Motor forense que mapea conexiones entre partes de un siniestro: talleres, abogados, testigos, vehículos y direcciones. Identifica anillos de fraude que el análisis transaccional no puede ver.
| Entidad | Tipo | Fuerza | Riesgo |
|---|
Esto es una demo interactiva de Vora, no un producto en venta. Corre entera en tu navegador, sobre datos ficticios, y existe para mostrar en concreto —no en una lámina de PowerPoint— el tipo de artefacto de software que construimos.
Cada pieza del marketplace ataca un problema real de un sector donde ya entregamos: son posibilidades de lo que podemos construir sobre tu operación, con tus datos, tus reglas y tus integraciones. Lo que ves aquí en unos segundos, en producción es un proyecto acotado y medible.
Qué está corriendo de verdad en esta página, con qué números, y qué no.
Un score de fraude por fórmula, real y determinístico salvo por un componente de hash: toma el número de conexiones compartidas que configuras, las banderas que marcas ("mismo taller", "mismo abogado", etc.) y la ventana temporal, y calcula un puntaje 0–100 ponderado. De ahí también salen, por la misma fórmula, el conteo de "nodos", "aristas", "ciclos" y densidad de la red.
Esos cuatro últimos son subproductos aritméticos del score, no propiedades medidas de un grafo real — no hay ninguna estructura de nodos y aristas construida a partir de datos compartidos entre siniestros.
El grafo que ves dibujado es una animación decorativa: las posiciones, el
nivel de riesgo de cada nodo y qué nodos se conectan salen de
Math.random() en cada render, sin relación con el score ni con las
entidades reales del caso.
La tabla de "conexiones críticas" muestra nombres de una lista fija según el tipo de parte que elegiste (taller, abogado, testigo…), con una fuerza de conexión también aleatoria — no analiza ningún dato compartido entre casos.
Muestra la forma de un triaje antifraude por análisis de red: score compuesto, alertas por patrón detectado, tabla de entidades conectadas y ruta de escalamiento según el riesgo — el armazón de decisión que usaría un equipo de fraude y prevención de pérdidas.
Las alertas se disparan por las banderas fijas que marcas tú mismo, no por un algoritmo de detección de patrones.
Para producción faltaría: construir el grafo real de entidades y relaciones (talleres, abogados, testigos, vehículos, direcciones) a partir del historial de siniestros, correr un algoritmo real de detección de comunidades y centralidad (por ejemplo Louvain o betweenness centrality) sobre ese grafo, y calibrar el score de fraude contra casos confirmados.
Esta demo se construyó como pieza de muestra. Una versión productiva sobre tu historial de siniestros real, con un grafo genuino de entidades conectadas, es un proyecto acotado y medible.
