Contabilidad, Edición 48

Sesgo Cognitivo y Cultura en la Detección de Fraudes

Sesgo Cognitivo y Cultura en la Detección de FraudesPor: Yanira Petrides, Instituto Tecnológico Autónomo de México
Esperanza Huerta, Universidad de Texas en El Paso
TerryAnn Glandon, Universidad de Texas en El Paso

Los sistemas de análisis de texto de correos electrónicos son una herramienta para detectar fraudes en potencia. Estos sistemas hacen un análisis lingüístico de los correos electrónicos buscando pistas sutiles que sugieran la intención de cometer un fraude…Sin embargo, la interpretación lingüística es muy subjetiva…

Los sistemas de análisis de texto de correos electrónicos son una herramienta para detectar fraudes en potencia. Estos sistemas hacen un análisis lingüístico de los correos electrónicos buscando pistas sutiles que sugieran la intención de cometer un fraude; por ejemplo, buscan frases que expresen racionalización, incentivos o colusión. Sin embargo, la interpretación lingüística es muy subjetiva, por lo que los informes que generan estos sistemas no indican con completa certidumbre la existencia de un fraude.

En nuestro artículo anterior, “Defraudadores en potencia”, analizamos cinco decisiones que la gerencia debe tomar antes de utilizar estos sistemas: privacidad del correo electrónico, divulgación del uso del sistema, responsabilidad dentro o fuera de la empresa, evaluación continua o específica y seguimiento de informes. En este artículo desarrollaremos este último punto; es decir, explicaremos dos de los retos a los que se enfrenta la gerencia cuando el sistema genera un informe en el que ha identificado a un defraudador en potencia.

El primer reto es entender la subjetividad e incertidumbre del análisis lingüístico de los correos electrónicos y reconocer los errores que el sistema puede cometer. Es difícil que un defraudador diga explícitamente en un mensaje de correo: “voy a cometer fraude”. Por eso, estos sistemas buscan expresiones sutiles conocidas como “precursores de fraude”. Por ejemplo, uno de los precursores de fraude más comunes es el deseo de vengarse de la empresa o de algún empleado. Este deseo de venganza es un elemento de racionalización que utiliza el defraudador para justificar el fraude.

La subjetividad del análisis lingüístico hace que los sistemas cometan dos tipos de errores en la identificación de defraudadores potenciales. Pueden identificar a una persona como defraudador en potencia cuando en realidad no lo es o pueden no identificar a un defraudador. Estos dos tipos de errores tienen implicaciones diferentes. Un defraudador “silencioso” puede cometer un fraude sin dejar pistas en sus correos electrónicos que sean precursores de fraude. Los sistemas no pueden identificar defraudadores silenciosos.

Es más común el otro tipo de error (identificar como defraudadores en potencia a los que en realidad no lo son). Una persona puede expresar en un correo su descontento con la administración de la empresa solo para desahogarse, pero sin ninguna intención de cometer un fraude. Finalmente, los precursores de fraude que los sistemas identifican son, de hecho, posibles precursores. Es decir, son antecedentes que pueden estar presentes cuando se comete un fraude, pero que también cuando no. La detección de un precursor de fraude no asegura con completa certidumbre la existencia de fraude.

Los sistemas que hacen este análisis tienen la capacidad de resaltar la incertidumbre en los resultados obtenidos para ayudar a los usuarios a tomar decisiones. Los informes pueden incluir la probabilidad de que la persona identificada sea en verdad un defraudador. Por ejemplo, el sistema puede señalar que hay un 80% de probabilidad de que la persona haya sido identificada correctamente como un defraudador en potencia. Expresar el resultado como probabilidad estimada ayuda al usuario a recordar que existe un margen de error, que no es 100% seguro que la persona identificada sea en realidad un defraudador.

En resumen, el primer reto para la gerencia es tener en cuenta que estos sistemas no aseguran que pueden identificar a todos los defraudadores (no detecta defraudadores silenciosos) ni que todos las personas identificadas sean de verdad defraudadores (identificaciones incorrectas). Por lo tanto, la gerencia debe evaluar el informe generado por el sistema para determinar si debe iniciarse una investigación de fraude.

