Introducción
El análisis de big data implica la investigación forense digital, que implica localizar, obtener y registrar evidencia digital utilizando herramientas de software específicas para crear evidencia que se puede usar en los tribunales. La aplicación de la ley utiliza el análisis forense digital para reunir pruebas después de que se haya cometido un delito para enjuiciar a un sospechoso o evitar que ocurran más delitos. Los datos de un dispositivo podrían ayudar a identificar sospechosos, arrojar información sobre sus motivaciones, señalar sus conexiones con otros delincuentes o probar su inocencia. Los datos forenses pueden ayudar a descubrir tendencias, patrones y la correlación de datos adicionales relevantes para la actividad criminal. La inteligencia procesable resultante puede usarse para detener y prevenir crímenes violentos y en serie. En un entorno empresarial, la medicina forense digital podría utilizarse como un componente del procedimiento de respuesta a incidentes de la organización para ayudar a identificar lo que ocurrió y aislar qué o quién tuvo la culpa, ya sea que constituya un proceso penal o control interno.
El proceso forense digital
Cinco componentes críticos de análisis forense están involucrados en un análisis detallado, contribuyendo a una investigación exitosa. El primer paso es desarrollar políticas y procedimientos para todas las actividades relacionadas con el análisis forense. La evidencia forense es altamente sensible; por lo tanto, los expertos en ciberseguridad deben saber cómo manejar y proteger los datos. Los procedimientos incluyen instrucciones sobre la preparación de sistemas para recuperar, almacenar y recuperar evidencia. Además, los expertos requieren la autoridad pertinente para autorizar a los investigadores forenses a recuperar posibles pruebas y documentar las actividades. El segundo paso implica evaluar la evidencia potencial en términos de clasificar los delitos. Los expertos deben determinar la integridad y la fuente de los datos antes de ingresarlos como evidencia.
El tercer paso implica la adquisición de la evidencia, ya que toda la evidencia debe preservarse y registrarse antes de la documentación. La integridad de la evidencia es crucial ya que la falta de evidencia sustancial conduce a un análisis infundado. Las reglas generales para la preservación de la evidencia incluyen la eliminación física de dispositivos de almacenamiento, la utilización de discos de arranque controlados para recuperar datos vitales y la adopción de las medidas necesarias para copiar y transferir la evidencia al equipo de investigación forense (Shehova). En un caso judicial, es crucial autenticar y documentar todas las pruebas que deben cumplir con el estándar Daubert. Las capas de abstracción son las herramientas más utilizadas durante el análisis forense digital. Estas herramientas requieren otras herramientas de software para traducir y proporcionar estadísticas de errores para determinar la validez de la evidencia. Esto asegura que la evidencia obtenida de las investigaciones produzca resultados similares cuando se utilizan diferentes herramientas. Los investigadores forenses luego examinan y documentan la evidencia antes de presentarla ante el tribunal.
Forenses digitales en la aplicación de la ley
El análisis de datos puede hacer una gran diferencia en la aplicación de la ley. Las agencias de aplicación de la ley pueden lograr resultados significativos al tener bases de datos llenas de datos sobre matrículas, identidades criminales, estadísticas de delitos y acceso a plataformas de redes sociales. Con la ayuda de análisis modernos, las agencias de aplicación de la ley pueden convertir los datos disponibles en inteligencia procesable, dando lugar a la vigilancia predictiva. La lucha contra los delitos financieros nunca ha sido más desafiante debido a los estándares de cumplimiento cada vez más estrictos y el aumento de los volúmenes de datos. Cuando la investigación forense digital surgió por primera vez en la década de 1990, fue vista como un elemento de apoyo en una investigación que buscaba detener principalmente a los delincuentes de cuello blanco. Al examinar los dispositivos de almacenamiento de computadoras, servidores de red y otros tipos de datos digitales para encontrar piratas informáticos, los expertos forenses digitales pueden investigar una intrusión, adquirir evidencia de un delito y exponer el fraude.
