Que no le pasen gato por liebre: Ingenieros chilenos diseñan sistema para prevenir fraudes

Ya se trate de solicitudes de crédito inexactas, reclamos de seguros falsos o transacciones engañosas, el fraude es una realidad costosa y las reglas del juego están en constante evolución. Emprendedores chilenos deciden crear modelos predictivos que permiten a las empresas tener medidas de defensa ante estas situaciones.

Casi la mitad de las empresas a nivel mundial fueron víctimas de algún fraude o delito económico durante los últimos 24 meses. Así lo revela un estudio realizado por la auditora externa PwC, donde se consultó a más de 7.200 compañías de un total de 123 países. De ellos, el 49% declaró haber sufrido algún ilícito de este tipo, superando el 36% que se había registrado en el estudio realizado en 2016.

La región en la que se registró la tasa más alta fue África, con 62%, superando el 57% de 2016, seguida de Norteamérica, con 54%, que también subió respecto a la medición anterior (37%). En tanto, América Latina se ubicó en el tercer lugar, con 53%, luego de haber registrado 28% el estudio previo.

Para Héctor Gómez, senior Manager Cybersecurity, de PwC Chile, nuestro país “está más débil que los países que tienen las mejores prácticas internacionales porque las medidas preventivas que están enfocadas en adelantarse a la ocurrencia de los eventos no están tan asimiladas”.

Conscientes de este contexto, DataQu, empresa dedicada exclusivamente a la generación e implementación de modelos matemáticos predictivos y plataformas inteligentes, ha desarrollado un sistema que permite anticiparse a estas malas prácticas, utilizando una metodología basada en algoritmos de machine learning.

Raimundo Mujica, gerente comercial de la empresa, lo explica: “contamos con un sistema que lee todas las transacciones que se realizan en compras, sistema que establece reglas y por cada falta va asignando un puntaje. Por ejemplo, una boleta con un monto cerrado va a disparar las alarmas y otorgará un puntaje alto puesto que es una cantidad extraña, si a esto se le suma que la boleta es correlativa y que además se pagó en 15 días y no 30 (que es el plazo establecido) ya tenemos un riesgo evidente”.

Una vez obtenido este ranking de puntajes, entra a la cancha la inteligencia artificial, pues a través del machine learning, el sistema “aprende” cuáles son las malas prácticas que más se repiten y así puede advertir con mayor facilidad la presencia de alguna.

“Esto sirve mucho para evitar el fraude de proveedores en grandes empresas que compran mucho para su operación diaria. Incluso, puede que haya una transacción con un puntaje bajo, pero si la boleta es correlativa, por ejemplo, el sistema anticipará de manera predictiva que hay una actividad sospechosa y un posible riesgo”, detalla Mujica.

El experto comenta que es importante contar con datos precisos sobre los movimientos y el comportamiento de la empresa para que así ésta pueda crear medidas de defensa. “Gracias a esta información, las organizaciones pueden fortificarse, encontrando posibles puntos débiles a los que deben poner mucha atención”, concluye el gerente comercial de DataQu (dataqu.cl).

, , , , , ,

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *