La correcta marcación de las transacciones fraudulentas en los sistemas de monitoreo transaccional siempre ha sido, o debería haber sido, una de os equipos de operación de fraude en entidades financieras.

Tradicionalmente, la clasificación del fraude de forma consistente ofrecía garantías a la hora de generar informes y era una herramienta útil para  las reclamaciones de los clientes con las transacciones alertadas, denegadas o aprobadas, así como para medir la eficacia de las estrategias implementadas.

En el momento en el que los modelos de Machine Learning empezaron a ser utilizados para la detección y prevención de fraude, esas etiquetas o marcaciones de fraude/no fraude tomaron aún más importancia por ende, las cifras de fraude en el futuro dependían de ello.

Desde entonces, adaptarse con rapidez a las nuevas metodologías de fraude significa también sumar nuevas etiquetas que diferencien los nuevos modus operandi de los ya conocidos cuando así se requiere, para que así, todos los procesos que dependen de la calidad de esas etiquetas funcionen, sean confiables para la toma de decisiones.

Fraude Vs Estafa: La importancia de diferenciarlos

Ahora nos encontramos ante otro cambio en la clasificación del fraude. Dependiendo de la región donde nos encontremos y, sobre todo, de la regulación que nos aplique, estos cambios han podido ser ya implementados o es algo que conviene realizar cuanto antes, ya que los beneficios son numerosos y, tarde o temprano, lo necesitaremos y, muy probablemente, nos lo exigirán.

Si bien previamente el foco estaba en clasificar el fraude la información y el canal utilizado para ejecutar el fraude, ahora se añade la importancia de diferenciar entre si se trata o no de un pago autorizado por el cliente.

Consideramos un caso como fraude, cuando la transacción económica no ha sido autorizada por el cliente, mientras que consideraremos como estafa o scam (por su denominación en inglés), a la actividad que sí ha sido autorizado por el cliente tras ser víctima de algún tipo de engaño o ingeniería social que le ha empujado a realizarlo.

Aumento de los casos de estafas

En los últimos años, estamos viendo como los casos de estafa están aumentando de forma preocupante, y que son muchas y muy variadas las técnicas usadas por los defraudadores para engañar a los consumidores. Desde productos con precios sospechosamente bajos que nunca llegan a su destino, hasta supuestas relaciones románticas que acaban en préstamos que nunca serán devueltos o recomendaciones de inversiones que nunca se podrán recuperar, pasando por llamadas que se hacen pasar por el contact centre del banco para obtener información personal que posteriormente será utilizada de forma fraudulenta, o falsas llamadas telefónicas imitando la voz de algún conocido (mediante el uso de la IA) solicitando una transferencia de dinero de forma urgente, por mencionar solo algunas. 

En Featurespace hemos elaborado una guía sobre estafas que puede ser de utilidad para ubicar e identificar los diferentes tipos de estafa y sus tendencias por región. 

Hasta ahora, en la gran mayoría de estos casos en Latinoamérica, la responsabilidad recae sobre el cliente y, salvo excepciones, no supone quebranto para la entidad bancaria. Pero observando los cambios regulatorios que están aconteciendo en Reino Unido y Europa a este respecto, donde la responsabilidad se empieza a mover hacía las entidades financieras (tanto la que envía el dinero, como la que lo recibe), este es otro motivo más para identificar este tipo de casos mediante marcaciones específicas de fraude. 

En la región de Latinoamérica, aunque ya se registra este tipo de actividad y se tiene constancia del crecimiento de los casos de estafa, hay dos motivos por los que no se conoce el alcance real de este problema: 

  1. La ausencia de información fiable debido a la incorrecta clasificación de los casos de estafa como tal por parte de las entidades financieras. 
  2. El estigma social que supone hacer públicas este tipo de situaciones, ya que, a menudo, las víctimas de estafas se sienten avergonzadas de haber sido engañadas y no siempre dan el paso de denunciar y reclamar este tipo de escenarios. 

La importancia de las etiquetas de fraude en los modelos de ML

No entraré en detalles y solo nombraré algunos de los motivos por los que las etiquetas de fraude son tan importantes en los modelos de Machine Learning, ya sea en la construcción a partir de datos históricos o cuando estos se alimentarán de las etiquetas que apliquemos. 

Contar con etiquetas de baja calidad en el sistema de prevención de fraude, tiene un impacto negativo en el rendimiento del modelo que repercutirá directamente en el equipo operativo, en los clientes y en el fraude que podremos evitar. Las consecuencias directas son: 

  • Menor fraude detectado, como consecuencia de un entrenamiento basado en etiquetas inconsistentes. 
  • Aumento de falsos positivos, con el correspondiente impacto en los clientes, en la carga de trabajo en la operación y en el importe facturado por la entidad. 

Es por eso por lo que debemos contar con los procesos necesarios para adaptar las etiquetas de fraude a las nuevas casuísticas cuando así se requiera, así como disponer de controles que permitan detectar desviaciones en las marcaciones que se realizan desde los equipos de operación. 

Además, contar con etiquetas de fraude de calidad nos da visibilidad sobre la evolución de los diferentes tipos de fraude. En el caso de las estafas, si conseguimos identificarlas correctamente (previa investigación y validación de cada caso), podríamos analizar la información y conocer la naturaleza del problema.  

La información extraída del análisis permite diseñar estrategias que nos permitan abordar el problema desde diferentes ángulos: 

  1. Proteger a nuestros clientes mediante campañas de concienciación específicas y dirigidas a un segmento concreto de los clientes, si fuese el caso. 
  2. Diseñar e implementar estrategias de prevención adaptadas a las principales casuísticas detectadas. 
  3. Evaluar la efectividad de las tecnologías y estrategias existentes en los diferentes casos de uso, así como considerar soluciones alternativas. 

Featurespace ha desarrollado ARIC™ Scam Detect, un nuevo software de vanguardia diseñado para proteger a las instituciones financieras y sus clientes de las estafas. Una solución enfocada en detectar estafas mediante el análisis de pagos salientes y entrantes en tiempo real. Esta solución es fácil de implementar, tanto de forma independiente como complementando los sistemas existentes, ofreciendo detección de estafas desde el día 1.