La mayoría de los motores antifraude puntúan cada solicitud por separado. Funciona mientras el atacante actúa solo. Cuando varias identidades comparten dispositivo, rango de red o secuencia de apertura, esa puntuación individual deja de ver lo que realmente importa: la comunidad que se forma detrás.
Si querés ver cómo se traduce esto en un caso concreto, el detalle de las capacidades está en las capacidades del enfoque. Y si preferís el marco general antes de entrar en detalles, conviene empezar por los recursos de lectura.
Esta página describe el método de GrafoCentinela: analítica de grafos para detectar redes de identidades sintéticas y rutas financieras anómalas. No hay cuentas, paneles ni cargas de archivos. El recorrido que sigue un equipo interesado es corto y externo: se plantea el problema, se acuerda el alcance y se recibe una devolución técnica.
Escribís a hello@snowyriverwithorchestra.com o llamás al +54 11 4055-0516 y contás qué tipo de entidad sos y qué señal te preocupa: perfiles biométricos que comparten infraestructura, cuentas que abren en ráfaga o transferencias que cierran circuitos entre identidades relacionadas. Cuanto más concreto sea el caso, más útil es la primera devolución.
Se acuerda qué se va a modelar y qué no. Identidades, dispositivos, rangos de red y secuencias de transacciones son los insumos habituales; también importa qué significa que dos cuentas estén conectadas y cuánto pesa cada coincidencia. Sin esa definición previa, cualquier puntuación de comunidad queda apoyada sobre criterios ambiguos.
Antes de discutir arquitecturas conviene mirar qué hay: identificadores consistentes, eventos duplicados, ventanas temporales bien delimitadas. La calidad del dato condiciona el rendimiento real del modelo más que la sofisticación del algoritmo. Si falta algo, se anota como límite explícito y no como supuesto.
Se devuelve una lectura del problema en términos de grafo: qué nodos, qué aristas, qué señales de coordinación se pueden observar y cuáles quedan fuera. La idea es pasar de puntuar cada cuenta de forma aislada a puntuar la comunidad que la contiene, sin prometer detección garantizada ni resultados medibles de antemano.
Si el enfoque encaja, se define cómo continuar: una conversación técnica más profunda, una revisión conjunta de estructuras o una derivación a otro equipo. Si no encaja, también se dice. Podés ver el detalle de formatos en Offerings o revisar material de lectura en Resources.
GrafoCentinela es un proyecto editorial con contacto postal en Av. Corrientes 1234, piso 18, Torre Corrientes, Ciudad Autónoma de Buenos Aires, Argentina. Las imágenes del sitio son ilustrativas y no representan equipos, clientes ni instalaciones reales.
Esta página reúne los frentes concretos que abordamos cuando un equipo quiere pasar de puntuar cuentas sueltas a puntuar comunidades. No es un catálogo de productos ni un plan cerrado: cada línea describe un tipo de problema, qué señales suele requerir y en qué punto conviene detenerse a revisar los datos antes de modelar. Si algo no encaja con tu operación, mejor saberlo temprano.
Identidades que parecen independientes pero comparten dispositivo, rango de red, horarios de actividad o secuencia de apertura de cuentas. El trabajo consiste en definir qué coincidencia cuenta como arista, cuánto pesa cada una y cómo se agrupan los nodos en comunidades densas. Sin esa definición previa, cualquier grafo produce ruido.
Cuando varias identidades falsas reutilizan plantillas, gestos o capturas, la huella individual deja de ser suficiente. Aquí el grafo cruza señales de enrolamiento con datos de dispositivo y comportamiento para señalar concentraciones anómalas. Es un frente sensible: conviene revisar qué atributos biométricos se conservan y con qué finalidad antes de incorporarlos al modelo.
Sobre el grafo de identidades se superponen los movimientos de dinero. Aparecen cuentas concentradoras, saltos en cadena y retornos que cierran el circuito. Ningún patrón aislado es concluyente, pero combinado con la topología de la red permite priorizar investigaciones. La forma del recorrido suele decir más que el volumen absoluto.
