El defraudar se va a acabar

bombilla-defraudar

 

No hace mucho hablábamos de qué tenían que hacer las empresas denominadas utilities para captar, retener y satisfacer a sus clientes. Quériamos saber qué estaban haciendo en temas de Marketing Predictivo para evitar esa fuga y por tanto pérdida de valor de la compañía. Hoy os traigo otra manera que tienen las eléctricas, gasistas y empresas distribuidoras de agua para usar la analítica y la predicción: evitar el fraude.


Porque sí, amiguitos, todos conocemos a alguien que tiene un amigo que tiene un cuñado cuyo vecino del 4º tiene un ‘enganche’ a la red eléctrica y lo cuenta como si fuera jocoso y más listo que nadie en toda reunión social que se precie. y según datos del CNE, estas acciones de picaresca española llegan al 0.5%. Ojo, una pasada.
Pues les vais diciendo a esos conocidos que eso ya se está acabando; ahora los datos son más completos y los algoritmos más precisos para saber quién tiene una probabilidad mayor de cometer fraude y consumir más de lo que tiene contratado y no pagarlo. La analítica predictiva nos va a permitir conocer, casi por NIF, quién nos engaña y quién no (aunque vivan en la misma zona)

Pero para que esto suceda tenemos que hacer varias cosas. Lo primero saber qué tipo de datos tenemos. Sí, parece perogrullada pero es importante, por no decir necesario, tener datos históricos de calidad y sabemos que eso no siempre existe. Para Julia Díaz, Directora de Innovación Energía y Salud del IIC, “es necesario disponer de la muestra etiquetada de cuántos casos de fraude poseen”. Solo de esta manera obtendremos un éxito mayor.

De este modo, a los datos de facturación y consumo hay que añadirle los datos de las inspecciones y cualificarlos con otras fuentes heterogéneas como pueden ser la climatología, la geolocalización, las imágenes por satélite y sociodemográficos que podemos encontrar en el INE y sus diferentes encuestas de hogares. De esta manera, podremos tener una visión cada vez más completa de quién trata de ser más listo que el hambre y actuar en consecuencia.

Sin embargo, tenemos que tener en cuenta que cada sector tiene sus propias características y que no se puede aplicar el mismo palo a todas por igual en nuestros intentos de predecir el fraude. Sabemos que desarrollar un SaaS (Software as a Service) no es el mejor método debido a lo crítico de la información, así que, debido a la criticidad mencionada, lo mejor son soluciones ad hoc que puedan tener instalados en sus sistemas y que les permita combinar estrategias de los diferentes sectores y aplicar distintas metodologías.

No descubro nada nuevo si os digo que el uso de redes neuronales, máquinas vectores soporte, random forest y una pizca de analítica descriptiva nos va a permitir establecer un orden de clientes, a través de un scoring, y saber así si las probabilidades de cometer fraude son reales en un cliente y qué cantidad de recursos hay que destinar, tal y como recoge Gartner en el informe Top 10 Strategic Technology Trends for 2016.
En este informe, Gartner identificó el Aprendizaje Avanzado de las Máquinas como una tecnología que impactará, en los planes a largo plazo, en los programas e iniciativas de las empresas: “la explosión de las fuentes de datos y la complejidad de la información hacen que la clasificación manual y el análisis sean inviables y costosos.”

Así que, amiguitos, si conocéis a ese alguien, ya podéis decirle que hay un nuevo sheriff en la ciudad y que aprende muy rápido. Tanto, tanto que puedes tener una sorpresa en forma de multa gigante. Ya sabéis, nada de pasarse de frenada…

Comments are closed.