fraude

Aprendizaje supervisado y no supervisado para prevenir el fraude

La inteligencia artificial está redefiniendo la prevención del fraude debido a que obtiene su información de experiencias pasadas. Esta información está constituida por las actividades, comportamientos y tendencias en las transacciones. Antes del uso de la inteligencia artificial los métodos a seguir se basaban en reglas, las cuales permitían analizar patrones de fraude del pasado pero no permitía prevenirlos. Si bien estos modelos basados en reglas podían identificar los intentos de fraude, éstos no proporcionaban información sobre el futuro.

Sin embargo, la precisión con la que se cometen los delitos de fraude ha ido aumentando en los últimos años. Los ataques se vuelven cada vez más precisos y eficientes porque los defraudadores también se ayudan de la tecnología para cometer sus delitos.

Hoy en día, las principales compañías que tienen que enfrentarse a las posibles consecuencias de un fraude, principalmente banca y aseguradoras, necesitan aumentar su precisión y agudeza a la hora de saber si un cliente es un riesgo para la entidad. Las decisiones de aceptar o rechazar un pago, limitar las devoluciones de cargo y reducir los riesgos operativos y de reputación, son ahora mucho más fáciles.

El futuro de la prevención del fraude pasa por la combinación del aprendizaje automático supervisado y del no supervisado. Si el aprendizaje automático supervisado se encarga de encontrar patrones en base a datos históricos como eventos, factores adversos, tendencias, etc… y el aprendizaje automático no supervisado destaca a la hora de encontrar anomalías, interrelaciones y vínculos entre variables, la combinación de ambas metodologías permitiría prevenir el fraude de las siguientes maneras:

Detección en tiempo real. El uso de la inteligencia artificial permite detectar ataques en tiempo real en vez de tener que esperar semanas antes de que empiecen las devoluciones en los cargos.

Frustrar los ataques más sofisticados. Las técnicas de fraude se perfeccionan con el tiempo y se vuelven más sofisticadas. La inteligencia artificial ayudaría a prevenir y atenuar estos ataques.

Scoring en tiempo real. Proporciona a los analistas un scoring con una mejor perspectiva de dónde establecer mejor los límites para maximizar las ventas y minimizar las pérdidas en tiempo real.

Transacciones inmediatas. Los sistemas de prevención de fraude basados ​​en IA permiten aceptar las transacciones de manera inmediata, mientras se mantienen dentro de los umbrales de devolución de cargo de las principales tarjetas de crédito y débito.

Reducción de falsos positivos. Gracias al uso de los aprendizajes automáticos supervisados y no supervisados,  las técnicas actuales en las que los falsos positivos no se detectan de manera óptima se reducen. A menudo cuando un cliente paga una cantidad inusual o está en una localización nueva, la tarjeta se bloquea porque el sistema interpreta la anomalía como “sospechosa” de manera errónea. Con el uso de inteligencia artificial es posible identificar con mayor precisión cuándo los hábitos de gasto de un usuario de tarjeta se desvían de la norma.

Rentabilidad en productos de bajo margen. El reto que resuelve la IA es que permite a las aseguradoras seguir siendo rentable y atraer nuevos clientes cuyo historial de compras no forme parte del historial de aprendizaje supervisado de sus sistemas de fraude.

Al aprendizaje supervisado y no supervisado conviene añadirle el conocimiento experto de los analistas, para de esta manera realizar un abordaje mixto en el que los expertos centran su atención en aquellos casos más sospechosos y que han sido detectados por la inteligencia artificial.

analitica avanzada seguros

Cómo la analítica avanzada mejora las compañías aseguradoras

La industria de los seguros tiene como componente intrínseco la predicción y se caracteriza por ser un perfil de actividad de alto riesgo. El carácter altamente competitivo de la industria y el comportamiento del consumidor hace que sea obligatorio para las pequeñas y grandes compañías de seguros invertir en formas precisas y efectivas que les capacite para predecir el comportamiento de sus clientes y minimizar su riesgo operativo.

Es aquí donde entran los modelos predictivos y la analítica Big Data. Estas tecnologías y metodologías van a permitir a las compañías aseguradoras ofrecer nuevos productos y pricing adaptados a sus clientes, y de esta manera, hacer que el negocio sea más escalable. Es decir, los modelos predictivos  y el Big Data se alían para aprovechar al máximo la actividad aseguradora.

Existen multitud de campos dentro de la industria aseguradora en los que el uso de analítica avanzada van a verse beneficiados. Las áreas que mayor provecho se pueden sacar de estas metodologías son la prevención de fraude y de los ciberataques, además de la experiencia de usuario con la marca. Pero veámoslo más detenidamente:

Evaluación de riesgos

El incremento de dispositivos conectados (smartwatches, coches, apps de salud, etc…) junto con datos exógenos como son el estado de las carreteras, la meteorología, los niveles de seguridad de las ciudades, hábitos de consumo, entre otros, capacitan a las compañías aseguradoras con la posibilidad de predecir si es probable o no que un asegurado se vea involucrado en un accidente automovilístico, le roben el vehículo o le sucedan otro tipo de eventualidades.

