectados (connected components) sirven para la simulación de redes en el pasado y la detección de comunidades puede segmentar redes y mejorar la eficiencia de la visualización, así como la investigación adicional.

Estos son sólo algunos ejemplos de los numerosos métodos que existen para beneficiarse del análisis de red. Ahora se trata de explorarlos y ponerlos a prueba para mejorar la detección de fraude de rendimiento en los sistemas.

Ventajas de utilizar la analítica de redes

La visualización de redes ya es una práctica bastante establecida en la detección de fraude y agrega capacidades esenciales para la fase de investigación. Si a esto sumamos un nuevo paso y utilizamos el análisis de redes, obtendremos información relevante que enriquecerá la investigación y nos permitirá descubrir nuevos patrones de fraude, generar alertas y mejorar las reglas.

Las redes han demostrado ser indispensables a la hora de descubrir esquemas de fraude complejos, comportamientos sospechosos que involucran a múltiples entidades y sus conexiones, proporcionando grandes resultados cuando se utilizan para mejorar la puntuación de riesgo en el sistema de detección y, por lo tanto, mejorar la priorización de las alertas.

¿Quieres conocer nuestras soluciones para la prevención de fraudes?