El 80% de las organizaciones europeas se ven afectadas por el fraude en los pagos. Los comerciantes son las principales víctimas de este problema, enfrentan pérdidas de alrededor del 1.8% de sus ingresos y gastos de hasta el 23% de su presupuesto operativo, todo destinado a detener el fraude en los pagos.

En un mercado cada vez más competitivo (y con mercados de comercio electrónico en rápido desarrollo), la marea creciente del fraude persiste. Las licencias para operar pueden perderse si las ratios de fraude se vuelven demasiado altas. Los bancos pueden ser multados por proveedores de tarjetas y reguladores si no controlan y mitigan activamente la prevalencia del fraude. Mientras tanto, los Proveedores de Servicios de Pago (PSP) compiten por ofrecer tasas de procesamiento de transacciones cercanas a cero, y por lo tanto necesitan ofrecer a sus clientes servicios auxiliares. Por lo tanto, la demanda de herramientas efectivas de prevención del fraude es alta.

Además, el lavado de dinero por parte de microcomerciantes y la incorporación instantánea resultan en $350 mil millones lavados al año. Con la prevalencia de la incorporación digital fácil, el fraude y las estafas de los comerciantes están aumentando, todo a expensas de los adquirentes. Los bancos emisores y sus clientes también enfrentan ataques y estafas de fraude cada vez más sofisticados. El lavado de dinero también es una prioridad para los reguladores de la Unión Europea, y para cumplir con ello, los bancos tienen equipos extensos y costosos trabajando en estos problemas, a menudo utilizando técnicas y tecnología obsoletas.

El fraude en los pagos es insidioso, difícil de detener y puede causar daños financieros en cualquier negocio en cuestión de minutos. La lucha contra el fraude en los pagos debe ser sofisticada. Esto comienza con estrategias preventivas para frustrar intentos de fraude mediante la capacitación de modelos de aprendizaje automático de IA para detectar y actuar rápidamente frente a amenazas. Luego, se debe extender esta estrategia a cada canal de venta y servicio en el que confía un negocio digital. La IA y el aprendizaje automático pueden ayudar en ese proceso.

¿Cuáles son los diferentes tipos de fraudes?

La aparición y desarrollo de una economía digital ha brindado a las organizaciones muchas herramientas nuevas que agilizan las relaciones con los clientes. Por un lado, esto ha ayudado a mejorar los costos operativos y reducir la fricción para los clientes, lo que ahorra tiempo y dinero. Por otro lado, ha abierto la puerta para que los criminales digitales desarrollen ataques nuevos y más agresivos que explotan estos procesos automatizados y comprometen consecuentemente el negocio de las empresas que operan en línea.

Algunas de estas amenazas son básicas. Los mensajes de spam simples o los correos electrónicos de phishing que alientan a los usuarios a compartir información personal siguen siendo una preocupación principal para las organizaciones, pero el panorama de amenazas es más complejo.

Hay una convergencia entre el fraude fuera de línea y en línea, especialmente en las instituciones de servicios financieros. Un ejemplo de esto es cuando los hackers roban datos en línea, que luego son utilizados por criminales en el terreno para retirar fraudulentamente dinero de entidades bancarias físicas.

Todavía en esta área, el mal uso de los cajeros automáticos (movimientos no reconocidos), el robo de identidad, la clonación de tarjetas de crédito, la copia de las bandas magnéticas de las tarjetas y, en particular, el fraude cibernético con tarjetas robadas, el uso de programas maliciosos y la información sustraída de los clientes (datos proporcionados por ellos en acciones de marketing y otorgamiento de crédito) en plataformas en línea son las principales áreas de preocupación para los bancos y plataformas de comercio electrónico (e-commerce).

¿Qué es la Detección de Fraudes?

Detectar estos fraudes es un juego de equilibrio. Los clientes desean que sus datos y transacciones estén seguros, pero tampoco quieren ser molestados por rechazos innecesarios de pagos (falsos positivos). ¿Qué decisión debe tomar un banco o una plataforma de comercio electrónico si su sistema de detección de fraude señala grupos de transacciones similares como fraude basado en reglas simplistas? ¿Bloquea todas las transacciones y arriesga "perder" al cliente? ¿No bloquea ninguna en absoluto?

A pesar de la disminución de los falsos positivos (transacciones legítimas que se marcan como fraudulentas), las organizaciones tienen que convivir con el riesgo de su existencia. La solución es alcanzar una proporción aceptable y manejable de falsos positivos.

La prevención del fraude no es, sin embargo, un proceso estático. Al contrario, la prevención del fraude es un ciclo continuo que implica monitoreo, detección, decisiones, gestión de ocurrencias y aprendizaje.

