Sobre Revolut

Revolut no necesita presentación hoy en día. Este gigante de la banca digital y pionero en fintech opera en 39 países y maneja más de 30 monedas, permitiendo a más de 45 millones de clientes en todo el mundo pagar, recibir pagos, invertir, cambiar divisas y gestionar su dinero, todo desde una sola aplicación.

El proceso de incorporación sin fricciones, el acceso inmediato a servicios financieros y la facilidad para gestionar dinero y operar en mercados son las razones principales de su popularidad entre los clientes. El fraude es un problema que afecta a toda la industria, y Revolut ha realizado inversiones significativas en sus sistemas, procesos y personal para garantizar la protección de sus clientes mientras crece y se expande.

Desafío

Como un actor importante en el sector financiero, Revolut enfrenta la constante amenaza del fraude, un desafío que afecta a toda la industria. La compañía está comprometida con proteger a sus clientes mientras expande sus operaciones globales. Para escalar de manera efectiva, Revolut necesitaba una solución que mejorara sus modelos de riesgo y ofreciera una prevención de fraudes más robusta sin comprometer la experiencia del cliente.

Dmitri Lihhatsov, Product Owner de Fincrime en Revolut, explica cómo la empresa combate estos desafíos:

«Tenemos un increíble equipo de FinCrime que actualiza y mejora continuamente nuestra estrategia para mantener seguros a Revolut y a nuestros clientes. Nuestros científicos de datos están trabajando actualmente en la mejora de nuestro modelo de riesgo global, ya que tenemos configuraciones diferentes para los usuarios de Estados Unidos, Gran Bretaña y a nivel mundial. Todo esto forma parte de nuestro enfoque único para combatir el crimen financiero y el fraude en Revolut».

Dmitri Lihhatsov, Product Owner de Fincrime en Revolut, y su equipo buscaban más datos para fortalecer sus modelos de aprendizaje automático y respaldar su enfoque proactivo en la prevención de fraudes.

Solución

¿La clave para mejores modelos de riesgo? Acceso a mejor información. Precisamente por esta razón, Dmitri y su equipo recurrieron a SEON, explorando cómo los datos enriquecidos podrían integrarse en su meticulosa estrategia.

«Usamos los datos en bruto de SEON junto con nuestras funciones desarrolladas internamente para entrenar nuestros modelos de aprendizaje automático. Por ejemplo, además de las señales sociales y de dispositivos, comenzamos a analizar los datos CNAME para aprovechar al máximo SEON.»

Resultados

Al incorporar los datos de SEON, los modelos de Revolut lograron una mejora del 2% en precisión. Aunque puede parecer modesto, esos últimos incrementos fueron cruciales para reducir significativamente los casos de fraude que de otro modo habrían pasado desapercibidos.

«SEON mejora nuestra precisión en un 2%. Puede no sonar mucho, pero estamos hablando de un 2% de casos de fraude que estaríamos perdiendo de otra manera. Y a menudo, son esos últimos puntos los más difíciles de lograr mientras ajustamos nuestros modelos», explica Dmitri.

Más importante aún, SEON permite a Revolut alcanzar tasas de precisión excepcionalmente altas en la prevención, al mismo tiempo que ayuda a la compañía a gestionar sus costos operativos.