Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software

Transcripción

1 Gestión del Fraude Pilar Sirvent, Arquitecto Senior de Software

2 Áreas de Apoyo Gestión del Fraude Grandes Cantidades de Datos (Big Data) Volumen - Variedad - Velocidad Integración Visión 360º Análisis de Sentimiento Gestión de Decisión Operacional-Analítica Gestión de Casos Descubriendo Entidades y Metadatos - Relaciones (no obvias) Trazabilidad Análisis de Contenidos Análisis de Textos Estudio de Documentos Visión Única de Persona Gestión de Campañas Análisis Predictivo Calidad de Información Depuración Gestión Documental Modelos Corporativos

3 Convertir la Información en Conocimiento: Mejorar la toma de decisiones, identificar y comprender las tendencias para reducir el riesgo accediendo y analizando los datos corporativos. Enterprise Content Management Business Analytics Data Warehousing Big Data Data Management Information Integration and Governance Full list of capabilities

4 As Is: Proceso Pre detecta algunos Errores y Fraude Rechazado Agente Recepción de petición Chequeo Proceso Hecho Basado en Reglas Investigador Investigación Rechazado

5 As Is: Post uso intensivo de reglas para detectar Error y Fraude Rechazado Agente Analista Fraude Basado en Reglas Recepción de petición Chequeo Proceso Hecho Candidatos Fraude ID Basado en Reglas Investigador Investigador Mayor Investigación Investigación Recuperación Rechazado

6 Entrena las herramientas de Análisis Predicitivo Refina el número y forma de las Reglas To Be: Detección Post usando Análisis Predictivo sobre Visión Única para focalizar mejor el esfuerzo de detección Combinar el Análisis Basado en Reglas y filtros más depurados de Análisis Predictivo sobre las áreas objetivo para precisar los casos de error y fraude más probables Efectuar el análisis sobre la mayor cantidad posible de información de sujetos claramente identificados Estudiar las relaciones directas e indirectas forma parte de la dicha información Análisis Predictivo Análisis basado en métodos de Análisis Basado en Reglas modelado procedentes del Basado en Reglas aprendizaje Analista Fraude automático, Análisis la Relaciones Análisis Predictivo delimita sobre qué registros debe aplicarse inteligencia el Análisis de artificial Reglas y el análisis Análisis Predictivo Análisis Predictivo Candidatos Hecho ayuda a determinar qué reglas Fraude ID son las más efectivas estadístico Se Complementan Investigador Reducir la carga de trabajo de las reglas reduce los tiempos de procesos Probably no error: Could be fasttracked Mayor La investigación se centra en menos datos Investigación Recuperación May be in error: Investigate if resources permit En esencia, Mejor uso y más efectivo Probable error: del Análisis de Requires investigation Reglas cuando se utiliza con el Análisis Predictivo

7 To Be: Proceso Pre utiliza Análisis Predictivo en tiempo real que proporciona un temprano filtrado del Fraude y Error Rechazado Agente Recepción de petición Chequeo Basado en Reglas Análisis Relaciones Análisis Predictivo Investigador Proceso Investigación Done Similar a Post utiliza el Análisis Predictivo como filtro inicial y lo combina con las reglas (estrategia potente en la detección de errores) Utilizar en la recepción los análisis que den mayor confianza Resolución de Entidades y Relaciones en el momento de la entrada Rechazado

8 Propuesta de IBM para Fraude GNR Identity Insight Sistemas de Registros Info. Personas Transporte Workflow Match Alertas Servicios Gestión de Casos Eventos Gestión de Identidades Link Contenidos Análisis Manage Lists Aplicaciones De Usuarios Gestor de Casos Analizador De Casos Operational Decision Mgmt. Info. Externa Filtrado de Transacción Motor de Detección Detección de Anomalías Connectors Segmentación Clustering Scoring Watch List Manager I2 Analyst s NoteBook Info. Externa Definición de Reglas Soporte Desición Simulación Gestión de Seguridad Gestor De Políticas MQ Directory Services Single Sign-on Auditoría Gestor De Seguridad Otros Repositorios de Datos SPSS Decision Mgmt. Feedback Identidade OLTP OLAP SPSS Modeler SPSS Deployment and Collaboration 8

9 Comparación de Resultados, 2 meses después Consultas IBM H. Predictiva Comparación Casos Reportados x menos Casos Normales x menos Fraude x mejor Errores, Abuso, Faltas x mejor Fraudes conocidos x mejor Total de casos positivos x mejor Cantidad de los fraudes conocidos x mejor Carga de trabajo en horas x menos Cantidad Total x mejor Precisión 0.26% 32.09% x mejor 9

10 Efectividad del Análisis Se definió un indicador para medir la efectividad. Se definió el tiempo necesario para encontrar porque combina carga y cantidad de trabajo: Random 310 h Random Queries 119 h Queries Modeler 22 min Modeler Carga de trabajo en horas Consulta IBM H. Predictivas Comparación x menos Cantidad x mejor Efectividad horas 22 min x mejor La Efectividad se multiplica por 333 para consultas y por 869 para aleatorio! 10

11 Gracias

12 Backup

13 Qué es IBM SPSS Modeler? Un conjunto de herramientas de minería de datos que permite desarrollar rápidamente modelos predictivos para mejorar la toma de decisiones Diseño que sigue el modelo CRISP-DM, estándar del sector Ofrece una gran variedad de métodos de modelado procedentes del aprendizaje automático, la inteligencia artificial y el análisis estadístico

14 IBM SPSS Modeler: casos de uso en la lucha contra el fraude En la lucha contra el fraude los filtros de datos son fundamentales permiten a los analistas identificar registros sospechosos Descubrimiento de filtros no obvios de fraude la identificación de los patrones normales y las anomalías respecto a los mismos ayuda a identificar casos sospechosos Caracterización del fraude conocido si se dispone de un histórico de fraude un análisis puede permitir una caracterización de rasgos que señalan alta propensión de fraude Evaluación y seguimiento de filtros de todo tipo las capacidades de manipulación de datos en su interfaz visual permiten a los analistas evaluar la efectividad de diversos filtros y hacer cambios en los mismos de forma sencilla

15 IBM SPSS Modeler: Ventajas Productividad herramientas fáciles de aprender que maximizan la productividad del analista Velocidad de respuesta los analistas llegan a soluciones prácticas más rápido y pueden hacer frente a cuestiones que surgen en el día a día Flexibilidad para evolucionar los modelos según lo requieran las circunstancias Almacén de conocimiento los modelos quedan documentados y acumulan la experiencia de los analistas Integración interactúa con la inversión en IT existente