Cómo se utilizan los análisis de big data en la aplicación de la ley
Varias herramientas forenses digitales de código abierto pueden recuperar información en profundidad sobre la infraestructura. Estas herramientas ayudan a realizar análisis de datos en el acceso no autorizado al servidor o ayudan a resolver casos de asesinato. Algunas de estas herramientas incluyen autopsia, una herramienta basada en interfaz gráfica de usuario de código abierto que analiza teléfonos inteligentes y discos duros, investigando la historia de los dispositivos. Wireshark es una herramienta de captura y análisis de red que explora la red, mientras que el minero de red detecta los sistemas operativos, el nombre de host y las sesiones abiertas a través de la detección de paquetes (Poston). La herramienta UFED de Cellebrite se utiliza para recopilar registros de detalles de llamadas, incluidos los códigos de identificación y las torres celulares utilizadas para enrutar las comunicaciones, determinando así si un sospechoso estaba en las proximidades de una escena del crimen. El detector de disco encriptado ayuda a descifrar las unidades encriptadas, mientras que la captura de RAM magnética analiza los artefactos de memoria de una computadora para determinar las transacciones. Estas herramientas ayudan a prevenir delitos al ayudar en la identificación criminal, la vigilancia predictiva y la prevención del delito.
El análisis de datos ayuda a prevenir los delitos mediante el perfil de los delincuentes a través del aprendizaje automático para identificar patrones y crear perfiles criminales precisos utilizados para capturar a los delincuentes. La mayoría de los criminales exhiben un comportamiento similar; por lo tanto, los análisis de ese comportamiento o compararlo con individuos conducen a la identificación de la intención delictiva, evitando así futuros delitos utilizando patrones identificados para formar técnicas de predicción. Además, las fuerzas del orden ingresan archivos de las escenas del crimen en bases de datos como muestras de ADN para buscar conexiones entre casos, desarrollando así listas precisas de sospechosos. GEDMatch, una base de datos de información genética, puede identificar marcadores de ADN para un individuo específico, arrestando así a los culpables (Matthews). El análisis de datos de cuentas de redes sociales ayuda a identificar posibles intenciones delictivas mediante el análisis de comentarios que apuntan a intenciones delictivas. Del mismo modo, el análisis avanzado puede ayudar a prevenir el crimen mediante el análisis de las redes sociales; las técnicas de minería de datos se pueden utilizar para descubrir patrones en diversos delitos, incluidos el asesinato, el robo y el abuso doméstico. Uno de los lugares más comunes para perfilar a los delincuentes es el aeropuerto, ya que la seguridad se basa en el conocimiento criminal para identificar los comportamientos de los contrabandistas que impiden que el contrabando ingrese a un país.
El análisis de datos impulsa la vigilancia predictiva al identificar lugares con altas tasas de criminalidad y mayores recursos policiales. Herramientas como PredPol ayudan a las agencias de aplicación de la ley a reducir las regiones donde es más probable que ocurra un delito. La herramienta recopila datos sobre la fecha, la hora y el tipo de actividades delictivas inherentes a un área y hace predicciones sobre dónde y cuándo podrían ocurrir tales delitos. El aprendizaje automático mitiga los delitos cuando los algoritmos sofisticados analizan datos como textos almacenados en un solo repositorio. Las agencias de aplicación de la ley analizan datos extensos en busca de personas que intercambian imágenes de niños, arrestando así a los pedófilos (Pham). Las agencias de aplicación de la ley pueden analizar los datos capturando transmisiones de cámaras en vivo y quejas registradas con la policía. Los agentes de la ley ingresan datos como la media de entrada de un ladrón, el momento del robo y el tipo de propiedades dirigidas a nivel nacional para estudiar robos a gran escala. Esto ayuda a los oficiales a identificar patrones y despachar a más oficiales en situaciones de alto riesgo.
Análisis de Big Data en el mundo corporativo
Las empresas de la industria financiera están pasando de ofrecer productos genéricos a ofrecer servicios personalizados. Es necesario un nuevo enfoque para los datos y la analítica cuando las regulaciones y los requisitos de cumplimiento tienden hacia un mundo corporativo abierto y colaborativo, donde se consideran las preocupaciones de seguridad cada vez mayores. Las capacidades basadas en datos respaldarán los servicios financieros en el futuro. Las empresas están reinventando las experiencias de los clientes utilizando análisis de datos para crear ofertas financieras únicas en función de las preferencias. El análisis de datos mejora la gestión de riesgos al automatizar completamente la toma de decisiones e integrar las decisiones de riesgo con la optimización del balance general (EY Global). La automatización a través de la digitalización ha aumentado la agilidad y la innovación a escala. Hay un cumplimiento normativo simplificado a medida que el análisis de datos crea una plataforma integrada en todo el negocio que permite marcos de extracción casi en tiempo real con los reguladores.
