Lo habitual en la detección del fraude es aplicar modelos a casos concretos de asegurados y siniestros. FICO da un paso más vinculando estos modelos predictivos a las redes, a los grupos de personas unidos por relaciones sociales. La utilización del Big Data y del análisis de las relaciones sociales (SNA / Social Network Analysis) supone, tal y como ha explicado Julián Ariza, consultor senior de esta firma, un auténtico impulso en la lucha contra el fraude.

Julián Ariza, FICO

A juicio de Ariza, el SNA es “un link analysis superlativo”.  “Mientras Link Analysis  es una herramienta de investigación que empieza a raíz de una persona sospechosa sobre la que queremos explorar sus conexiones, el Análisis de las Relaciones Sociales empieza por la construcción de todas las posibles conexiones en los datos para que, a través de la analítica, esta nos indique el que hay que investigar”, aclara el consultor. De esta forma, la SNA proporciona dos funciones principales: analítica para descubrir comportamientos fraudulentos (especialmente en el caso de los fraudes de redes organizadas) y visualización para guiar a los investigadores en las conexiones que importan.

FICO IRE, Big Data y modelos autocalibrados
En ello se basa la herramienta FICO IRE (Identity Resolution Engine) que aúna la “búsqueda federada” (análisis de los datos -estructurados y desestructurados- de diferentes tipos de fuentes para descubrir coincidencias, con más de 50 algoritmos de búsqueda), “networks” (visualización en tiempo real de las relaciones entre los sospechosos conocidos  y las entidades relacionadas) y “SNA” (“preconstrucción y análisis de inteligente de las “networks” para llevar a cabo una investigación proactiva y facilitar las investigaciones reactivas”).

En la propuesta de analítica predictiva de FICO, la utilización del Big Data aumenta la capacidad de predicción, mientras que su tecnología ‘streaming self-calibration’  automatiza los perfiles (entre un 95% y un 98% se actualiza automáticamente), de tal forma que, una vez implementados, no necesitan datos históricos.

Objetivo: reducir los falsos positivos

En el turno de preguntas, los asistentes se han interesado por el problema que, con la aplicación de este tipo de modelos, suponen los «falsos positivos» de fraude. «Nuestros modelos trabajan en la eliminación de falsos positivos. Fijamos un plazo con los clientes de, por ejemplo, tres o cinco años. En una fase inicial aumenta la detección de fraude y luego evolucionamos reduciendo los casos de falsos positivos”, concluyó Ariza.