Un grafo no reemplaza al analista: le da contexto para decidir por dónde empezar. Este frente cubre cómo ordenar comunidades por densidad, centralidad y antigüedad de las señales, y cómo documentar el criterio para que otra persona pueda revisar la misma cola de casos sin repetir el trabajo desde cero.
Ningún algoritmo compensa identificadores inconsistentes, eventos duplicados o ventanas temporales mal definidas. Antes de discutir arquitectura conviene resolver qué significa que dos cuentas estén conectadas, cuánto pesa cada tipo de coincidencia y durante cuánto tiempo se conserva esa relación. Es la parte menos vistosa y la que más condiciona el resultado en producción.
Si quieres ver cómo se traduce esto a un caso concreto, el siguiente paso es revisar las variantes de enfoque y, si aplica, escribirnos desde la página de contacto.
Ver enfoques y variantes Leer recursos y notas técnicasAntes de armar cualquier prueba conviene aclarar qué se puede modelar con los datos disponibles, qué decisiones dependen del equipo y qué no entra en el alcance del método. Estas son las dudas que aparecen con más frecuencia cuando un equipo de prevención de fraude quiere pasar de puntuar solicitudes sueltas a puntuar comunidades de identidades.
El punto de partida son identificadores que permitan vincular eventos entre sí: número de documento o CUIT, correo, teléfono, dispositivo, dirección IP, identificador de sesión y sello temporal de cada alta o transacción. No hace falta un volumen mínimo fijo, pero sí consistencia: si el mismo dato se guarda con formatos distintos en cada sistema, la arista que debería unir dos nodos no se forma. Antes de discutir modelos conviene resolver esa normalización.
Esa decisión es de diseño, no viene dada por la herramienta. Compartir un dispositivo pesa distinto que compartir un rango de red, y una coincidencia de horario no vale lo mismo que una secuencia de aperturas de cuenta en pocos minutos. Cada tipo de relación recibe un peso, y ese peso se calibra con el equipo según el tipo de operación. Un grafo sin criterios explícitos de conexión termina mostrando comunidades que no resisten una revisión manual.
Depende del estado de los datos y de cuántos sistemas haya que integrar. Un ejercicio exploratorio sobre un conjunto histórico acotado se puede plantear en pocas semanas, mientras que llevarlo a un flujo operativo con alertas y priorización de casos requiere más trabajo de ingeniería. No fijamos plazos cerrados sin ver antes la estructura de los datos y los procesos de investigación que ya existen en la organización.
No. La puntuación de comunidad se superpone a las señales que el equipo ya tiene: reglas, listas, modelos de riesgo por transacción. Lo que cambia es la unidad de decisión. Un perfil que individualmente parece razonable puede quedar dentro de una comunidad densa con señales de coordinación, y esa lectura adicional es la que se suma al proceso. La decisión final sigue siendo del analista que investiga el caso.
Ningún modelo de grafos compensa datos incompletos ni ventanas temporales mal definidas. Tampoco convierte una coincidencia débil en prueba: comparte dispositivo no significa que las cuentas pertenezcan a la misma red. El método describe estructuras y señales de coordinación, no confirma fraude ni reemplaza una investigación. Los resultados dependen de la calidad del dato y de cómo se ponderen las relaciones, y eso se revisa caso por caso.
El primer paso es una conversación técnica sobre el tipo de entidad, los identificadores disponibles y el caso de uso que más interesa priorizar. A partir de ahí se define si conviene un ejercicio exploratorio sobre datos históricos o una integración más profunda. No hay cuentas ni paneles de acceso libre: el contacto se hace por la página de contacto y solo confirma la recepción del mensaje.
Si querés ver cómo se plantea el método en detalle, hay material de referencia en recursos y podés escribirnos desde contacto.