Para identificar y detener una serie de ataques fraudulentos de manera rápida y precisa, las empresas capturan y agregan todo tipo de datos disponibles entre canales y los incorporan al proceso analítico. Asimismo, el monitoreo continuo de transacciones y la aplicación de análisis de comportamiento que permiten la toma de decisiones en tiempo real y la incorporación de técnicas de seguridad en capas son medios que permiten la prevención del fraude en los pagos y la detección de fraudes en las transacciones.

¿Cómo detecta el fraude la IA?

Imagina un cerebro humano y su red neuronal. Es en esta intrincada red de neuronas y sinapsis donde nació lo que conocemos como 'inteligencia'. Lo que hace la IA es exactamente lo mismo, pero en lugar de sinapsis, opera en función de una combinación de procesos y patrones que simulan la inteligencia humana. Esto incluye patrones de comportamiento como la planificación, el aprendizaje, la lógica, la resolución de problemas, la autocorrección y el uso apropiado de los datos e información disponibles.

Basada en tres habilidades cognitivas: el aprendizaje, el razonamiento y la autocorrección, los programas y algoritmos de IA trabajan en cohesión, utilizando datos para crear información accionable y realizar tareas, resolver problemas y hacer predicciones.

"La inteligencia artificial sería la versión definitiva de Google. El motor de búsqueda definitivo que entendería todo en la web. Entendería exactamente lo que deseas y te daría lo correcto".

Estas palabras pertenecen a Larry Page (cofundador de Google) y nos ayudan a comprender el papel de la IA en el mundo actual y su potencial importancia en la detección y prevención del fraude.

Sin embargo, no existe un único sistema de IA. La inteligencia artficial es, en esencia, un conjunto amplio de principios similares al proceso de adquisición, almacenamiento, análisis y toma de decisiones de un cerebro humano. Principios que luego se aplican en el desarrollo de una multitud de sistemas, entre los cuales se encuentran las alarmas de fraude a través del aprendizaje automático.

Este último sistema se basa en algoritmos que tienen la capacidad de procesar grandes conjuntos de datos, aprenden de manera continua y adquieren experiencia con el paso del tiempo.

En los últimos años, este enfoque ha experimentado un crecimiento y avance rápidos debido al hecho de que requiere menos intervención humana y es más rentable. Estos algoritmos estudian y analizan correlaciones entre millones de patrones y comportamientos a lo largo del tiempo, y en base a eso, se toman decisiones que ayudan a empresas y compañías anti-fraude en todo el mundo.

Los principales algoritmos involucrados en el aprendizaje automático son:

Supervisado

Este tipo de aprendizaje automático se realiza utilizando conjuntos de datos etiquetados del pasado y aplicando esos patrones a nuevos conjuntos de datos.

No supervisado

Este tipo de aprendizaje automático implica el entrenamiento de conjuntos de datos que no han sido etiquetados ni definidos. En su lugar, el sistema mismo busca variaciones y similitudes para realizar cálculos.

Aprendizaje por Reforzamiento

Esto se puede describir como una combinación de aprendizaje supervisado y no supervisado, ya que implica el uso de conjuntos de datos no etiquetados que reciben retroalimentación automatizada y se revisan una vez que se ha realizado la acción. Puede haber varios intentos de prueba y error utilizando este método de aprendizaje, ya que el objetivo principal es entrenar a los sistemas informáticos utilizando patrones pasados conocidos y desconocidos para lograr los resultados deseados.

Detección de Fraudes y Aprendizaje Automático

El fraude en transacciones en línea no es un problema exclusivo de los bancos. Todos los productos y servicios adquiridos a través de sistemas digitales pueden ser objetivo de fraude, lo que genera pérdidas tanto para las empresas como para los consumidores. Por lo tanto, no es sorprendente que la prevención del fraude en los pagos y los sistemas de detección de fraude en los pagos estén evolucionando rápidamente con la ayuda de técnicas de aprendizaje automático.

Los sistemas basados en aprendizaje automático tienen varias aplicaciones. Además de detectar el fraude, se pueden utilizar para reconocer perfiles y hacer ofertas a los clientes, así como para optimizar procesos como la logística de las entregas o incluso realizar análisis predictivos basados en los patrones ya identificados. El estudio "La era de la analítica: Compitiendo en un mundo impulsado por datos" del McKinsey Global Institute, publicado en diciembre de 2016, identificó 120 áreas de 12 industrias diferentes con un gran potencial para aumentar la productividad con sistemas de aprendizaje automático.

Las soluciones que utilizan el aprendizaje automático analizan los datos proporcionados por cada cliente para crear e identificar patrones y detectar perfiles que están fuera de la norma. En caso de fraude, el software volverá a aprender y ajustarse automáticamente. Este tipo de solución logra percibir relaciones "ocultas" entre los datos, es decir, aquellas que no serían identificadas por personas o por sistemas impulsados únicamente por definiciones creadas por humanos.

