El crimen financiero puede estar volviéndose más sofisticado, pero también los sistemas de detección de fraude. Mientras que las versiones tempranas, referidas en este artículo como de primera generación, dependían de que los departamentos de riesgo aplicaran manualmente un grupo de reglas para detectar la actividad fraudulenta, la siguiente generación se apoya en la Inteligencia Artificial (IA) para tener progreso de forma más rápida, más eficiente y escalable. En un reporte publicado recientemente, Juniper Research predijo que el gasto global en sistemas de próxima generación superará los $10.000 millones para 2027 y generará un ahorro de costos de $10.400 millones.

Este post de blog resaltará la evolución en los sistemas de detección de fraude para ayudar a las Instituciones Financieras (IFs) a tomar una decisión informada sobre cuál es el más conveniente, tanto en el corto plazo como en el futuro.

Sistemas de detección de fraude de primera generación: basados en reglas

Los sistemas de primera generación usan reglas para monitorear transacciones en búsqueda de fraudes. Estas reglas están basadas en atributos como la compra desde una ubicación inusual, una frecuencia elevada de transacciones o transacciones que involucren grandes sumas de dinero con cuentas desconocidas o recientemente creadas. El departamento de riesgo crea estas reglas y las aplica manualmente a datos históricos para detectar anomalías y activar alertas. Por diseño, los sistemas basados en reglas son lineares y reactivos.

Los sistemas de primera generación enfrentan varios retos:

• El sistema es muy rígido. Una vez que las reglas quedan consagradas en una política de riesgo, los empleados encargados con la identificación del fraude solo pueden buscar por actividades que las rompan. Esto permite a los criminales mantenerse un paso por delante de las IFs, así que los sistemas de primera generación debe ser actualizados constantemente de forma manual para detectar nuevos patrones de fraude.
• Tienden a bloquear un alto volumen de transacciones legítimas por sospecha de fraude, lo que se conoce como falsos positivos. El departamento de riesgo debe investigar estas alertas antes de que puedan ser clasificadas como tales y procesadas, esto para la molestia del cliente. Mientras tanto, transacciones sospechosas o genuinamente ilegales no son detectadas, lo que puede ser problemático para una IF tanto en términos de multas regulatorias y en daño de reputación.
• Los sistemas de primera generación dependen de procesos manuales los cuales consumen tiempo, son costosos y potencialmente propensos a errores. Por ejemplo, seguir rastros de papel puede requerir la revisión de múltiples hojas de cálculo de Excel guardadas en diferentes computadoras. Estos sistemas no escalan bien. Los departamentos de riesgo deben responder a picos en actividad fraudulenta sumando a su fuerza de trabajo, poniendo presión adicional en recursos humanos y entrenando equipos.

Sistemas de detección de fraude de próxima generación: IA aislada

Los sistemas de próxima generación combinan un enfoque basado en reglas para detectar fraude con un enfoque basado en riesgo (RBA, por sus siglas en inglés), lo cual involucra evaluar el riesgo enfrentado por una IF y luego aplicar controles de acuerdo con su severidad. El Grupo de Acción Financiera (FATF, por sus siglas en inglés) considera que un RBA es clave para implementar las recomendaciones que emitió en 2012, y regularmente publica guías específicas para el sector en su sitio web.

El departamento de riesgo configura un RBA basándose en el apetito de riesgo de la IF. Le asigna puntajes de riesgo a los clientes los cuales son combinados y usados para aumentar los controles como parte de su proceso de diligencia en el que las IFs deben conducir una investigación más minuciosa a ciertos clientes, como aquellos clasificados con un alto riesgo o un alto valor neto.

Los sistemas de próxima generación usan modelos de IA para analizar datos, típicamente recolectados desde las propias transacciones de una IF. Estos modelos detectan patrones sospechosos que pueden indicar actividad fraudulenta y le asignan un puntaje automáticamente, reduciendo el tiempo requerido por el departamento de riesgo para investigar una transacción marcada.

El reporte de Juniper Research, referenciado anteriormente, resalta tres maneras en la que la IA mejora los sistemas de detección de fraude:

• Las soluciones de próxima generación están mejor equipadas para escalar porque la única limitante para la IA es el poder de cómputo (fácilmente disponible a través de tecnología de la nube). Por el contrario, los humanos están limitados en lo que pueden lograr de acuerdo con el tiempo que disponen.
• La IA acelera el proceso de detección de fraude, lo cual mejora la experiencia del cliente y permite a las IFs adaptarse a nuevos tipos de pago que requieren monitoreo en tiempo real.
• Los modelos de IA son más eficientes que los humanos en identificar patrones que indican actividad fraudulenta y en actuar contra estos.

Sin embargo, los sistemas de próxima generación también enfrentan retos:

• Solo son adecuados para IFs que tengan conjuntos de datos lo suficientemente grandes como para entrenar el modelo de IA.
• El proveedor debe modificar el modelo ocasionalmente para asegurarse que esté alineado con las políticas de riesgo de las IFs y para optimizar su velocidad y desempeño.
• Los sistemas de próxima generación son costosos y lentos para desplegarse porque son desarrollados en base a casos particulares usando conjuntos de datos aislados.
  

Más evolución en sistemas de detección de fraude – IA centralizada (inteligencia colectiva)

Los sistemas de IA centralizada también se apoyan en la IA para detectar fraude, pero ellos entrenan sus modelos con conjuntos de datos centralizados en lugar de los aislados. Estos conjuntos de datos consisten en millones puntos de datos recolectados de una variedad de fuentes incluyendo proveedores de pagos, comercios, emisores, adquirientes, mercados y terceros.

La riqueza de estos datos, que no es que solamente diversa, sino que es actualizada en tiempo real produciendo poderosos efectos de red que permiten a las IFs beneficiarse de los esfuerzos de las unas y las otras para detectar fraude. Estos efectos de red significan que los sistemas de IA centralizada pueden identificar una actividad sospechosa y un comportamiento inusual de transacción en cuestión de segundos para producir resultados 30 veces más precisos que los sistemas tradicionales.

Existen varios beneficios en usar una base de datos centralizada con IA y aprendizaje automático para la detección y prevención de fraude. Algunos de sus beneficios claves incluyen:

• Precisión incrementada: Al usar una base de datos centralizada, la IA y los algoritmos de aprendizaje automático pueden acceder y analizar grupos de datos más grandes y diversos, lo cual mejora su precisión al momento de detectar actividad fraudulenta.
• Eficiencia mejorada: Una base de datos centralizada puede automatizar muchos de los procesos manuales involucrados en la detección y prevención de fraude, lo cual puede ahorrar tiempo y mejorar la eficiencia.

Para aprende más acerca de la solución de detección de fraude de Fraudio programe una llamada para solicitar muestra basada en prueba de resultados de los datos históricos de alguna de sus IF.

‍