Guía para el monitoreo y detección de fraudes en 2023

El monitoreo de fraudes es importante y las alertas asociadas pueden ayudar a mantenerte informado y a fortalecer tus defensas. 

Hemos preparado esta guía como un resumen de los aspectos básicos del monitoreo de fraudes y alertas, tanto en la banca como en otros sectores. 

¿Qué es el monitoreo de fraudes?

A grandes rasgos, el término » monitoreo de fraudes » se refiere a la vigilancia en tiempo real de las operaciones para detectar posibles casos de eventos de fraude y detenerlos.

El sistema genera alertas de fraude cuando se ha detectado un evento de fraude, para hacérselo saber a la persona que lo supervisa.

En términos prácticos, una alerta de fraude se genera y se envía con el fin de proporcionar información sobre la actividad relacionada con el fraude que tiene lugar en el fondo. Por ejemplo, que se ha bloqueado el registro de un usuario por considerarlo demasiado sospechoso.

También pueden alertar a los analistas de fraude de que hay casos pendientes de revisión manual. Por ejemplo, que un comprador que intenta realizar una compra ha recibido una puntuación de riesgo medio y el caso debe ser investigado por un humano.

De este modo, se podría pensar en el monitoreo de fraudes y alertas como algo similar a un cortafuegos, ya que el sistema está siendo monitoreado en busca de casos de fraude y se envían alertas cuando se encuentra uno y se bloquea.

En la mayoría de las soluciones modernas de monitoreo y prevención del fraude, las alertas de fraude son personalizables según las necesidades y requisitos de la empresa, lo que permite una interrupción mínima mientras que la información importante sigue llegando a los miembros del equipo que necesita.

Recopilación de datos del usuario para el monitoreo

Las fuentes de este tipo de información incluyen:

• análisis de la reputación de IP
• huella del dispositivo
• huella digital en internet
• huella digital y perfil social 
• análisis del comportamiento y comprobación de la velocidad
• biometría 

Los datos se combinan en informes detallados que pueden ser revisados manualmente por personas o, con mayor frecuencia, alimentados en conjuntos de reglas que definen lo que sucede a continuación.

Activación de alertas y acciones

Los conjuntos de reglas en el monitor de fraudes pueden ser tan simples o tan complejos como deseemos. En un extremo del espectro, podrían definir algo parecido a:

Si alguien con el correo electrónico estafador@itsasc.am intenta un pago, bloquéalo y genera una alerta.

 

Estas sencillas consideraciones sobre los aspectos a bloquear conformarán una lista negra, dejando pasar a cualquiera que no esté en ella. 

Pero las listas negras, aunque son útiles como función, son rígidas, consumen mucho tiempo y no tienen sentido a gran escala. 

Para atrapar y bloquear a los estafadores de un determinado tipo, así como para enviar alertas sobre su actividad a los analistas, necesitamos conjuntos de reglas.

Los conjuntos de reglas son mucho más complicados que el ejemplo anterior, mientras que las mejores plataformas de software de monitoreo de fraudes y alertas permiten cambiarlos y ajustarlos, y a menudo incluso ofrecen entornos de caja de arena para probarlos. 

Una regla de la vida real que hemos visto que los clientes utilizan en SEON es:

Si más de 4 cuentas se han conectado desde la misma dirección IP en 10 minutos, bloquear la IP durante 1 hora y generar una alerta.

 

Si más de 4 cuentas se han conectado desde la misma dirección IP en 10 minutos, bloquear la IP durante 1 hora y generar una alerta.

Los conjuntos de reglas definirán las acciones a tomar, incluyendo el envío de alertas, mientras que esta práctica se ve reforzada con la introducción de clasificaciones de riesgo.

Una empresa tendrá cientos de reglas de este tipo. Tampoco son mutuamente excluyentes: Una interacción específica puede desencadenar varias reglas, cada una de las cuales incrementa la puntuación de riesgo, empujando el evento a un nivel de riesgo más alto. 

Como resultado, se enviará una alerta y/o puede ser necesaria la intervención manual de un analista de fraude.

¿Cómo ayuda un monitor de fraude a detectar los riesgos?

La prevención del fraude es el objetivo declarado, y el monitoreo de fraudes basado en el riesgo es el medio para lograrlo.

Las calificaciones de riesgo son la clave de una sofisticada estrategia de supervisión del fraude. Permiten tener en cuenta cientos de puntos de datos individuales que revelan las intenciones de un cliente y combinarlos en un número que resume el grado de amenaza que se considera. ¿Es probable que sea un estafador o no?

