Fraude digital | Las técnicas de Machine Learning son fundamentales para desarrollar un sistema sólido de detección de fraude basado en datos. Permiten expandir las posibilidades humanas de encontrar casos de fraude, ahorrando una cantidad considerable de tiempo y dinero. Aun así, con el aumento de las transacciones digitales que se ha producido durante la pandemia y la dificultad de tratar con múltiples fuentes de datos, se deben enfrentar más modalidades de ciberdelitos o phishing, que afectan a numerosos clientes.
Desde que comenzó la pandemia, se multiplicó la creación de perfiles falsos que ofrecen productos financieros inexistentes a través de sitios online, redes sociales, correos electrónicos y contactos telefónicos, con la intención de obtener los datos bancarios de quienes caen en la trampa. Con el tiempo, los ciberdelitos se hicieron cada vez más sofisticados.
Tal es así que algunos casos de empresas con problemas de autenticación, como los de Nubank o Wirecard, han suscitado la preocupación de países de la región. Sin ir más lejos, en Argentina ciertos bancos debieron cerrar sus perfiles en redes sociales luego de que delincuentes utilizaran información recabada allí para vaciar las cuentas de clientes.
Ante esta explosión del fraude digital, ¿cómo pueden actuar las fintech para mejorar sus soluciones tecnológicas y cuáles son los desafíos de cara a la pospandemia?
Tradicionalmente las organizaciones financieras dependían del ojo del experto humano y de cierto conjunto de reglas antifraude para bloquear pagos fraudulentos. Pero usar esas reglas por sí solas conllevaba algunos problemas, como “falsos positivos” que bloqueaban a clientes genuinos, o el hecho de dependerse de muchísimas revisiones manuales de analistas, que eran muy lentas y costosas. Por si esto fuera poco, los estafadores digitales siempre están pergeñando formas más rápidas y personalizadas de cometer fraude: robar datos mejorados de los clientes y suplantar su identidad, haciéndose pasar por clientes verdaderos sin ser identificados. De este modo, a las reglas tradicionales basadas en cuentas de fraude típicas se les dificultaba contrarrestar el avance vertiginoso de este tipo de comportamientos online.
No obstante, de la mano de las técnicas de Aprendizaje Automático (Machine Learning), y con apoyo en el Aprendizaje Profundo (Deep Learning), se pueden crear modelos flexibles para la detección automática de fraude en tiempo real: estos modelos evalúan el comportamiento individual del cliente a medida que se produce. Analizan constantemente su actividad “normal”, por lo que cuando se detecta una anomalía pueden marcar o bloquear automáticamente un pago para que un analista lo revise. Y visibilizan patrones de fraude que no son aparentes al ojo humano.
Utilizar técnicas de Machine Learning, en este caso en particular, es como tener varios equipos de analistas al mismo tiempo que ejecutan cientos de miles de consultas y comparan todos los resultados para encontrar el óptimo. Esta compleja clasificación de perfiles críticos se realiza en tiempo real y solo requiere milisegundos.
Los principales beneficios de los sistemas de detección de fraude basados en datos, que recurren tanto a Machine Learning como Deep Learning, son:
- Precisión: aumenta el poder de detección al procesar grandes volúmenes de datos masivos y focalizan la búsqueda dentro de subconjuntos de datos detectados anómalos que poseen una mayor cantidad de fraudes que el promedio.
- Eficiencia: el volumen de datos organizacionales a ser analizados requiere la automatización de los procesos para poder explotar al máximo su potencial y acelerar el proceso para la organización, incrementando las probabilidades de identificación del delito cometido o de los perfiles fraudulentos.
- Escalabilidad: estos sistemas permiten aumentar el volumen de transacciones y mejoran con conjuntos de datos más grandes porque le proveen al sistema más ejemplos de clientes genuinos y fraudulentos. Esto significa que el modelo puede identificar las diferencias y similitudes entre los comportamientos más rápidamente y usar estos patrones para predecir el fraude en transacciones futuras.
- Ahorro: el costo humano de esa tarea sería inmenso, mientras que el costo actual se traduce en servidores en funcionamiento. A diferencia de los humanos, las máquinas pueden realizar tareas repetitivas y tediosas sin detener su trabajo (24/7), y escalan las decisiones a un humano cuando se necesita información específica.
¿Cómo se estructura este innovador sistema de detección de fraude digital basado en datos?
Básicamente, a través de tres elementos principales:
1. La detección de anomalías basadas en técnicas de aprendizaje no supervisado y analítica descriptiva de los datos: métodos cuyo propósito es encontrar comportamientos que comúnmente se desvían de la norma de los datos, generando grupos o clústeres de individuos en base a las variables definidas como entrada a los mismos.
2. Los modelos supervisados de predicción de fraude basados en datos históricos de fraudes conocidos: estos modelos creados necesitan tener una etiqueta de fraude o no fraude para aprender patrones de los datos que posibiliten asignar a ciertos casos (actuales o futuros) una probabilidad de fraude. De este modo, permitiría diferenciar si un caso nuevo se encuentra dentro de los casos conocidos de fraude con cierto grado de confianza estadística.
3. Análisis de redes sociales: el modelado de fraude en las redes sociales es una herramienta visual que permite descubrir interconexiones y redes de asociación entre sujetos, empresas, y distintas entidades relacionadas con uno o múltiples comportamientos fraudulentos. Así, se pueden descubrir patrones impensados mediante análisis gráfico y estadístico.
¿Querés conocer en detalle estas soluciones y liderar la transformación digital de tu fintech? No esperes más para contactar a nuestros expertos en Machine Learning.