Presentación Otra Mirada al Fraude

1. Otra mirada al fraude
Ec. Ana Clara Rodríguez Dovat
Quanam
Una empresa de conocimiento

2. ¿POR QUÉ HAY RIESGO DE FRAUE EN LOS SEGUROS?
• Selección adversa
El asegurado posee información perfecta
de la realidad, mientras que la empresa
tiene información imperfecta.
• Riesgo moral
El asegurado puede utilizar esta ventaja
y conseguir un beneficio extra.

3. CLASIFICACIÓN DEL FRAUDE

4. 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?

5. ¿POR QUÉ EL FRAUDE ES DIFÍCIL DE DETECTAR?
• No es universal
Depende de la región, del momento
en el tiempo y del negocio que se
trate.
• Patrones dinámicos
Los patrones con los que se cometen
fraude se adaptan rápidamente a las
nuevas estrategias preventivas
tomadas por las empresas.
• Grandes volúmenes de datos
Por ejemplo, llamadas telefónicas
o transacciones bancarias.

6. 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

7. 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
Gestionar
Proceso 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 y
reportar Entender e
Identificar

8. 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.

9. SOLUCIÓN CON QUANAM
• Cada negocio analizado y comprendido
en su completitud
• Alto nivel de precisión
• En tiempo real
• Adaptativo

10. 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.

11. MODELADO
Entidades

12. MODELADO
Relaciones

13. Denunciante
Fue en
Denunciado
Conducido por
Dueño es Arreglado en
Tiene

14. 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

15. 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

16. ¿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

17. EJEMPLOS EN LA HERRAMIENTA
• Ejemplo Corredor y Taller
• Ejemplo Empresas

18. Comentarios y preguntas

19. ¡Muchas gracias!
Ec. Ana Clara Rodríguez Dovat
Quanam