Las reglas de detección de fraude son la piedra angular de una estrategia de gestión de riesgo adecuada, y es igual de importante escalarla conforme crezcas como compañía.

Examinemos esas reglas más a detalle a continuación, incluyendo ejemplos concretos que puedes aprovechar hoy.

¿Qué es una regla de detección de fraude?

Una regla de detección de fraude es una condición que te ayuda a decidir si una actividad es fraudulenta o no. La regla se establece para permitirte revisar, declinar o aprobar una acción de usuario. Esto puede ser con base en una correlación, estadísticas o comparación lógica.

Una regla de fraude necesita datos activos. Por ejemplo, los datos pueden ser una dirección de IP.

Supongamos que sabes que una dirección IP le pertenece a un estafador y aparece en una lista negra. El tipo de regla más básico con base en la lógica if/then podría ser:

if IP address = 192.168.1.1, then block website access. 

Claro que tener acceso a más datos (particularmente a través del enriquecimiento de datos) te permite tener mayor precisión al decidir qué se considera fraude y qué no.

Además, apilar varias reglas de fraude te permite llevar a cabo una puntuación de fraude, que los negocios utilizan para mitigar el riesgo como les sea más conveniente.

La detección de fraude basada en reglas abarca tanto las reglas básicas estáticas como las complejas verificaciones de velocidad, en las que observas ciertas acciones en un período de tiempo específico. Esta última está diseñada para analizar el comportamiento del usuario en lugar de observar puntos de datos aislados. 

Sistemas para la detección de fraude basados en reglas

No todos los fraudes se crean de igual forma. Veamos cinco tipos diferentes de reglas con ejemplos claros con base en la plataforma de SEON.

Reglas estáticas para la detección del fraude

Una regla estática es la forma más básica de regla de fraude y tiende a seguir una lógica simple if/then. Se considera estática cuando el resultado de la regla es estricto e inflexible, por ejemplo, bloquear una acción del usuario. 

Históricamente, las primeras reglas estáticas tenían que ver con las direcciones IP. Si una IP era hallada en una lista negra, el usuario sería bloqueado.

Sin embargo, las reglas estáticas pueden ser tan creativas como lo desees con base en los datos que tienes a la mano.

Digamos, por ejemplo, que tienes acceso a la información de IP y los detalles de tarjeta de crédito. Tu regla estática puede conformarse de hasta dos parámetros.

El primer parámetro marcará los detalles de tarjeta de crédito que apunten a Estados Unidos. 

El segundo parámetro observará las direcciones de IP que apuntan a Rusia. 

Entonces nuestra regla puede ser la siguiente:

Si(If) el país de la tarjeta de crédito del usuario apunta a Estados Unidos pero su IP apunta a Rusia, entonces (then) la transacción debería ser bloqueada.

Aunque las reglas estáticas pueden ser extremadamente sofisticadas, una clara desventaja es su falta de flexibilidad. En el mundo de la prevención del fraude, esto se refleja en un gran número de falsos positivos.

Los falsos positivos son perjudiciales para cumplir tus objetivos (ya que bloqueas a clientes legítimos), y terribles para tu reputación de negocio. Los buenos usuarios cuyas acciones son bloqueadas automáticamente estarán comprensiblemente frustrados y potencialmente buscarán otras opciones. Incluso pueden correr la voz a sus amigos y conocidos. 

Es por ello que a menudo es mejor utilizar las reglas de fraude como indicadores. Aquí es donde entran las reglas de puntuación de fraude…

Reglas de puntuación para la detección de fraude

Las reglas de fraude no siempre tienen que bloquear acciones. Algunas veces, querrás que te informen sobre tu estrategia de riesgo, y esto se logra gracias a las puntuaciones de riesgo.

A continuación hay ejemplos de reglas de puntuación de fraude. Observa la columna “score”: cada una añade un número de puntos para calcular en última instancia lo riesgosa que es esta acción de usuario, y por lo tanto lo que debería hacer el sistema al respecto.

Este negocio ha decidido claramente que la evidencia más abrumadora de que alguien es un estafador es un número de teléfono desechable. Le han asignado una puntuación de +10.

Ten en cuenta que las puntuaciones de fraude no están estandarizadas. Por ejemplo, algunas plataformas deciden que entre más baja es un puntaje, más riesgoso es el cliente. Y la puntuación funciona de forma similar. 

Sin embargo, la clave está en adaptar las puntuaciones de riesgo a las necesidades de tu negocio. También puedes automatizar la prevención de fraude al establecer límites con base en las puntuaciones de fraude. 

En el ejemplo anterior, el verde (0-10 puntos) significa APROBAR, el amarillo (10-40 puntos) significa REVISAR y el rojo (40+ puntos) significa DECLINAR. En la plataforma de SEON, esto se puede ajustar a voluntad fácilmente.

Reglas de velocidad para la detección del fraude

Incrementando un poco la sofisticación, tenemos las verificaciones de velocidad, o reglas de velocidad.

Estas reglas intentan entender el comportamiento del usuario al observar una serie de acciones durante un periodo de tiempo.

Un buen ejemplo de una regla de velocidad sería en la fase de inicio de sesión. Una forma para prevenir que un ataque de robo de identidad (ATO) tenga éxito es asegurarse de que los estafadores puedan realizar demasiados intentos de inicio. Si no tienes barreras, pueden utilizar el rellenado de credenciales o la fuerza bruta para descifrar los detalles de usuario y contraseña.

