¿Cuáles son las etapas del proceso de lavado de dinero y cómo funcionan?

por Bence Jendruszak
La mayoría de las herramientas de prevención y detección ofrecen resultados mediante puntuaciones de fraude. Pero, ¿qué miden y cómo funcionan exactamente?
Tanto si ya dispones de una solución de detección de riesgos como si estás buscando una, es probable que hayas oído hablar de las puntuaciones de fraude.
Sin embargo, incluso los directores de empresa con experiencia son a veces incapaces de explicar cómo funcionan o por qué ayudan a reducir el riesgo.
En este artículo, desglosamos los fundamentos del scoring de riesgo y veremos cómo puedes aprovecharlo para aumentar la eficiencia del negocio.
El scoring de riesgo asigna valores a lo arriesgado de una acción del usuario. El scoring de fraude se calcula basándose en reglas, que suman o restan puntos. La acción del usuario puede ser una transacción, un registro o un inicio de sesión. Las reglas examinan puntos de datos como la dirección de correo electrónico, la dirección IP o la presencia en las redes sociales.
Para que el scoring de riesgo funcione, debes tener un software antifraude que pueda examinar los datos del usuario. Esos datos se introducen en las reglas de riesgo, que permiten calcular el grado de peligrosidad de una acción. Por ejemplo, el registro de un nuevo usuario con una identificación de alto riesgo, o una tarjeta de crédito que haya aparecido antes en una lista negra.
La clave es que el scoring de fraude debe permitirte aprobar, rechazar o revisar automáticamente ciertas acciones. Estas podrían ser completar una compra o iniciar una sesión en tu sitio.
En este sentido, es similar a la comprobación de la puntuación de crédito (score crediticio), en la que una oficina de crédito evalúa el riesgo financiero que supone una acción del usuario (pedir un préstamo o abrir una nueva cuenta).
Para este ejemplo, veremos a dos usuarios que intentan realizar un pago en tu sitio. Las capturas de pantalla muestran exactamente cómo el tablero de SEON entregará los resultados:
En este primer ejemplo, se puede decir que la transacción es arriesgada, pero no es 100% evidente que se trate de un estafador. Sería un buen momento para alertar al equipo de que es necesaria una revisión manual o para activar una verificación adicional.
El número elevado en este segundo ejemplo nos permite saber que estamos claramente ante un estafador, lo que bloquearía automáticamente la transacción.
Sin embargo, en función de tu política de riesgos, también podrías enviar la transacción para que la revise manualmente un miembro de tu equipo de fraude.
SEON es una potente solución integral que te ofrece un control total sobre las reglas que afectan al scoring de riesgo de tus usuarios
Pide una Demo
Para entender las ventajas del scoring de riesgo, imaginemos que eres una pequeña tienda online que se centra en reducir hasta un 27% el fraude en las transacciones (cuando los usuarios pagan con datos de tarjetas de crédito robadas). Tu objetivo es reducir las devoluciones de cargos, identificar una cuenta legítima de una fraudulenta y facilitar los buenos pagos.
La mayor desventaja del scoring de riesgo es que no hay dos empresas que utilicen los mismos estándares. Si pasas de una empresa a otra, puede que tengas que volver a aprender a mitigar el riesgo basándote en una escala completamente nueva.
En SEON, establecemos nuestros umbrales preestablecidos de la siguiente manera:
Ten en cuenta que se pueden ajustar manualmente. Pero antes de ajustarlos, es importante entender bien qué reglas nos dan un scoring de fraude.
El scoring de riesgo varía mucho de un software de fraudes a otro, por lo que resulta útil conocer los aspectos básicos antes de elegir tu solución.
Las reglas que ayudan a calcular un scoring de fraude pueden ser-.
Pero cuando se trata de reglas de fraude, no hay un enfoque único que sirva para todos. Una regla puede funcionar muy bien para atrapar a los estafadores en una plataforma de intercambio de criptomonedas, pero fracasar con los operadores de iGaming.
Por eso es muy importante probar las reglas en un entorno empresarial real, basándote en tus datos históricos.
En el caso de las reglas de IA o ML (machine learning), también hay que ser capaz de entender exactamente lo que la herramienta está sugiriendo, de ahí la importancia de los sistemas whitebox.
Algunos motores ofrecen total transparencia de su funcionamiento interno, otros tienden a hacer más difícil adivinar lo que hacen los algoritmos. En SEON, creemos que los sistemas whitebox son siempre superiores, ya que te permiten:
Nuestra plataforma Sense, que puede venir con reglas preestablecidas por el sector, reglas sugeridas por machine learning y reglas personalizadas, te permite visualizarlas a través de un árbol de decisiones, para que puedas tener una visión clara de cómo se calcula cada puntuación.
De hecho, incluso las reglas sugeridas por la IA se entregan en forma legible para el ser humano, por lo que nunca estarás a merced de los algoritmos.
Un elemento clave del scoring de fraude: su precisión es solo tan buena como los datos utilizados para calcularlas. Por ello, tu sistema de prevención de fraude no solo debe recopilar la mayor cantidad de datos posible, sino también enriquecerlos.
El concepto central es que ayuda:
He aquí un claro ejemplo de la cantidad de información adicional que se puede obtener gracias a las soluciones de enriquecimiento de datos, y cómo ayuda a mejorar la precisión de las puntuaciones de riesgo:
Como puedes imaginar, es posible evitar los pasos 3 y 4, pero podría sesgar la puntuación de fraude y reducir su precisión a la hora de señalar un cliente fraudulento.
Tanto si eres un gestor de fraudes con experiencia como si no, esperamos que este manual sobre el scoring de riesgo te haya permitido tener una mejor idea de cómo y por qué funcionan.
Y lo que es más importante, esperamos que puedas ver lo importante que es entender realmente qué reglas afectan a los valores. Esto solo es posible si tu sistema de prevención de fraude es whitebox, diseñado para ofrecer transparencia en sus procesos de enriquecimiento de datos y creación de reglas.
Esta es exactamente la filosofía que hay detrás de la plataforma Sense de SEON, una potente solución integral que te ofrece un control total sobre las reglas que afectan el scoring de fraude de tus usuarios.
El scoring de riesgo personalizable de SEON rechaza automáticamente o te avisa de las transacciones de riesgo para proteger tu negocio del fraude en línea
Pide una Demo
El scoring de riesgo se calcula alimentando los datos del usuario mediante reglas de riesgo. La puntuación total debe estar dentro de un rango que te permita saber si debes aceptar, rechazar o revisar la acción.
El scoring de fraude puede dar resultados con una precisión extremadamente alta. Sin embargo, la calidad de los resultados depende del tipo de reglas que se apliquen, de la frecuencia con la que se actualicen e incluso del tipo de sector al que pertenezcas.
Aprende más sobre:
Enriquecimiento de datos | Huella digital en internet | Machine learning en detección de fraudes
Mostrando todos los con `` etiqueta
Haz clic aquí
Bence Jendruszák es el Director de Operaciones y cofundador de SEON. Gracias a su liderazgo, la compañía recibió la ronda de inversión Serie A más grande en la historia de Hungría en el 2021. Bence es un apasionado de la ciberseguridad y su relación con el éxito empresarial. Puedes encontrarlo encabezando webinars con líderes de la industria en temas como el fraude en el iGaming, la comprobación de identidad o el machine learning (siempre que no esté preparando café cuestionable para sus colegas).
Las mejores historias del mes directamente en tu bandeja de entrada