Desde siempre, empresas y particulares han lidiado con el riesgo de ser víctimas de fraudes y estafas. En la era digital en que nos encontramos, este tema tiene a bancos y todo tipo de comercios en jaque.

De acuerdo con la Condusef[1], en 2023 la cantidad de fraudes cibernéticos se incrementó 20.1%, con respecto a un año atrás, y el monto total de eventos fraudulentos en comercios por internet, banca móvil, pagos por celular y transacciones electrónicas en México superó los 20 millones de pesos.

Sin duda, las organizaciones han andado un largo camino a través de este complejo tema, desde aquella época en que la gestión del fraude se basaba en la intuición, hasta nuestros días, cuando se aprovechan las nuevas tecnologías, como la analítica de Big Data, la Inteligencia Artificial (IA) y el análisis predictivo, para enfrentar el reto y frenar los intentos malintencionados. A continuación, hacemos un recorrido por la evolución que ha tenido lugar:

Un inicio complicado

En un principio, el éxito de la gestión de fraudes en las instituciones bancarias y los negocios dependía sobre todo de la experiencia del personal a cargo. Era común que las áreas operativas tomaran parte en la creación de las estrategias y reglas, y las revisiones eran manuales y subjetivas. A pesar de los esfuerzos, las múltiples ineficiencias y limitaciones traían bajas tasas de detección y alto impacto en la experiencia del cliente.

Existía una alta demanda de personal dedicado a revisar situaciones sospechosas, para crear, revisar y actualizar constantemente las reglas de monitoreo necesarias para la estrategia. Con todo, no había una base cuantitativa sólida para la toma de decisiones; sólo los casos conocidos de los que las áreas a cargo de la gestión de fraudes tomaban ventaja si podían correlacionar los datos, causas y consecuencias. Además, el foco estaba en el producto y no en el cliente.

Era una estrategia ineficiente: había inconsistencias en los resultados, generándose altas tasas de falsos positivos (es decir, transacciones legítimas identificadas por error como fraudulentas) que culminaban en experiencias de cliente negativas. Por lo general los fraudes no se detectaban, de forma que las pérdidas financieras eran cuantificables.

La posibilidad de las decisiones basadas en datos

Podemos decir que, con la llegada de los modelos de análisis predictivos que usaban grandes volúmenes de datos históricos (Big Data) y la adopción de técnicas de machine learning, se comenzó a liberar el poder de los datos para combatir el fraude.

Hacia 1992, la empresa FICO lanzó Falcon Fraud Manager, una de las primeras aplicaciones comerciales de IA y redes neuronales, con técnicas de análisis de datos y machine learning que identifican patrones sospechosos y protegen contra actividades fraudulentas. Pero la adopción del análisis y la ciencia de los datos empezó a ganar proporciones significativas realmente hasta la década pasada.

La revolución de la ciencia de datos es la que impulsó a las organizaciones a empezar a utilizar estas tecnologías, gracias a la reducción de los costos del almacenamiento de datos y el avance de las capacidades de procesamiento.

Al introducir las decisiones basadas en datos, las empresas detectaban fraudes con mayor precisión, la reacción era en tiempo real y ya se automatizaban diversas tareas, lo que permitió liberar recursos humanos para situaciones más críticas y tener, a la vez, una gestión más eficiente. ¿La cereza del pastel? Una mejor experiencia general del cliente.

La IA y la nueva revolución

A partir de la base que representaron los Big Data y la analítica predictiva, se han incorporado nuevas tecnologías (como la IA) que hacen frente a las nuevas demandas en la era de la digitalización, en la que la exigencia de los clientes manda.

Estas tecnologías avanzadas brindan ventajas directas e indirectas. Las primeras se relacionan puntualmente con su uso adecuado para, por ejemplo, identificar patrones complejos, reducir los falsos positivos y detectar fraudes de forma temprana, reduciendo costos operativos y minimizando las pérdidas financieras.

Ahora bien, nunca ha sido más importante hablar de las ventajas indirectas, y es que, por un lado, al tener una sólida prevención de fraudes mejora la confianza de los clientes y la reputación de la institución financiera.

En esta era actual, esa seguridad que perciben los consumidores y que les hace elegir un banco sobre otro, es crucial para los negocios –de acuerdo con FICO, 52% de los consumidores sólo compran en empresas y marcas en las que confían–. Y, por otro lado, el uso de estas tecnologías coloca a las instituciones en una posición más competitiva en el mercado, al facilitarles cumplir con regulaciones cada vez más estrictas en materia de seguridad y prevención de fraudes.

Por si eso fuera poco, la analítica de datos aplicada a una mejor comprensión de patrones y comportamientos de los clientes lleva a las empresas a una comprensión más profunda de la relación entre ambas partes.

El enorme desafío de los datos y la permanencia de los fraudes

En el tema de los datos y los avances tecnológicos, no todo el camino es llano. Ante el tremendo volumen de datos (muchos de ellos no estructurados) han surgido nuevos retos.

Los datos no estructurados requieren tecnologías avanzadas de procesamiento de lenguaje natural (NLP, por sus siglas en inglés) y análisis de texto para extraer información útil y aplicar algoritmos de machine learning para clasificar y priorizar los datos de forma efectiva. Además, los datos pueden ser insuficientes, presentar errores de interpretación o estar contaminados.

Incluso, los modelos de IA pueden ser vulnerables a ataques donde las entradas maliciosas están diseñadas para engañar al sistema y producir errores incorrectos. Con tal evolución de las prácticas de fraude y estafa, es preciso seguir innovando.

Los modelos de IA defensivos engañan a la IA adversaria y crean patrones artificiales que facilitan la detección y aislamiento de la actividad delictiva. También está la IA generativa, que toma como base el concepto de que las personas son lo que hacen y se centra en crear contenido nuevo a partir de datos existentes, aumentando la capacidad de expandir modelos en nuevas áreas de interés y tendencias de fraude emergentes y mejorando los datos para una cobertura más completa y sólida de los patrones de comportamiento.

Tecnología: el gran aliado

En el tema de las estafas, es crítico interactuar con los clientes, pues es necesario todo su historial de preferencias de comunicación, comportamientos de compra, retroalimentación recibida y demás para interrumpir el “trance” que normalmente acompaña a los intentos de estafa, mismo que se relaciona con la emoción y la impulsividad (por ejemplo, actuar rápido ante algo que es “demasiado bueno para ser verdad”, presión por la incertidumbre, etc.).

Seguimos en el camino de la evolución de la prevención de fraudes y estafas. En Latinoamérica y El Caribe hay múltiples casos que muestran cómo la adopción de tecnologías ha permitido a distintas instituciones financieras transformar la manera en que manejan la gestión y prevención de actividades fraudulentas y reducen los fraudes de forma efectiva.

En Brasil hay un ejemplo representativo: es el de un banco que redujo más de 70% la incidencia de estafas en su base de clientes en un año, evitando pérdidas por más de 5 millones de dólares, además de que mejoró la experiencia de sus clientes.

Es un hecho que los fraudes y otras vulnerabilidades continuarán evolucionando, por lo cual no es momento de bajar el ritmo. Bancos y comercios deben mantener la prioridad de contrarrestar todas estas amenazas, con las tecnologías adecuadas y las mejores prácticas.

[1] “Fraudes cibernéticos y tradicionales”, Condusef.

______________

El autor de este artículo, Luis Silvestre, es consultor de Negocios de FICO.