Presentación Otra Mirada al Fraude
Transcript of Presentación Otra Mirada al Fraude
Otra mirada al fraudeEc. Ana Clara Rodríguez Dovat
QuanamUna empresa de conocimiento
¿POR QUÉ HAY RIESGO DE FRAUE EN LOS SEGUROS?
• Selección adversaEl asegurado posee información perfecta de la realidad, mientras que la empresa tiene información imperfecta.
• Riesgo moralEl asegurado puede utilizar esta ventaja y conseguir un beneficio extra.
CLASIFICACIÓN DEL FRAUDE
EL PROBLEMA
¿Cómo podemos catalogar los reclamos entre fraudulentos y no fraudulentos de forma eficiente sin obtener información que puede ser costosa?
Los métodos que estamos utilizando hasta ahora, ¿son efectivos para aislar el fraude y los reclamos abusivos del resto?
¿POR QUÉ EL FRAUDE ES DIFÍCIL DE DETECTAR?
• No es universalDepende de la región, del momento en el tiempo y del negocio que setrate.
• Patrones dinámicosLos patrones con los que se cometen fraude se adaptan rápidamente a lasnuevas estrategias preventivas tomadas por las empresas.
• Grandes volúmenes de datosPor ejemplo, llamadas telefónicas o transacciones bancarias.
EN CAMINO A LA SOLUCIÓN
Los casos fraudulentos que ya se hayan encontrado sirven como base para la búsqueda de nuevos casos
Determinar el comportamiento normal y así, definir el fraude
Clusters
Scatter plots
ENFOQUE DE LA SOLUCIÓN
Conocer
Identificación de clientes y entidades al momento de vinculación. Ayuda a prevenir posibles amenazas de lavado o fraude.
Detectar
Detección de patrones de transacciones sospechosas y reporte al ente regulador
GestionarProceso de gestión de casos (workflow) para soportar múltiples niveles de revisión, investigación, aprobaciones, manejo de documentos, evidencias y reporteo sobre los casos.
Investigar
Análisis y seguimiento de casos que ayudan a los investigadores a construir un argumento solido para determinar las acciones de fraude y de lavado.
Análisis que permitan validar los eventos de
lavado o fraude y reporte a las entidades
reguladoras o judiciales
Entender las fuentes de datos e identificar a los clientes
Detectar y descubrir patrones de fraude
Proceso de gestión de casos de fraude .
Conocer
Investigar
Gestionar
Detectar
Gestionar yreportar Entender e
Identificar
Modelar y Analizar
PREVENCIÓN DEL FRAUDE
Reglas de negocio
El conjunto de reglas de los sistemas testean cada una de las transacciones por un conjunto determinado de algoritmos o reglas de negocio. Están diseñadas para detectar ciertos tipos de fraude basados en actividades preestablecidas.
Detección de anomalías
Se utilizan indicadores clave de desempeño (KPI) asociado a las tareas o los eventos, cuando estos valores superan cierto umbral, el evento es reportado. Datos anómalos pueden indicar un patrón desconocido de fraude.
Modelos predictivos
Generación de procesos que asocian a las transacciones niveles de propensión al fraude y para ser analizadas.Los modelos predictivos son más eficientes debido al uso de procesos analíticos y estadísticos.
Análisis de redes sociales
El análisis de redes sociales provee un análisis eficiente en identificar actividades organizadas de fraude entre entidades partícipes del siniestro. Se determinan entidades y relaciones que se explotan de forma de encontrar patrones visuales.
SOLUCIÓN CON QUANAM
• Cada negocio analizado y comprendido en su completitud
• Alto nivel de precisión
• En tiempo real
• Adaptativo
SOLUCIÓN CON QUANAM
La visualización de base de datos en base a grafos ofrece nuevos métodos para descubrir organizaciones fraudulentas con alto nivel de
precisión y en tiempo real.
El entendimiento de las conexiones en los datos y extrayendo el significado de
esos vínculos no siempre significa la recolección de nuevos datos.
Analizando la información existente de una forma más eficiente mediante la reformulación del problema y buscando nuevas soluciones.
MODELADO
Entidades
MODELADO
Relaciones
Denunciante
Fue en
Denunciado
Conducido por
Dueño es Arreglado en
Tiene
EJEMPLOS DE FRAUDE
• Accidente ficticio
• El denunciante no está involucrado en el accidente
• Denuncia duplicada para un mismo accidente
• Declaración de tratamiento que no fue recibido
• Lesión real pero no relacionada al accidente
• Lesión ficticia
• Reclamante alega una pérdida material mayor a la real
FORMAS DE INICIAR LA INVESTIGACIÓN
• Todas las conexiones entre un corredor de seguros X y un taller Y
• Choques de más de 3 autos entre las 0:00 y las 6:00 am
• Análisis de las personas con riesgo crediticio alto y que hayan estado en más de un siniestro
• Personas que hayan conducido y denunciado en el último año siendo propietarias del auto que conducen
• Cantidad de arreglos en el último año por un taller dado, considerando solo los talleres pequeños
¿CÓMO PUEDE LA SOLUCIÓN DE QUANAM AYUDAR A LA DETECCIÓN DE FRAUDE?
• La información exhaustiva de participantes y vínculos permite una mejor adaptación de la realidad
• Detección de patrones de comportamiento que alerten en caso de irregularidades
• Fácil adaptación de la solución a realidades dinámicas
• Análisis de casos en tiempo real
EJEMPLOS EN LA HERRAMIENTA
• Ejemplo Corredor y Taller
• Ejemplo Empresas
Comentarios y preguntas
¡Muchas gracias!
Ec. Ana Clara Rodríguez DovatQuanam