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