Albert Salvador
Hace años que se viene hablando sobre el uso de la inteligencia artificial para combatir el fraude, aplicando un aprendizaje supervisado (“machine learning”) para etiquetar cada nueva transacción y predecir si es irregular o no. Para ello es imprescindible registrar y almacenar datos relevantes históricos y el resultado de sus investigaciones.
En definitiva seria combinar big data y algoritmos de machine learning, para desarrollar un sistema que sea capaz de detectar y predecir el fraude. Todos estos sistemas están focalizados al fraude externo.
Pero, ¿cómo se combate el Fraude Interno usando la inteligencia artificial? ¿Qué algoritmos usamos para su predicción?
A continuación, dejo unas “pistas” sobre cuáles podrían ser algunos de los indicadores claves a partir de los cuales poder construir los algoritmos de “machine learning” para la predicción del Fraude Interno:
- Facturas incompletas, indocumentadas….
- Pago a proveedores inexistentes
- Pago múltiples a proveedores
- Pago duplicado de facturas
- Vinculación entre empleados/proveedores
- Exceso de autorizaciones
- Alteraciones presupuestarias
- Incumplimiento de políticas de autorización
- Indicadores vacacionales (presencia continuada/vacaciones no consumidas…)
- Rotación en relación con el puesto de trabajo
- Uso inadecuado de tarjetas de crédito
- Uso inadecuado elementos institucionales (móviles, mail, tarjetas de crédito empresa, redes sociales). Definición de palabras clave, lista “negra” de mails, teléfonos, etc….
- Autentificaciones incorrectos al sistema
- Uso del sistema/comunicaciones en vacaciones o en horario “no habitual”
- Transacciones con mayor consuma de CPU
- Acceso a ficheros con información confidencial
- Apuntes con corrección tras el cierre de ciclo
- Apuntes sin concepto informado
- Operaciones manuales
- Intentos de acceso no autorizados
- Accesos en horarios atípicos
- Acceso con usuario de baja, vacaciones, etc..
- Quebrantos de moneda
- Sustracciones de activos físicos materiales
- Número de clientes cuyo nombres, asociado al documento de identidad, pudiera no coincidir tras cruzarlo con otras fuentes.
- Número de documentos de identificación cuya numeración no sea válida o que no parezca lógica atendiendo a otros criterios (por ejemplo, la edad registrada).
- Cruce de clientes con direcciones anómalas con otros datos de los clientes y sus productos.
Tomado del Blog de Nahun Frett