Las redes de usuarios legítimos suelen seguir la ley de Benford, que
ya se usa para detectar otro tipo de fraudes
La ley de Benford parece ir en contra de la lógica. Después de todo, no se entiende por qué las cifras que empiezan por 1 deberían ser más frecuentes que otras. Pero esta ley predice que en los datos que se adaptan a esta regla, las cifras que tienen un 1 como primer número deberían darse un 30% de las veces, mientras que los números que empiezan por el 9 deben componer menos del 5% del total.
Y aunque los estadísticos han buscado la ley de Benford en muchas
series de datos, nunca la han aplicado al mundo de las redes sociales. Ahora
eso cambia gracias al trabajo de Jennifer Golbeck en la Universidad de Maryland
en College Park (EEUU), que demuestra que la ley de Benford no sólo es
aplicable a muchas series de datos asociadas con las redes sociales, sino que
las desviaciones de esta ley están claramente relacionadas con actividad
sospechosa en línea.
Golbeck empieza con los datos de usuarios de cinco de las principales
redes sociales: Facebook (18.000 usuarios), Twitter (78.000 usuarios), Google
Plus (20.000 usuarios), Pinterest (40 millones de usuarios) y LiveJournal
(45.000 usuarios). Su método fue sencillo. Analizó el número de amigos y
seguidores asociados con cada usuario en estas series de datos y contabilizó la
distribución de los primeros números en las cifras.
Los resultados son muy interesantes. En cada serie de datos, salvo
una, la distribución estadística de los primeros números sigue muy de cerca la
ley de Benford.
No resulta sorprendente. No hay motivo por el que estas series de
datos, que abarcan varios órdenes de magnitud no deban seguir la ley de
Benford. Pero una de ellas no la seguía. La cantidad de seguimientos en
Pinterest. Goldbeck señala que esto en sí mismo no indica actividad
fraudulenta, pero sugiere que hay que investigar más.
A Golbeck no le llevó mucho tiempo identificar la causa. Resulta que
cuando la gente se une a Pinterest están obligados a seguir cinco
"intereses" o más antes de poder seguir con el proceso de registro.
Esto exige seguir al menos cinco pines iniciales para cada usuario.
"Aunque los usuarios pueden borrar esos pines, pocos lo hacen, y este
proceso de iniciación afecta a toda la distribución", afirma.
Golbeck siguió investigando para ver si la ley de Benford sirve para
detectar una supuesta actividad sospechosa en las redes sociales. En concreto
no observó sólo el número de amigos de un individuo, sino las redes de sus
amigos, las denominadas redes egocéntricas.
A continuación midió la correlación entre la red egocéntrica de un
individuo y la ley de Benford y halló que para la gran mayoría de la gente esta
correlación era mayor de 0,9. "En términos generales, la gran mayoría de
las redes egocéntricas se adaptaban a lo que predice la ley de Benford",
afirma.
En el caso de Twitter, sólo 170 personas de las 21.000 que investigó
tenían una correlación menor de 0,5. Goldbeck investigó cada una de estas
cuentas y consiguió unos resultados curiosos. "Casi todas estas cuentas parecían
dedicarse a actividades sospechosas", afirma.
No está claro para qué existen exactamente estas cuentas ni con qué
intención. Pero su comportamiento es muy raro. De hecho, sólo dos de las 170
cuentas con una correlación baja con la ley de Benford parecen pertenecer a
usuarios legítimos, según Goldbeck.
Es un trabajo interesante que tiene importantes implicaciones en la
ciencia forense de las redes sociales. En los últimos años se ha hecho cada vez
más difícil detectar cuentas en las redes sociales implicadas en actividades
sospechosas. Si se compara una gran cantidad de estas contra la ley de forma,
es una forma rápida y sencilla de encontrar cuentas que hay que investigar más.
Pero por el momento la ley de Benford parece una herramienta valiosa
en la guerra contra el fraude y la actividad sospechosa en las redes sociales.
"La aplicabilidad de la ley de Benford a las redes sociales es una nueva
herramienta para analizar el comportamiento de los usuarios, comprender cuándo
y por qué se pueden dar desviaciones naturales y, en última instancia, detectar
fuerzas anómalas en funcionamiento", concluye Goldbeck.
Fuente: MIT Technology Review