Aquí es donde es útil una regla de velocidad. Tu regla podría simplemente observar el número de intentos fallidos dentro de, supongamos, 5 minutos.

Otro ejemplo sería monitorear los movimientos monetarios sospechosos. Esto puede ser útil en el contexto del AML (anti lavado de dinero). 

Puede lucir intimidante, pero en esencia es sumamente simple. Aquí estamos observando un incremento en el gasto (más del 200%) en un período de 24 horas, Si eso sucede, se disparará esta regla.

En el ejemplo anterior, configuramos el sistema de tal modo que la regla arroja una puntuación de +10, pero eso depende de ti. Una opción realista podría ser también pausar automáticamente la transacción mientras se envía a una revisión manual.

Reglas de Machine Learning para la detección del fraude

Por último, podemos ver lo que pasa cuando tienes un sistema diseñado para aprender programáticamente de tus casos de fraude anteriores.

Tal sistema se desarrolla con base en inteligencia artificial, y la idea es simplemente que pueda analizar grandes cantidades de datos para detectar patrones sospechosos conforme aparezcan. El sistema entonces hará sugerencias que son relevantes únicamente para ti. 

Está claro que la IA (o machine learning en nuestro caso) no sabrá si las reglas son buenas o no. Necesitarás revisarlas y probarlas manualmente tú mismo, ya sea sobre datos históricos o en un ambiente sandbox. 

En la plataforma de SEON, el motor de machine learning corre en tiempo real y recolecta datos de las transacciones y la puntuación conforme sucede. 

Como resultado, entre más lo uses, más precisas serán las sugerencias, al tiempo que estás continúan siendo fácilmente explicables gracias a la naturaleza whitebox del módulo.

Los beneficios de una solución de prevención de fraude basada en reglas

Como puedes ver por los ejemplos anteriores, la prevención de fraude basada en reglas varía dependiendo del tipo de reglas que despliegues. Sin embargo, existen varios beneficios innegables, como por ejemplo:

La capacidad de escalar y automatizar

Aunque es posible para los pequeños negocios hacer la revisión manual de cada acción de usuario, únicamente puedes escalar tu estrategia de prevención de fraude automatizando las verificaciones con base en reglas de fraude. 

Fricción dinámica

Un gran beneficio de la detección de fraude basada en reglas es que aún puedes revisar casos manualmente si caen dentro de un área gris. Esto significa que los defraudadores obvios son bloqueados y a los usuarios legítimos se les permite el acceso sin fricción. Para asegurar que no pierdes ningún cliente legítimo, puedes introducir verificaciones adicionales para aquellos que requieran mayor comprobación en lugar de bloquearlos de inmediato. 

Reducir las tasas de fraude con el tiempo

La prevención de fraude basada en reglas está enfocada en los datos. Esto significa que puedes monitorear resultados, establecer KPIs y afinar las reglas para que se alineen con tu estrategia. Gracias al machine learning, incluso puedes obtener sugerencias que sean relevantes con base en el uso de caso de tu negocio en específico. 

Cómo elegir una solución de detección de fraude basada en reglas

Hay tantas estrategias de prevención de fraude como empresas en el mercado. Sin embargo, algunos fundamentos clave deben aplicar para tu solución de detección de fraude basada en reglas:

• ¿Es efectiva? ¿Estás obteniendo los resultados que esperabas? Algunos proveedores favorecen un enfoque con base en listas negras compartidas, mientras que otros prefieren confiar en el poder de los datos en tiempo real.
• ¿Es flexible? Aunque los sistemas basados en reglas parecen inflexibles, ese no tiene que ser el caso. Encontrar una solución que te permita apilar reglas, usar puntuación de fraude, campos personalizados o incluso sugerencias de machine learning dará mejores resultados a largo plazo. E incluso más importante, considera si puedes desplegar las reglas adecuadas con base en tu vertical. Una compañía de iGaming tiene necesidades muy distintas a las de, digamos, un neobanco.
• ¿Es escalable? ¿Cuántas reglas puede soportar tu sistema? ¿Puedes ejecutar miles de llamadas API al día? Y, si está alojado en línea, ¿cuál es el tiempo de funcionamiento que tiene?
• ¿Es costosa? ¿Pagarás por cada llamada API o en conjunto por un contrato de varios años? ¿Micro cargos vs garantía de contracargos?
• ¿Es fácil de integrar? ¿Podrías empezar hoy mismo? ¿Cuánto esfuerzo tomaría integrarla completamente con tu plataforma?

Cómo realiza SEON la detección de fraude basada en reglas

En SEON anteponemos la flexibilidad y la personalización en todas nuestras características de prevención de fraude. Esto significa que puedes hacer todo lo que se detalla a continuación:

• Desplegar la solución rápidamente, sin ninguna disrupción.
• Iniciar con reglas de riesgo basadas en casos de fraudes similares dentro de tu industria.
• Personalizarlas completamente según las necesidades de tu negocio.
• Recibir sugerencias de un poderoso motor de machine learning whitebox.
• Aprovechar los beneficios de la EA black box para detectar nuevos patrones. 
• Añadir y editar reglas fácilmente, así como activar o desactivarlas. 

Todo está diseñado para puntuar, entender y monitorear el riesgo en tu compañía como te sea más conveniente, y con el mismo grado de flexibilidad con respecto a la integración y el pago. 

Preguntas frecuentes