Una vez amalgamada toda la información del análisis de fraude que hemos descrito anteriormente, se tiene en cuenta cada factor para obtener una puntuación de riesgo ponderada, y ciertas alertas u otras acciones estarán vinculadas a esta puntuación. 

Normalmente, esto significa bloquear automáticamente a los usuarios con una puntuación alta de riesgo, dejar pasar a los usuarios con una puntuación baja de riesgo, y empujar a los usuarios de riesgo medio a una revisión manual, y/o pedirles pasos adicionales de verificación. 

Las plataformas con reglas personalizadas nos permiten cambiarlas a voluntad, y cada cliente elige exactamente cómo quiere actuar en cada caso.

Más motivos por los que un monitor de fraude ayuda a prevenir riesgos

En términos sencillos, sin las soluciones de monitoreo de fraudes en tiempo real y las alertas que generan, no podríamos detectar y detener el fraude en el momento en que ocurre. Y los estafadores siguen siendo más audaces y sofisticados en sus métodos.

Las tendencias de fraude y estafa revelan que los defraudadores ya no se dirigen únicamente a las grandes empresas con mucho que perder. El fraude se ha convertido en una amenaza real para organizaciones de todos los tamaños y tipos, en todo el mundo. Durante la pandemia, los analistas han observado un aumento del 46% del fraude a nivel mundial, lo que ha provocado un aumento de los ataques de fraude para tres cuartas partes de los comerciantes. 

Mientras tanto, el gasto en gestión del fraude ha crecido 5 veces en solo tres años hasta 2022. En el Reino Unido, 1 de cada 2 empresas son víctimas de fraude, mientras que los estadounidenses han perdido hasta 1.800 millones de dólares por casos individuales de fraude, según el FBI.

En general, el fraude en sus diversas formas cuesta a la economía mundial más de 5,127 billones de dólares cada año, según estimaciones de Crowe. 

¿Cómo funcionan los monitores de fraudes?

Las herramientas de monitoreo de fraudes son un software de extremo a extremo que se despliega dondequiera que los clientes interactúen con tu producto o servicio. Funcionan de forma oculta las 24 horas del día, observando y evaluando el comportamiento y analizando los datos, centrándose en puntos de contacto específicos, como el registro y los pagos.  

Suelen llamarse a través de APIs desde el backend y a menudo tienen algún tipo de componente frontend, muy probablemente para la toma de huellas de los dispositivos.

Por ejemplo, en el caso de una tienda online, esto funciona haciendo que la plataforma supervise cómo se comporta cada comprador, así como toda la información que podemos recopilar sobre ellos o que han proporcionado sobre sí mismos. Cuando alguien se inscribe en una nueva cuenta, cuando inicia la sesión y cuando introduce los datos de su tarjeta de pago en la caja, son todos puntos en los que se puede escudriñar en ellos y en sus intenciones.

Características principales de un de monitor  de fraudes y alertas

Las plataformas de monitoreo de fraudes y alertas deben ser flexibles para adaptarse a las necesidades del cliente, escalables para planificar el futuro y en constante desarrollo para responder al siempre cambiante panorama del fraude.

Las organizaciones que emplean soluciones de monitoreo de fraudes y alertas quieren comodidad, por lo que este proceso debe ser lo más fácil posible, con soluciones de prueba antes de comprar, soporte gratuito, despliegue rápido y transparencia en los procesos (y modelos de precios).

Algunas de las características clave que hay que buscar en el software del monitor de fraudes son:

• seguimiento en tiempo real
• enriquecimiento de datos de correo electrónico y teléfono
• machine learning
• reglas personalizadas
• seguimiento del comportamiento
• autenticación basada en el riesgo
• puntuación de fraude
• revisiones manuales
• visualización de gráficos 
• capacidad de sandboxing
• informes y alertas

A continuación veremos ejemplos de cómo se utilizan, mientras que para más información puedes consultar cada uno de los temas en el sitio web de SEON.

¿Cuál es el papel del machine learning en el monitoreo de fraudes?

El machine learning, un tipo de inteligencia artificial, puede potenciar el monitor de fraudes en diferentes puntos del proceso, como la generación de conjuntos de reglas y el monitoreo en tiempo real, así como la respuesta a las calificaciones de riesgo.

En la generación de conjuntos de reglas, los módulos de machine learning pueden analizar los datos históricos asociados a una empresa o a su sector en general para generar una serie de sugerencias de reglas que atiendan a sus necesidades individuales, abordando los esquemas con mayor probabilidad de afectarla.

