GrafoCentinela
Enviar consulta

Cómo se sostiene la evidencia en un grafo de identidades

En analítica de grafos, la prueba no es una cifra aislada. Es la coherencia entre la estructura observada y la hipótesis de coordinación que se quiere verificar.

GrafoCentinela trabaja con señales como vecindades compartidas, rutas financieras anómalas y patrones de conexión que no se explican por azar. La evidencia se organiza en capas separadas: datos de entrada documentados, reglas de construcción del grafo y criterios de interpretación. Ninguna capa promete detección perfecta. El modelo señala comunidades candidatas y deja la validación al equipo humano.

Datos de entrada documentados

Qué identificadores se conservan, con qué frecuencia se actualizan y qué eventos quedan fuera del grafo. Sin esta capa escrita, cualquier lectura posterior es discutible.

Reglas de construcción del grafo

Qué significa que dos cuentas estén conectadas, cuánto pesa cada tipo de coincidencia y durante cuánto tiempo se mantiene esa relación antes de expirar.

Criterios de interpretación

Cómo se lee una comunidad densa, qué umbrales se consideran relevantes y qué casos se descartan por falta de sustento estructural.

Trazabilidad del método

Cada decisión de modelado queda registrada con su justificación. Si un criterio cambia, se anota cuándo y por qué, para que el análisis sea reproducible meses después.

Límites explícitos

El sistema no confirma fraude ni identifica culpables. Ordena comunidades candidatas según señales de coordinación y deja la validación, el contacto y la decisión final al equipo que investiga.

Preguntas que conviene resolver antes de hablar de grafos

En esta página no vas a encontrar tasas de detección ni casos de clientes. Lo que sigue son las dudas que aparecen casi siempre en la primera conversación técnica: qué datos hacen falta, cómo se sostiene una hipótesis de coordinación y hasta dónde llega el modelo antes de que decida una persona.

¿Qué se necesita para empezar a construir un grafo de identidades?

Antes que un algoritmo, hacen falta identificadores consistentes. Si dos cuentas comparten dispositivo, rango de red, secuencia de apertura o datos declarados, esa coincidencia tiene que estar registrada de forma estable en el tiempo. Cuando los eventos llegan duplicados, con ventanas temporales mal definidas o con identificadores que cambian de formato entre sistemas, el grafo se llena de aristas falsas y cualquier lectura posterior queda contaminada. La preparación del dato no es una etapa previa que se resuelve una vez: es una decisión de diseño que se revisa a medida que el volumen crece.

¿Cómo se distingue una coincidencia real de una casualidad?

Una sola coincidencia no dice nada. Lo que aporta información es la acumulación: vecindades compartidas, horarios de actividad que se repiten, rutas financieras que vuelven sobre los mismos nodos. El grafo no decide por un atributo aislado, sino por la densidad y la forma de las conexiones alrededor de un conjunto de identidades. Por eso conviene ponderar cada tipo de señal según cuánto aporta y no tratar todas las aristas como equivalentes. Una coincidencia débil, repetida en muchos nodos, pesa distinto que un vínculo fuerte y único.

¿El modelo reemplaza la revisión humana?

No. El sistema señala comunidades candidatas y deja la validación al equipo. La salida es una priorización, no un veredicto: indica dónde mirar primero y con qué contexto. Esa distinción importa porque un grafo puede marcar un grupo denso que, tras revisión, tenga una explicación legítima. El valor está en ordenar el trabajo de investigación, no en cerrar casos de forma automática.

¿Qué se puede afirmar y qué no sobre el rendimiento?

Sin datos de entrada documentados y sin criterios de interpretación explícitos, cualquier cifra de rendimiento es una promesa vacía. Lo que sí se puede sostener es la trazabilidad del método: qué eventos se usaron, cómo se construyeron las aristas, qué reglas definieron una comunidad y bajo qué supuestos se leyó el resultado. Esa coherencia entre estructura observada e hipótesis de coordinación es lo que cuenta como evidencia razonable dentro de este enfoque.

¿Cuáles son los límites prácticos del enfoque?

Un grafo depende de la calidad y la cobertura de los datos que lo alimentan. Si una parte del ecosistema no reporta ciertos eventos, la red puede aparecer incompleta y algunas comunidades quedar subrepresentadas. También hay un límite temporal: las relaciones envejecen y una arista válida hoy puede dejar de serlo en unos meses. Reconocer esos bordes es parte del trabajo, no una concesión.

¿Cómo se avanza desde acá?

El siguiente paso es una conversación técnica donde se revisen los datos disponibles, el tipo de entidad y el caso de uso prioritario. No hay cuentas, pruebas ni paneles: se coordina una sesión y se confirma la recepción de la consulta. Si querés ver cómo se documenta el método antes de esa charla, podés revisar los recursos publicados o escribir directamente desde la página de contacto.

Las respuestas describen criterios de método, no resultados medidos. Cualquier cifra concreta depende de los datos de cada organización y se evalúa caso por caso.