La actividad fraudulenta no detectada pone a las compañías en grandes riesgos financieros, operativos y legales. Para evitarlo, nuestra solución de fraude permite reconocer patrones de comportamiento anómalos para descubrir, verificar y auditar con mayor detalle las operaciones más sospechosas.
Esta metodología reduce el riesgo y duplica los casos detectados, en comparación con el tradicional procedimiento de muestreo al azar.
Con la solución de prevención del fraude de BeSmart, las compañías pueden:
- Realizar prevención del fraude en tiempo real, mientras ocurren las interacciones con los clientes.
- Crear perfiles de pagos y pagadores sospechosos.
- Clasificar los casos de fraude a partir de la gravedad que suponen.
- Incrementar la satisfacción del cliente al agilizar las transacciones no fraudulentas.
Prevenir el robo de identidad en la industria crediticia
Las entidades financieras han sufrido ataques reiterados por bandas organizadas dedicadas al robo de identidad. Estas modalidades de fraude si bien tienen baja probabilidad de ocurrencia, tienen altos impactos económicos los portafolios y reputacionales en las entidades. Para mitigar el impacto negativo en pérdidas, BeSmart ha desarrollado modelos predictivos a medida para detectar patrones que permiten identificar adulteraciones utilizadas para el robo de identidad. La prevención de estas prácticas permite una menor revisión de operaciones sospechosas centrándose en los casos con mayor probabilidad de ocurrencia.
Salud
El principal motivo de fraude en el área de salud es la utilización de los servicios por parte de terceros no asociados, pero utilizando la credencial de los beneficiarios del mismo, en los que el personal de salud tiene conocimiento del hecho (al no validar la identidad o conociéndola y actuando en consecuencia).
La identificación de los patrones de comportamiento fraudulento determina de manera temprana los casos más sospechosos y permite realizar auditorías sobre estos segmentos y no de manera aleatoria, aumentando considerablemente la tasa de detección y disminuyendo los costos asociados de este tipo de acciones.
Seguros
El reclamo sobre siniestros que no ocurrieron o la presentación de daños anteriores al mismo suelen ser los casos de fraude más recurrentes en el área de seguros. La detección de este tipo de casos suele darse a través de auditorías o inspecciones que son decididas a partir de los datos de la denuncia o por la validación de alguna regla de negocios. Sin embargo, muchas veces los costos del reclamo están por debajo del umbral aceptable de los costos de las inspecciones, o incluso no han sido detectados por reglas empíricas, lo que hace que se estén liquidando siniestros fraudulentos como si no lo fueran.
La implementación de técnicas de inteligencia artificial y data mining permite a los analistas de fraude contar con una nueva métrica: probabilidad de ocurrencia. Esta métrica, sumada a las reglas existentes y experiencia de los analistas, permite concentrarse en sólo aquellos casos más probables generando acciones concretas y bien dirigidas. Como consecuencia adicional, se liquidan más rápido aquellos casos de baja probabilidad de fraude, aumentando la satisfacción de los clientes y reduciendo las probabilidades de fuga.
Utilidades
Las pérdidas no técnicas en los servicios de Electricidad, Gas o Agua representan entre el 10% y el 20% de las pérdidas totales en las empresas de servicios. Esto, sumado el costo de las inspecciones, hace que las áreas de prevención de fraude inviertan cada vez más, obteniendo cada vez menos resultados. Identificar correctamente no sólo aquellos casos con mayor probabilidad de hurto sino también poder calcular cuáles de estos serán los de mayor monto probable de recupero, permite duplicar la tasa de detección de casos sospechosos y, a su vez, triplicar los montos recuperados a partir de inspecciones más exitosas.
La implementación de esta solución tiene como beneficio adicional, la detección de casos de pérdidas no técnicas sin dolo, es decir, casos donde existan fallas en los medidores o instalaciones pero sin intervención o culpa de los usuarios.
Evasión de impuestos
La detección de omisiones en declaraciones juradas, que a su vez sean técnicamente válidas, representan el desafío más grande en las agencias de recaudación. Asimismo, las inspecciones y auditorías que se desprenden de los análisis de las DDJJ son cada vez más costosas, tanto en inversión de recursos y tiempo dedicado.
Detectar anomalías y omisiones no siempre es factible de realizar con análisis desde el punto de vista de la ley de impuestos, sino que requiere la identificación de casos que no concuerdan con el comportamiento de empresas de un mismo segmento, medido no sólo desde niveles de facturación o impuesto declarado sino incluyendo todo tipo de variables internas como: cantidad de empleados, comercio, histórico de declaraciones y pagos, de información externa como situación financiera en mercado o bien judicial (de la empresa o de los socios).
La utilización de soluciones basadas en Machine Learning e Inteligencia Artificial permiten el análisis de la información de múltiples fuentes de información, tanto internas como externas, incluyendo en una matriz dual de riesgo los valores resultantes desde la aplicación de reglas basadas en la ley de impuestos como los de la aplicación de los algoritmos mencionados, minimizando la detección de falsos positivos y aumentando considerablemente la población realmente sospechosa de evasión, lo que redunda en fiscalizaciones más exitosas.
Lavado de dinero
El lavado de dinero es una operación que consiste en hacer que los fondos o activos obtenidos a través de actividades ilícitas aparezcan como el fruto de actividades legales y circulen sin problema en el sistema financiero de diversas maneras, pero principalmente a través de transferencias.
Los modelos predictivos permiten analizar millones de registros de transferencias electrónicas e identificar las diferentes características que las representan (sea por frecuencia, monto, originador, destinatario, etc.) y aislar los casos para su seguimiento y auditoría, como también su denuncia frente a la autoridad correspondiente.