Por ejemplo, algunas aseguradoras de salud ofrecen paquetes promocionales a cambio de los datos de aquellos clientes que usen wearables y apps de salud. Esto les permitiría evaluar los riesgos de salud del asegurado y detectar vulnerabilidades entre sus clientes, como riesgo de padecer diabetes o cualquier otro tipo de enfermedad asociada a los hábitos de vida.

Sin embargo, este aspecto del uso de datos de salud por parte de las aseguradoras ha supuesto que las personas estén alerta sobre los problemas éticos y de privacidad derivados del uso de dispositivos conectados que no estén vinculados directamente con la aseguradora, estableciendo dilemas éticos que aún están sin solventar. Por otro lado, cuestiones éticas aparte, el uso de los modelos predictivos en base a Big Data sirve a las compañías para reducir sus riesgos operativos y ofrecer a sus consumidores las mejores opciones de pólizas.

Ciberseguridad

Todo este aumento de fuentes de datos y el aspecto de máxima protección que tienen muchos de ellos (salud, financieros) ponen el foco en la seguridad de los mismos. El 53% de las empresas aseguradoras afirma que tienen “pensado” prevenir los ciberataques. Según el estudio de EIOPA ‘Understanding Cyber Insurance – A Structured Dialogue with Insurance Companies‘, la comprensión profunda de lo que supone en realidad riesgo cibernético es un reto fundamental para el sector asegurador europeo.

La utilización de modelos predictivos basados en Machine Learning permite prevenir estos ciberataques y minimizar los riesgos asociados.

Detección de fraude

Muchas industrias han visto cómo el uso de sus datos sirve para prevenir el fraude, y sin duda, el sector bancario y asegurador son dos de las industrias que más beneficio sacan. Junto con el bancario, la aseguradoras que usan modelos predictivos para identificar acciones criminales y de fraude, el uso del modelado predictivo y la analítica avanzada van a identificar desajustes entre el asegurado, los terceros involucrados en reclamos e incluso en la actividad online de estos últimos. Gracias a ello, se podrá averiguar las posibilidades de ser objeto de reclamaciones fraudulentas.

Mejorar la experiencia del cliente

No sería la primera vez que escuchamos quejas de clientes en los tratos y formas recibidas por parte de las aseguradoras. No pagan a tiempo, no realizan los arreglos creados por un siniestro en tiempo y forma,  y un largo etcétera que hacen que la rotación de clientes en este sector sea muy alta.

El uso de analítica Big Data permite a los departamentos de Marketing y Ventas de las aseguradoras ofrecer los productos personalizados que sus clientes necesitan. O lo que es lo mismo, el seguro perfecto adaptado a su perfil de riesgo y necesidades. Analizar la Voz del Consumidor es un elemento clave para la satisfacción de los usuarios y aumentar su fidelización. Un ejemplo, aseguradoras norteamericanas están utilizando diferentes técnicas de Deep Learning para el análisis de sentimiento y así entender el tono en el que un cliente llama al call center de la aseguradora. Gracias al uso de estas técnicas se podrá conocer si el cliente está enfadado o molesto y actuar en consecuencia, ofreciéndole mejores servicios que resuelvan los problemas que han originado la llamada.

En definitiva, las aseguradoras cambian la posibilidad de abandono o pérdida de un cliente debido a un servicio deficitario y crean  una mayor vinculación con la marca. Gracias a la analítica avanzada, la industria aseguradora ofrece al cliente la sensación de que su seguro realmente se preocupa por ellos y reduce el abandono.

En general, las mayores ventajas que ofrece el uso de analítica avanzada se centran en ofrecer a la aseguradora más certeza en sus decisiones financieras.

edge-computing-cloud

Edge Computing ¿volvemos a los CPDs físicos o es el buzzword de moda?

En un futuro lleno de datos, con miles de millones de dispositivos conectados a Internet, el procesamiento de los datos de una manera más rápida y confiable será crucial para el desarrollo de las diferentes industrias. En los últimos años hemos asistido a la consolidación del Cloud computing (computación en la nube) gracias a su naturaleza centralizada y escalable.

Analitica-avanzada

Analítica Avanzada para ser diferente a los demás [Infografía]

La demanda de los clientes en constante cambio y las oportunidades de un mercado cambiante, son solo algunos de los aspectos que han de tener en cuenta los ejecutivos de las diferentes industrias para seguir generando ventas. El análisis de los datos es la única manera que tienen las diferentes organizaciones para competir con los negocios digitales y la disrupción que han supuesto en el mercado internacional y la Analítica Avanzada, sus solución.

La salud, el nuevo reto de la Inteligencia Artificial

Los avances tecnológicos como la Inteligencia Artificial, el uso de redes neuronales artificiales, el análisis avanzado utilizando técnicas de Machine o Deep Learning, la tecnología Big Data que permite el manejo de estas ingentes cantidades de datos, tanto estructurados como desestructurados, están desarrollando nuevas vías para que la ciencia de la Salud avance de una manera no vista anteriormente.