alphaspirit - Fotolia

Resolver Problemas Consiga ayuda para problemas específicos con sus proyectos, procesos y tecnologías.

Bases de datos de gráficas podrían ser invaluables para la investigación de fraudes

El proceso de investigación de fraudes sigue siendo complicado para las empresas, pero las técnicas de gestión de la información de las bases de datos de gráficas pueden ayudar a recopilar y gestionar valiosos datos probatorios.

El fraude continúa siendo un gasto significativo en la economía, y sus efectos son cada vez más insidiosos: El número de intentos de fraude está creciendo, mientras que el porcentaje de ingresos perdidos por fraude va en aumento. Según el estudio de LexisNexis “El Verdadero Costo del Fraude 2016”, en 2015 los comerciantes de EE.UU. informaron un aumento del 8% con respecto al año anterior en el costo por dólar de las pérdidas por fraude, de $2.23 a $2.40. Esto significa que por cada dólar de pérdidas debido a fraude, los comerciantes están perdiendo $2.40 en base a contracargos, tarifas y reemplazo de mercancía.

Existen diferentes tipos de comportamientos fraudulentos en todas las industrias. Un patrón común de fraude en la industria minorista en línea se llama "fraude amistoso", en el cual las compras se realizan usando una tarjeta de crédito, luego son desconocidas por el comprador, quien alega que la transacción no fue realizada por él porque su tarjeta de crédito o identidad fue robada. A pesar de recibir un reembolso por la transacción, ellos aún conservan los productos que compraron. Otro ejemplo es el fraude del seguro de salud, cuando un proveedor de atención médica presenta reclamos por servicios que no se realizaron o por servicios más costosos que los que se proporcionaron.

Ambos ejemplos exhiben una similitud: Una instancia única del comportamiento fraudulento es indistinguible de instancias válidas de transacciones similares. Para cada delincuente que inicia una devolución de cargo fraudulenta, habrá una serie de casos válidos en los que se usó una tarjeta de crédito robada para realizar una compra y se debe procesar el reembolso del cliente. Por cada cargo adicional presentado por un médico, habrá otros casos en los que el nivel más alto de servicio fue necesario y se proporcionó, por lo tanto, el reclamo debe pagarse.

Reducir los impactos del fraude ha inspirado a muchas organizaciones a considerar diferentes enfoques para detectar comportamientos sospechosos antes para descubrir actividades fraudulentas. Hay una variedad de tecnologías de análisis posicionadas para mejorar el proceso de investigación de fraude. Las herramientas más glamorosas de detección/prevención de fraude se centran en analizar datos históricos y continuos de transacciones en tiempo real: Ellas buscan fraudes escaneando patrones de comportamiento que se sabe que son fraudulentos, patrones de comportamiento que parecen sospechosos, o actividades que están fuera del ámbito de las operaciones normales.

El análisis, la detección y la gestión del fraude obliga a las organizaciones, especialmente de minoristas, a recorrer una línea muy fina. Se pueden implementar medidas proactivas para detectar posibles actividades fraudulentas y desencadenar procesos que hagan cortocircuito a las transacciones fraudulentas antes de que se procesen por completo. Por otro lado, uno no quiere que el proceso de investigación de fraude reduzca la velocidad del negocio o, como lo implican nuestros ejemplos citados anteriormente, interrumpa la relación con un cliente.

Tomar una decisión equivocada y negar la transacción de un cliente legítimo puede provocar que ese cliente lleve su negocio a otro lugar, cortando así el valor de por vida de ese cliente. Eso significa que, además del análisis y la detección, también debe existir una forma de armar un caso que permita a los investigadores determinar rápidamente si una anomalía detectada es un verdadero fraude, o simplemente es una peculiaridad.

En otras palabras, una vez que se identifica un patrón sospechoso, hay algunos pasos concretos que se deben tomar para examinar la situación y determinar si se ha producido un acto fraudulento. Si se detecta fraude, debe haber procesos específicos para recopilar y organizar los datos necesarios para tomar medidas.

Un método puede ser familiar a partir de una serie de películas de crímenes y programas de televisión: Los investigadores pueden armar cuidadosamente un tablero de pruebas que contenga imágenes, documentos y mapas, luego dibujar líneas que muestren cómo están conectados. Cuando se presenta una situación de fraude potencial, el investigador también querrá reunir más información sobre el sospechoso, las actividades del sospechoso (como los otros productos comprados), así como las relaciones con otras personas (que pueden o no exhibir un comportamiento sospechoso similar). Para ayudar, los investigadores de fraude pueden usar bases de datos de gráficas para llevar a cabo investigaciones adicionales y ayudar a recopilar y administrar la información que demuestra la evidencia contra un sospechoso identificado.

Las bases de datos de gráficas son sistemas de administración de datos NoSQL diseñados para capturar, representar y responder preguntas sobre entidades y sus relaciones. Un diseño de modelo de almacenamiento de base de datos de gráficas captura los nodos y los enlaces entre esos nodos. El sistema está diseñado para optimizar el modelo de datos, no solo para representar los nodos y los enlaces, sino también para capturar de manera eficiente sus propiedades y atributos asociados, como la hora en que se realizó una transacción, o el tamaño y el color de un producto.

Las bases de datos de gráficas respaldan el proceso de investigación de fraude de varias maneras:

Documentación de las relaciones: La base de datos de gráficas simplifica el método de registrar una relación entre dos entidades en virtud del modelo de datos. Si dos personas están relacionadas de alguna manera, simplemente agregue un enlace a la base de datos y agregue las características de esa relación (como compartir un hogar, las relaciones familiares, las relaciones empleador-empleado, etc.) como propiedades de ese enlace.

Búsqueda y descubrimiento de relaciones: El modelo de almacenamiento también está diseñado para el cruce rápido de la gráfica, así como la aplicación de algoritmos para descubrir ideas sobre las entidades, sus propiedades y sus relaciones transitivas. Por ejemplo, un algoritmo que busca rutas entre diferentes nodos podría demostrar que, aunque el sospechoso no esté directamente asociado con otros delincuentes conocidos, hay una ruta que muestra una conexión indirecta con otros personajes desagradables.

Documentación de evidencia: Cuando se llevan a cabo investigaciones de fraude, uno puede tener fragmentos de información que se originan fuera de los sistemas internos, pero que son importantes para establecer un caso. Un ejemplo podría ser un registro policial asociado con alguna actividad ilegal previa que da credibilidad a la sospecha. Ese documento se puede agregar fácilmente a la base de datos de gráficas y vincularlo al nodo del individuo.

Tablero de evidencia virtual: La mayoría de las bases de datos de gráficas vienen con un visualizador integrado o se conectan fácilmente a una herramienta de visualización que muestra los nodos y sus enlaces. Esto le permite al investigador ver su tablero de evidencia virtual que puede ayudar a tomar rápidamente la decisión de permitir o no las transacciones.

La base de datos de gráficas se puede llenar continuamente con información sobre comportamientos sospechosos y sospechosos de fraude, lo que le permite crear un repositorio que se puede aprovechar a lo largo del tiempo para ver si se investigan las mismas personas, o si las personas investigadas están asociadas de alguna manera. Esto crea una creciente base de conocimiento que puede continuar apoyando el proceso de investigación de fraude.

Este artículo se actualizó por última vez en abril 2018

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Enviando esta solicitud usted acepta recibir correos electrónicos de TechTarget y sus socios. Si usted reside afuera de Estados Unidos, esta dando autorización para que transfiramos y procesemos su información personal en Estados Unidos.Privacidad

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close