← Curso básico de inteligencia · Catálogo de análisis
ACINP · AMPLIACIÓN DE ANÁLISIS
Qué explica este capítulo. Cómo distinguir coincidencias de identidades, comprender perfiles de cotejo y leer puntuaciones basadas en reglas.
La integración puede crear errores analíticos
Un mismo hecho puede llegar en varios documentos y un mismo nombre puede representar entidades distintas. Integrar datos requiere distinguir duplicidad, similitud e identidad. Fusionar registros por una coincidencia débil puede crear conexiones que nunca existieron y modificar todos los análisis posteriores.
La unidad de análisis debe permanecer clara: entidad, observación, documento o movimiento. Corregir un formato facilita comparar, pero no debe borrar el valor original ni su procedencia. Una fecha normalizada conserva la precisión real; una dirección normalizada no demuestra que dos entidades compartan sede.
Un candidato no es una confirmación
Una coincidencia genera un candidato, no una identidad
El nombre abreviado y la dirección normalizada sugieren una posible coincidencia. Para confirmar identidad pueden necesitarse identificadores, documentos y contexto temporal. La misma dirección puede ser una gestoría, un edificio compartido o una dirección antigua.
El resultado debería conservar estados distintos: candidato, confirmado, rechazado o pendiente. Una decisión debe indicar quién la tomó, con qué evidencia y cuándo. Si aparece información nueva, la revisión no debe exigir reconstruir un proceso que se perdió.
Valores compartidos y relaciones entre casos
Buscar atributos comunes ayuda a localizar registros que merecen atención. Un teléfono, dirección o identificador compartido puede ser relevante, pero su significado depende del contexto. Un número de centralita no tiene el mismo valor discriminante que un identificador individual.
El cotejo entre casos plantea además cuestiones de procedencia y alcance. Una coincidencia externa puede sugerir una relación, pero los documentos de origen deben seguir siendo reconocibles. Absorber datos sin conservar sus limitaciones puede convertir una hipótesis ajena en un hecho aparentemente propio.
Perfiles configurables y aprendidos
Un perfil asigna criterios y pesos para comparar registros. Puede valorar nombre, identificadores y otras características de forma distinta según el tipo de entidad. Un umbral determina qué candidatos se presentan, pero no convierte la similitud en probabilidad calibrada de identidad.
Los perfiles aprendidos utilizan decisiones anteriores como ejemplos. Si esas decisiones son erróneas o poco representativas, el modelo puede reproducir sus sesgos. Un buen ajuste sobre los mismos pares de entrenamiento no demuestra rendimiento sobre datos nuevos. La revisión debe considerar falsos positivos, falsos negativos y cambios en el origen de los datos.
Explorar por facetas y subconjuntos
Las facetas resumen distribuciones y permiten delimitar grupos por tipo, atributo o periodo. Son útiles para localizar concentraciones y comprender la composición de un caso. El filtro elegido modifica qué puede afirmarse sobre el resultado.
Una tasa calculada en un subconjunto no describe necesariamente todo el caso. Un ranking puede cambiar al excluir tipos de relación. La vista y el alcance analítico deben explicarse; ocultar elementos en pantalla no siempre significa que se hayan excluido del cálculo.
Puntuaciones por reglas
Una puntuación resume reglas, no una probabilidad
| Regla cumplida | Puntos |
|---|---|
| Dependencia alta | 3 |
| Incidencias repetidas | 2 |
| Alternativa sin verificar | 1 |
| Total del modelo | 6 |
El modelo asigna seis puntos por tres condiciones. Esa suma ordena prioridades conforme a reglas elegidas. No equivale a un 60 % de riesgo. Para interpretarla, hay que saber qué condiciones se observaron, cómo se fijaron pesos y umbrales y qué datos quedaron sin evaluar.
Dos elementos pueden alcanzar el mismo total por motivos distintos. Mostrar las contribuciones ayuda a comprender la diferencia. También evita que una puntuación única o un color oculten incertidumbre o datos ausentes.
Ejemplo de revisión responsable
Un proveedor recibe prioridad alta porque existe dependencia, incidencias repetidas y alternativa no verificada. La conclusión útil es revisar continuidad y documentación. No permite inferir una intención irregular del proveedor ni justificar una decisión sobre una persona sin las comprobaciones pertinentes.
Preparar los datos antes de puntuar
Preparar los datos suele llevar la mayor parte del tiempo de un análisis. Un campo vacío puede significar «no» o «no se preguntó», y un valor como «99» puede ser un código de «desconocido» y no una cantidad: hay que decidirlo, documentarlo y marcarlo. Conviene distinguir la fiabilidad, que una fuente diga siempre lo mismo, de la validez, que lo que dice sea cierto.
Las alertas y puntuaciones funcionan como un cribado, no como un diagnóstico. Cuando el fenómeno buscado es poco frecuente, incluso un buen sistema genera más falsas alarmas que aciertos, como explica la lección 3. Por eso conviene acordar con quien usará los resultados qué error es más costoso —una falsa alarma o un caso no detectado— y desconfiar de los modelos que encajan a la perfección en los datos con los que se construyeron.
Uso en Yappari One
Valores compartidos, resolución de identidades, vínculos entre casos, facetas y puntuaciones ayudan a ordenar el trabajo. Su calidad depende de preservar evidencia, decisiones y versiones. El analista debe poder explicar por qué apareció un candidato, por qué se confirmó y qué reglas producen una prioridad.
Estas técnicas de cotejo y puntuación no son equivalentes a un asistente generativo que verifica el mundo por sí solo. Son modelos sobre datos y decisiones anteriores. La revisión humana y la trazabilidad siguen siendo partes esenciales del método.
Fuentes y continuidad
Colleen McCue, Data Mining and Predictive Analysis (2007), sobre preparación de datos, validez y falsas alarmas; Richards J. Heuer, Psychology of Intelligence Analysis (1999), sobre categorías y frecuencias de partida. El funcionamiento de cotejo, facetas y puntuaciones se contrastó con la implementación actual de Yappari One.
Ejemplos y diagramas de elaboración propia, con datos ficticios; no son capturas ni resultados de la aplicación. Para explorar la herramienta: Yappari One (fase alfa; las pantallas pueden cambiar entre versiones).