Por ejemplo, en SEON utilizamos el machine learning whitebox para generar sugerencias a partir de eventos históricos de fraude. Como el modelo de caja blanca machine learning es transparente, también nos da una explicación completa de por qué se ha sugerido cada regla, lo que permite realizar ajustes y aportes humanos.

En la fase de monitoreo de fraudes en tiempo real, el machine learning utiliza datos históricos para entrenar al algoritmo a responder. Está mejorando y progresando constantemente, por lo que también identificará y frenará nuevas actividades sospechosas que no sean idénticas a eventos de fraude anteriores, pero que compartan ciertos patrones.

En términos generales, tanto el machine learning blackbox como el whitebox pueden utilizarse en esta fase, aunque el de blackbox tiene más ventaja en la detección de nuevas tendencias sospechosas frente al potencial de precisión de whitebox. 

SEON utiliza la caja negra de machine learning para aplicar la lógica de las redes neuronales para la puntuación predictiva, la similitud de cadenas y otras tecnologías, con el fin de detectar nuevos y sofisticados ataques.

En cuanto a la respuesta a las calificaciones de riesgo, los modelos de machine learning pueden monitorizar cuáles de los casos enviados a revisión manual acabaron siendo aprobados y cuáles fueron rechazados, así como otros problemas potenciales: eventos de la lista negra que eran falsos positivos, etc. Como resultado, la precisión siempre mejora con el tiempo.

En cuanto a las alertas de fraudes enviadas a los analistas de fraude y otros administradores, el machine learning puede, si se desea, utilizarse para limitar las alertas innecesarias o no urgentes a medida que pasa el tiempo, estudiando la tasa de compromiso humano con cada una, por ejemplo.

La detección de fraude con machine learning ha encontrado un importante uso en el monitoreo de fraudes, y tiene aún más potencial.

Sin embargo, también tiene algunas limitaciones. Dado que el algoritmo aprenderá y se adaptará en función de los datos históricos y en tiempo real, al principio no será tan eficaz. Una solución para esto es utilizar sistemas de terceros con algoritmos preentrenados.  

El enfoque de SEON sobre el monitor de fraudes

En SEON, nuestro objetivo es luchar contra el fraude. 

Pero para ello, buscamos capacitar a los responsables de la toma de decisiones y a los analistas de fraude para que ajusten y afinen el nivel de automatización a su nivel de comodidad y a su sector y al panorama de amenazas que lo rodea.

Para los bancos challenger y los neobancos, esto significa más flexibilidad y menos pérdida de clientes, lo que les permite prestar un mejor servicio a los clientes que buscan liberarse de los engorrosos procesos asociados a los bancos tradicionales. 

De hecho, el enfoque de fricción dinámica de SEON puede ayudar a cualquier negocio que quiera mantener el viaje del cliente agradable y sin esfuerzo, sin importar el sector, ya que garantiza que los clientes legítimos sean aprobados con una interrupción mínima. Solo a las personas sospechosas se les pedirá una verificación adicional.

La plataforma integral de prevención del fraude de SEON ofrece un seguimiento en tiempo real de más de 100 puntos de datos individuales recopilados mediante métodos avanzados, como el análisis de la huella digital, la huella digital de los dispositivos, el análisis del comportamiento, etc. 

A continuación, se combinan mediante el módulo de enriquecimiento de datos en perfiles fáciles de leer y con puntuaciones de riesgo.

Estas puntuaciones de riesgo ofrecen una evaluación rápida del riesgo que presenta cada usuario y/o acción, lista para la toma de decisiones humanas y/o acciones automáticas basadas en conjuntos de reglas específicas del cliente.

En SEON, los conjuntos de reglas de riesgo pueden seleccionarse y establecerse de varias maneras, para ofrecer la máxima flexibilidad: 

• generadas mediante el machine learning de whitebox a partir de datos históricos
• adoptados a partir de preajustes de la industria hechos para responder a los puntos de dolor más comunes de cada sector
• reglas personalizadas creadas manualmente, desde cero, por humanos
• combinaciones de las anteriores

Cabe destacar que las reglas anteriores pueden modificarse o ampliarse en cualquier fase del proceso desde el panel de control de fácil manejo.

Preguntas frecuentes

También te puede interesar:

• SEON: Guía para herramientas antifraude en 2023

Fuentes

• TransUnion: Global Fraud Trends: Device Insights Highlight Increased Threats Since Onset of Pandemic
• The Paypers: Global fraud trends, COVID-19, and the importance of collaboration
• Reed Business School: 1 in 2 UK businesses are victims of fraud
• ABC Action News: Largest fraud in the country cost Americans $1.8 billion in 2020, FBI says