Aplicación de modelo de detección de anomalías Isolation Forest para la detección de reclamos fraudulentos en una compañía del sector de medicina prepagada

Abstract

El sector de medicina prepagada es uno de los que más riesgo de fraude presenta debido al giro mismo del negocio y a los riesgos presentes en la actualidad. Para las áreas de auditoría es complejo monitorear los reclamos que presentan los clientes, debido a esto, el uso de herramientas tecnológicas acompañadas de un correcto análisis de datos es imprescindible para tener un monitoreo sobre posibles casos de fraude. El uso de técnicas de Machine Learning ML para la detección de casos anómalos, que podrían considerarse fraude, es un enfoque que ha tenido crecimiento en diferentes sectores. Estás técnicas permiten la detección de patrones y pueden ser implementadas sin tener necesariamente etiquetas de casos fraudulentos. Al no tener etiquetas el enfoque de estudio puede ser tratado como un problema de aprendizaje no supervisado. Existen algoritmos especializados en detección de anomalías, como es Isolation Forest, que trabaja aislando los registros anómalos en función de variables relevantes. Para este caso de estudio se analizó los reclamos presentados por clientes durante los años 2021 al 2023 a una compañía de medicina prepagada. El objetivo de estudio es identificar posibles casos de fraude aplicando el algoritmo de Isolation Forest que analizará variables cuantitativas y cualitativas. Para la variable cualitativa del diagnóstico médico se empleó el algoritmo word2vec que permite vectorizar esta variable y aportar más información al modelo. Al implementar este tipo de algoritmos de ML las áreas de las empresas de seguros dedicadas al control mejorarán su gestión en prevención de fraudes en reclamaciones presentadas.