Otra ventaja de este tipo de tecnología en comparación con los modelos tradicionales es su mayor precisión. Cuando tienes una máquina que aprende de sus propias evaluaciones, el perfeccionamiento es mucho mayor que cuando simplemente defines reglas genéricas basadas en perfiles del público objetivo. Además, estas soluciones pueden adaptarse más rápidamente a nuevas técnicas fraudulentas.

También es posible iniciar un sistema con aprendizaje automático utilizando datos y reglas previamente definidos, y luego permitir que el software haga ajustes a partir de ahí. Combinados con otras herramientas, los sistemas de detección de fraude con aprendizaje automático incluso pueden prescindir de analistas humanos para resolver casos sospechosos, ya que ciertas situaciones se pueden resolver con una confirmación por mensaje SMS, por ejemplo.

Cómo Funciona la Detección de Fraudes en la Banca

Siempre en riesgo de fraude en pagos, las instituciones bancarias se encuentran entre las organizaciones más interesadas en esta lucha.

Hablando en términos generales, el fraude bancario abarca el fraude con tarjetas de crédito, el lavado de dinero y el fraude hipotecario.

Para prevenir y detectar estas amenazas, la mayoría de los bancos utilizan sistemas basados en reglas combinados con evaluación manual. A pesar de la efectividad razonable de estos sistemas, en los últimos años han demostrado ser cada vez menos consistentes. Esto se debe a que los sistemas basados en análisis y evaluación manual no pueden seguir el ritmo de sofisticación, complejidad y rapidez de los nuevos patrones de fraude.

Algunos bancos también utilizan sistemas construidos sobre RDBMS (Sistema de Gestión de Base de Datos Relacional, por sus siglas en inglés), pero a menudo obtienen resultados peores que los sistemas basados en reglas.

La necesidad de productos de software de detección de fraude financiero de primera calidad condujo al desarrollo de nuevos sistemas antifraude basados en IA y aprendizaje automático.

Al emular la arquitectura de un cerebro humano, el mejor software de IA con aprendizaje automático no solo es capaz de prevenir y detectar irregularidades, sino también de aprender (literalmente) durante todo el proceso y modificar sus acciones según la complejidad del ataque.

En este juego de gato y ratón entre las autoridades y los cibercriminales, la clave radica en desarrollar soluciones lo más completas posible y reducir la participación humana.

Esto es lo que sucede con Fraudio y su tecnología disruptiva pendiente de patente, que puede conectar a cada comerciante, proveedor de servicios de pago, adquirente comercial y emisor de tarjetas, de todos los tamaños, al mismo cerebro centralizado de inteligencia artificial, entrenado con miles de millones de transacciones.

Todo esto sucede a través de una interfaz de programación de aplicaciones (API), alojada completamente en la nube y gestionada de forma remota por el cerebro de IA de Fraudio. A diferencia de la mayoría de los sistemas similares, este sistema de detección de pagos está conectado y listo para proporcionar detección de fraudes en cuestión de días y no requiere una integración compleja.

En términos prácticos, su sistema de IA funciona en tiempo real y evalúa una transacción según el grado de amenaza: verde para una transacción confiable; amarillo cuando es dudosa; y rojo cuando se marca como fraudulenta.

Por ejemplo, después de recibir un pedido de un cliente, una plataforma de comercio electrónico envía los datos a la API que, en tiempo real, los analiza. Después de una serie de coincidencias de datos (transacciones pasadas o historial del cliente, por ejemplo) a través de técnicas de aprendizaje automático tanto supervisado como no supervisado, el sistema de Fraudio evalúa el pedido y le asigna una calificación de riesgo. Después de la evaluación, la API envía ese puntaje de riesgo de fraude al comerciante, quien decidirá si aceptar o no la transacción.

Cuando es el comerciante quien comete fraude (utilizando datos de tarjetas robadas o no entregando un bien o servicio después del pago, por ejemplo), Fraudio busca actividad normal y anomalías en el acto y puede identificar tendencias subyacentes que sugieren un comportamiento arriesgado por parte del comerciante, enviando alertas en tiempo real y reportes, cuando sea necesario, directamente a las compañías de pago.

Como se mencionó antes, el lavado de dinero es uno de los principales problemas a los que se enfrentan las instituciones financieras globales. Por lo tanto, además de ayudar a los comerciantes y a las compañías de pago a detectar fraudes en el comercio, esta tecnología de IA con aprendizaje automático también es ideal para la detección del lavado de dinero.

Al utilizar algoritmos enfocados en patrones de "demasiado buenos para ser verdad", esta tecnología de aprendizaje automático detecta patrones complejos de lavado que son extremadamente útiles para priorizar las investigaciones a llevar a cabo, ahorrando tiempo y dinero. Además del proceso de análisis, esta tecnología de aprendizaje automático también envía alertas e informes cuando detecta comportamientos sospechosos.

En resumen, la detección de fraudes en pagos a través del aprendizaje automático de la IA ayuda al cumplimiento normativo y alivia los puntos dolorosos operativos.

‍