Detección de anomalías en facturas

Las aseguradoras trabajan con empresas reparadoras y/o autónomos, que realizan los trabajos asociados a los siniestros y los facturan a las mismas. Un proceso que necesita en muchos casos de una supervisión eficaz para evitar fallos o posibles sobrecostes.

Mejorar la revisión de facturas en el ramo de hogar –aunque extrapolable a otros ámbitos– era el objetivo de una compañía de seguros que ya tenía un equipo humano dedicado a ello y unas reglas lógicas que operan de manera automática para detectar posibles anomalías en las facturas. Un reto y a la vez una oportunidad para aprovechar las posibilidades que ofrece el machine learning.

El machine learning permite muchas veces llegar adonde el ojo humano no puede. Por ello, desde el Instituto de Ingeniería del Conocimiento (IIC), se trabajó en modelos de este tipo que determinaran si una factura podía tener algún tipo de anomalía.

Desde el principio, se entrenó al algoritmo con el histórico de facturas de la aseguradora y se apostó por un aprendizaje no supervisado (facturas sin etiquetar). De esta forma, es la compañía de seguros la que tiene que comprobar que los resultados son correctos y validar el modelo.

El IIC trabajó en continuo feedback con la aseguradora –incluyendo cada vez más datos y variables– hasta conseguir el método que mejor funcionara. La ventaja de los modelos de machine learning es que son capaces de detectar patrones (conjunto de variables y conceptos de la factura) anómalos en base a ese histórico de datos. Más allá de que un precio elevado pueda llamar la atención, el algoritmo tiene en cuenta un mayor número de factores y su interacción.

La aseguradora está utilizando esta solución en la auditoría externa que realizan sobre los trabajos facturados.

En concreto, los expertos acuden a los hogares que el algoritmo determina como más anómalos para cotejar las facturas con lo que realmente se ha reparado, así como comprobar si se trata de una reparación atípica por incluir conceptos innecesarios o desproporcionados. Una fase de supervisión que antes se basaba exclusivamente en un principio aleatorio.

Este nuevo procedimiento da lugar a dos posibles desarrollos en el futuro:

• Un enfoque supervisado. Con los reportes de los auditores, pueden etiquetarse las facturas como anómalas o no anómalas y entrenar al modelo para que mejore la clasificación de las nuevas en base a esta información.

• Un servicio online. Dados unos adecuados índices de precisión del modelo, la evolución natural del servicio es integrarlo en los sistemas de producción del cliente, aplicándolo automáticamente a las facturas dadas de alta en el sistema.

De esta forma, se mejora la detección de las anomalías en facturas y toda la operativa, integrando en sus sistemas una capa analítica más a la inteligencia que la aseguradora ya manejaba.