Si tu empresa maneja reclamos - de seguros, de garantías, de reembolsos - probablemente ya tiene reglas para marcar casos sospechosos: montos altos, proveedores repetidos, patrones conocidos. El problema es que el fraude organizado casi nunca se ve raro caso por caso. Se ve raro cuando conectas los puntos entre varios casos a la vez, y eso es exactamente lo que una hoja de cálculo o una regla simple no puede hacer.

El problema de mirar reclamo por reclamo

Un reclamo individual puede parecer perfectamente normal: un paciente, un proveedor médico, un monto razonable. El fraude aparece cuando ese mismo proveedor atiende a un grupo de pacientes que no deberían estar conectados entre sí, o cuando varios reclamos “independientes” comparten datos de contacto, direcciones o patrones de tiempo. Ver eso a mano, revisando expediente por expediente, es prácticamente imposible a cualquier volumen real.

Qué es un grafo de entidades

En vez de guardar los datos como filas en una tabla, un grafo los guarda como una red de relaciones: pacientes, proveedores, reclamos y los vínculos entre ellos. Esto hace visibles patrones que una tabla esconde - por ejemplo, un mismo proveedor apareciendo en el centro de un grupo de reclamos entre pacientes sin ninguna relación aparente entre sí.

Caso real: reclamos médicos en el sector asegurador

Un cliente del sector asegurador enfrentaba reclamos médicos fraudulentos difíciles de identificar con reglas simples o revisión manual. Se construyó un grafo de entidades (usando ArangoDB) que modela las relaciones entre proveedores, pacientes y reclamos, exponiendo conexiones que no eran visibles revisando caso por caso.

El resultado: identificación de patrones y posibles actores de riesgo que antes eran invisibles al análisis tradicional, con indicadores predictivos construidos sobre datos históricos - no solo alertas después de que el daño ya está hecho.

¿Cuándo tiene sentido esto para tu negocio?

Esto no es para cualquier volumen de reclamos - tiene sentido cuando ya hay suficiente historial de datos como para que los patrones valgan la pena buscarse, típicamente en seguros, banca o e-commerce con exposición real a fraude organizado.

¿Manejas un volumen de reclamos o transacciones donde sospechas que hay más fraude del que detectas? Escríbenos por WhatsApp y revisamos si un grafo de entidades tiene sentido en tu caso.