Esta decisión es crucial porque implica la asignación de recursos para la investigación de fraudes. Si la gerencia considera que el informe tiene méritos, se iniciará una investigación; si considera que no hay méritos, el informe se descartará como irrelevante y no se iniciará ninguna investigación. Debido a que son limitados los recursos de las empresas para la investigación de fraudes, es importante asignar los recursos a las investigaciones que lo ameritan.

El segundo reto para la gerencia es entender cómo la incertidumbre y las probabilidades estimadas en los informes influyen en las decisiones que tomamos. Las personas reaccionamos de forma diferente dependiendo del marco de referencia que se utilice para expresar porcentajes estimados. Por ejemplo, matemáticamente una probabilidad de 80% de un resultado correcto es equivalente a una probabilidad de 20% de un resultado incorrecto. Sin embargo, reaccionamos de forma diferente cuando el marco de referencia indica un porcentaje correcto que cuando indica un porcentaje incorrecto. Es decir, no hacemos una evaluación matemáticamente objetiva, sino que hacemos evaluaciones sesgadas dependiendo del marco de referencia. Este fenómeno fue estudiado originalmente por Kanehman y Tversky, quienes postularon la que se conoce como teoría prospectiva y demostraron la existencia de estos sesgos en la toma de decisiones en diversos contextos [1].

Realizamos un experimento para entender el efecto de los porcentajes estimados en los informes sobre la toma de decisiones [2]. Los participantes leyeron un informe en el que se indicaba que una persona había sido identificada como defraudador potencial. Unos participantes leyeron que había 80% de probabilidad de que la persona hubiera sido identificada correctamente, mientras que otros leyeron que había 20% de probabilidad de que la persona hubiera sido identificada incorrectamente. Como lo plantea la teoría prospectiva, el marco de referencia utilizado (correcto o incorrecto) hizo que las personas tomaran sus decisiones de forma diferente.

Nuestros resultados indican que cuando el marco de referencia consiste en expresar el porcentaje de probabilidad correcto, las personas están más dispuestas a iniciar una investigación de fraude. Por el contrario, cuando el marco de referencia es señalar el porcentaje de probabilidad incorrecto, las personas están menos dispuestas a iniciar una investigación. Es decir, el hecho de que el informe indique que hay un margen de error —la probabilidad de que el sujeto haya sido identificado de forma incorrecta— hace que las personas sean más cautelosas.

Por tanto, el segundo reto para la gerencia es considerar que las decisiones que se tomen sufren la influencia del marco de referencia. Si la gerencia quiere que los informes se evalúen de forma más crítica, debe utilizar un marco de referencia que resalte la probabilidad de identificación incorrecta. De esta forma, el usuario recordará que existe un margen de error en las identificaciones y actuará de forma más cautelosa.

En conclusión, el contexto del informe hace que el tomador de decisiones tenga conciencia de la falibilidad de los sistemas y de la posibilidad de gastar recursos en una investigación de fraude innecesaria. Desde una perspectiva práctica, un informe que señala la posibilidad de arrojar resultados correctos, en contraposición con uno que indica la probabilidad de hacer una incorrecta identificación, lleva a las personas a adoptar un enfoque más cauteloso. El sesgo cognoscitivo y la cultura indican la complejidad de la implantación de sistemas automatizados de ayuda a la decisión en compañías multinacionales.?

 

_______

  1. Los estudios originales se encuentran en: Tversky, A., y Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211(4481), 453-458. Una revisión actualizada y amena de estos y otros sesgos en la toma de decisiones se encuentra en Kahneman (2013), Thinking Fast and Slow, Farrar, Straus and Giroux, ISBN-13: 978-0374275631.
  2. El informe original del experimento está publicado en Huerta, Glandon y Petrides, 2012, “Framing, decision-aid systems, and culture: Exploring influences on fraud investigations”. International Journal of Accounting Information Systems, 13(4), p. 316-333.

Publicar un Comentario

Tu email nunca será publicado o compartido. Los campos requeridos están marcados con un *

*
*

Puedes usar estas etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>