$362 mil millones en fraude: cómo la información puede ayudar a reducir las pérdidas —y mejorar la experiencia digital

A medida que crece el impacto del fraude, los consumidores, comprensiblemente, se vuelven más cuidadosos. Un rotundo 91 % afirma que consideraría abandonar una empresa por completo si experimentara fraude al realizar una compra, según un informe reciente de Mastercard.

Los comercios también son cautelosos: la misma investigación revela que casi cuatro de cada 10 comercios se preocupan por ser clasificados como de alto riesgo de fraude, ya que las instituciones financieras a menudo cobran tarifas más altas en respuesta.

Lo que complica el creciente fraude es que la conveniencia sigue siendo importante, y mucho.

Nuestra investigación revela que más de una cuarta parte (28 %) de los consumidores han abandonado una transacción por frustración ante el tiempo que tardaron en ingresar sus datos. Y es probable que sus expectativas en torno a la agilidad sigan siendo altas: los consumidores de la Generación Z son casi 2.5 veces más propensos a desear un proceso de compra en línea rápido que los Baby Boomers, por ejemplo.

Aun así, encontrar el equilibrio adecuado entre seguridad y conveniencia no es una simple división 50/50. El mismo informe sugiere que la mayoría de los compradores (77 %) priorizan la seguridad sobre la velocidad durante las transacciones en línea.

Entonces, ¿cómo pueden las empresas ofrecer una experiencia de usuario más inteligente y segura? Las organizaciones más vanguardistas están aprovechando y actuando sobre los datos y las perspectivas para mejorar sus tácticas de prevención del fraude.

Para las empresas de hoy, la verdadera ventaja competitiva proviene de utilizar la información de manera inteligente y establecer los parámetros correctos para autenticar sin problemas las transacciones que son, de hecho, genuinas.

Con los estafadores empleando métodos cada vez más sofisticados —incluidos aquellos impulsados por IA, que pueden crear nuevos vectores de ataque para los delincuentes—, las empresas deben confiar en algo más que en las reglas establecidas que han funcionado en el pasado. El futuro reside en la inteligencia contextual y la información de identidad: entender cómo se conectan las piezas de información, cómo los patrones se desvían de la norma y cómo interpretar señales sutiles en tiempo real.

Toma una transacción con una dirección de correo electrónico de john.doe@gmail.com. Basándose en información de transacciones anteriores, un sistema impulsado por IA puede identificar si el correo electrónico se creó recientemente, lo que indica una posible actividad fraudulenta, o si es una dirección de correo electrónico antigua y más confiable.

Para crear una experiencia de transacción más segura sin sacrificar la agilidad, las empresas deben aprovechar una combinación de aprendizaje automático, patrones históricos e información en tiempo real. Aquí hay algunos tipos comunes de perspectivas que pueden ayudar a lograrlo:

1. Capacidades de la persona: al analizar identificadores comunes como nombres, correos electrónicos, direcciones y números de teléfono en el contexto adecuado, las empresas pueden capturar información sobre esos identificadores que puede ayudar a informar su decisión sobre si seguir adelante y confirmar una interacción digital. Aquí hay tres cosas importantes a considerar, especialmente con respecto a los nuevos usuarios: 

• Correo electrónico: ¿La dirección de correo electrónico se creó recientemente o ha aparecido antes en transacciones legítimas? 
• Nombre: ¿Se ha vinculado anteriormente el nombre de esta persona a este correo electrónico o dirección de envío? 
• Número de teléfono: ¿El número de teléfono es consistente con el comportamiento de compra anterior o ha sido marcado en intentos de fraude previos? 

Estas perspectivas, cuando se combinan y analizan, pueden asignar una puntuación que refleja el riesgo general de una transacción. Una puntuación de riesgo más alta no significa necesariamente la ocurrencia de algo malicioso, pero podría justificar una revisión más detallada para examinar las perspectivas utilizadas para tomar esa determinación. La buena noticia es que los comercios pueden crear acciones automatizadas basadas en cada puntuación, lo que significa que las transacciones más seguras se procesan, mientras que los posibles defraudadores se encuentran con rondas adicionales de autenticación.

2. Capacidades de comportamiento: este tipo de información se refiere a cómo interactúa alguien con un sitio o servicio. Con las herramientas adecuadas, a menudo puede ser más revelador que la información directa que proporcionan. Aquí hay una posible señal de alerta a tener en cuenta:

• Valor y volumen de transacciones: ¿El tamaño o la frecuencia de una transacción es inusual para este usuario en particular?

Los modelos de IA y aprendizaje automático aprenden de estos patrones, marcando comportamientos que se desvían drásticamente de las normas esperadas. Con el tiempo, se vuelven más inteligentes —distinguiendo entre una compra de regalo a altas horas de la noche y un estafador que opera a través de una identidad falsa.

3. Capacidades del dispositivo: el tipo de dispositivo que utiliza un consumidor para acceder al servicio de una empresa, como un teléfono, una tableta o una computadora, puede ofrecer información crítica sobre la legitimidad. Las empresas deben realizar un seguimiento de:

• Consistencia: ¿Es el dispositivo del consumidor el que utiliza habitualmente esta cuenta?
• Tipo de dispositivo: ¿El sistema operativo o el navegador están obsoletos, rooteados o se sabe que están asociados con actividades fraudulentas? Por ejemplo, un dispositivo Android que muestre un agente de usuario con un navegador Safari de Apple iOS podría ser motivo de preocupación.

Juntos, estos tipos de perspectivas pueden integrarse en un modelo de riesgo en tiempo real. Una discrepancia menor podría pasar desapercibida — pero si se acumulan suficientes inconsistencias, se verán reflejadas en las puntuaciones de riesgo.

En última instancia, las empresas deben decidir cómo implementar esta información para enriquecer su toma de decisiones sobre fraude. Por ejemplo, una discrepancia entre el número de teléfono y la dirección IP —un hecho relativamente común— no impediría que una transacción procediera como de costumbre, mientras que ciertos patrones de fraude podrían activar la autenticación de dos factores o una retención temporal.

Estas capas de inteligencia permiten a las empresas construir una experiencia fluida que sea segura y eficiente. En lugar de cargar con la responsabilidad a los clientes, las herramientas modernas de fraude utilizan perspectivas para verificar la legitimidad detrás de escena, proporcionando transacciones genuinas con pagos más rápidos, mientras detienen a los malos actores antes de que causen daños.

Con la interconexión de los ecosistemas actuales, la sofisticación de los ataques, la accesibilidad de los servicios de fraude y la credibilidad de los esquemas y estafas, las empresas pueden sentir que caminan por la cuerda floja entre la seguridad y la conveniencia. Pero es responsabilidad de todas las empresas proteger a los consumidores y a los ecosistemas a escala, y pueden hacerlo, siempre y cuando estén equipadas con las estrategias adecuadas.

Al aprovechar conocimientos más sólidos de las interacciones en línea, las empresas pueden optimizar la experiencia del usuario desde el inicio hasta el cierre de sesión. Estos conocimientos de datos más sólidos y medidos también pueden conducir a aprobaciones de transacciones más rápidas, mayores ingresos y mejores experiencias de cliente que inspiran lealtad.

La oportunidad es clara, las soluciones existen y el tiempo corre. No hay mejor momento para empezar que ahora. Accede a nuestros recursos para transacciones confiables que ayudan a minimizar el fraude, maximizar las tasas de aprobación y garantizar una mejor toma de decisiones.