El análisis de datos desempeña un papel fundamental en la rápida transformación de la industria en el sector bancario y las plataformas de seguros y pagos. Cada consumidor recibirá experiencias individualizadas e inspiradas en el estilo de vida de los bancos, desarrollando nuevos modelos de negocio y vastos ecosistemas digitales. A un menor costo, las experiencias de seguros integrales serán posibles a través de interfaces inteligentes, motores de automatización y servicios de vida basados en eventos. El análisis avanzado permitirá transacciones contextualizadas y seguridad sin fricciones a medida que los pagos instantáneos, simples e invisibles se conviertan en parte de nuestra vida cotidiana. Existe una necesidad crítica de reforma dada el aumento de las multas impuestas por las autoridades internacionales en la década anterior por el incumplimiento de las regulaciones contra el lavado de dinero (AML), conocer a su cliente (KYC) y sanciones.
Con estándares de cumplimiento más estrictos, los gobiernos y los reguladores están colocando a las empresas de servicios financieros a la vanguardia de la lucha contra los delitos financieros. Las compañías financieras siempre han enfatizado el compromiso manual y humano en las personas de informes regulatorios para escribir informes físicos. Incluso en el flujo de trabajo actual para la gestión de casos, esta sigue siendo una práctica frecuente. Antes de que se reporten a las autoridades las actividades sospechosas y otras tareas de cumplimiento, muchos niveles de investigadores de casos verifican físicamente la información y preparan narrativas de disposición. Sin embargo, los humanos no pueden mantenerse al día con la demanda debido a las enormes cantidades de datos que entran y salen de los sistemas financieros. Con frecuencia, los equipos de operaciones no pueden mantenerse al día con el rápido crecimiento de los retrasos de alertas de riesgo. La inteligencia artificial, el aprendizaje automático, el procesamiento del lenguaje natural y la automatización cognitiva son técnicas avanzadas de datos y análisis que pueden acelerar o automatizar una parte considerable del trabajo intensivo en mano de obra, reduciendo los costos operativos y liberando al personal para que se centre en intervenciones preventivas.
Los equipos de cumplimiento están utilizando análisis sofisticados en varios casos de uso de delitos financieros preventivos, incluida la mejora del proceso KYC, la mejora del rendimiento de la detección de sanciones y el monitoreo de la actividad transaccional, lo que ayuda a identificar riesgos y oportunidades. Esto incluye la disminución de las cargas de trabajo operativas en la gestión de casos. Las empresas pueden aprovechar las técnicas de big data y análisis para ayudar a mejorar el cumplimiento normativo y reducir el costo de la gestión de riesgos operativos (Bawaneh 79). El monitoreo de transacciones mejora las unidades contra el lavado de dinero para predecir escenarios antes de que ocurran. Los modelos de aprendizaje automático agregan detalles significativos sobre clientes, cuentas y beneficiarios, incluidos casos anteriores, procesos que evalúan el riesgo de transacciones e información externa sobre consultas y citaciones policiales. La analítica puede permitir la segmentación de clientes y la creación de perfiles para diversos objetivos corporativos, como el cumplimiento y el marketing. Por ejemplo, los equipos de cumplimiento pueden usar perfiles de clientes para análisis o investigaciones de riesgos del consumidor.
Conclusión
El análisis de Big Data es eficaz en la lucha contra los delitos financieros y la optimización de las operaciones comerciales. El análisis forense digital ayuda a mejorar el mundo al identificar patrones criminales con mayor eficiencia. El análisis de big data ha cambiado la forma en que la policía realiza las investigaciones y será vital para la seguridad de la información y la prevención de delitos. Las operaciones de aplicación de la ley se han transformado a medida que el análisis de datos ayuda a perfilar a los delincuentes e identificar áreas de alto riesgo que conducen a una mayor vigilancia. Además, el análisis de big data puede impulsar la eficiencia, reducir los costos operativos y ayudar a combatir los delitos financieros en el mundo corporativo.