Tipos de Soluciones de Prevención de Fraude: Pros y Contras

Article Image

Si ya está buscando una nueva solución de prevención de fraude, probablemente quiera mejorar su rendimiento. Probablemente haya definido los objetivos que le gustaría alcanzar al asociarse con un nuevo proveedor. El propósito de esta sección es doble:

  • Ayudarlo a comprender qué tipos de soluciones están disponibles
  • Enumerar los pros y los contras de cada uno

Pero primero, una nota importante: las asociaciones entre comerciantes y vendedores de prevención de fraude duran un promedio de 3 a 5 años. Y una vez que se integra con un proveedor, solo una catástrofe lo hará cambiar. Por esta razón, es fundamental llevar a cabo un proceso de evaluación exhaustivo para garantizar que se tome la decisión correcta.

El mundo del fraude evolucionó en los últimos 5-10 años. El comercio electrónico está explotando y creciendo a una velocidad sin precedentes. Los estafadores se están volviendo mucho más sofisticados y la tecnología de aprendizaje automático es la nueva innovación tecnológica dominante. Antes de que pueda elegir una solución de prevención de fraude, debe conocer y comprender los diferentes tipos de soluciones, tecnologías y modelos comerciales disponibles.

Soluciones basadas en reglas

Antes de que el aprendizaje automático se convirtiera en el tema candente del mundo tecnológico, la prevención del fraude se llevaba a cabo mediante la creación de un conjunto de reglas para evitar que los estafadores hicieran pedidos. Estos conjuntos de reglas deben modificarse y actualizarse regularmente, ya que los patrones de fraude evolucionan constantemente. Ya sea porque vaya a entrar a un nuevo mercado o vender nuevos productos (por ejemplo, expandiéndose de alojamiento a vuelos o agregando tarjetas de regalo digitales), los patrones de fraude cambian.

Soluciones de aprendizaje automático

La gran ventaja de las soluciones de Machine Learning es la capacidad de clasificar y analizar miles de puntos de datos de una manera mucho más coherente y eficiente que el cerebro humano. Las soluciones de aprendizaje automático son mucho más proactivas y están diseñadas para aprender de sus propios errores para que puedan mejorar su rendimiento y precisión incluso sin intervención humana. Dos factores clave afectan la precisión y el rendimiento del modelo:

  • 1) Los datos que se utilizan para capacitar al modelo
  • 2) La calidad de los datos que sirven para crear los patrones más relevantes de la industria y la experiencia en el mercado

Soluciones de puntuación

Al enviar una transacción a una solución de puntuación, el servicio no enviará una decisión, sino una recomendación en forma de puntuación. El comerciante deberá decidir qué hacer con el puntaje: aprobar, rechazar, enviar a 3DS o verificar manualmente. En este caso, el comerciante es el único responsable de los contracargos. Y por lo general, el modelo de negocio de puntuación cobra una tarifa fija por transacción, independientemente de que se apruebe o rechace.

Solución de garantía de contracargos

A diferencia de las soluciones de puntuación, las soluciones de garantía de contracargos proporcionan una decisión y no una recomendación. La decisión es binaria, ya sea para aprobar o rechazar la transacción. Si la decisión es aprobar la transacción y luego aparece como un contracargo, hay un cambio en la responsabilidad y el proveedor de prevención de fraude reembolsará al comerciante los contracargos relacionadas con el fraude. Por lo general, una solución de garantía de contracargos cobrará una tarifa porcentual solo de las transacciones aprobadas y la tarifa se establecerá en función del perfil de riesgo de las transacciones.

Echemos un vistazo a los pros y los contras de cada tipo de soluciones:

Basados en reglas

Pros:

  • El comerciante tiene control total sobre las reglas que se están creando y utilizando.
  • El comerciante puede aplicar sus propios aportes con relativa facilidad y traducirlos en reglas para evitar el fraude.

Contras:

  • Las reglas son reactivas y no proactivas. Las reglas no se aprenden solas y son lentas para reaccionar a los cambios en los patrones de fraude. Por lo tanto, permiten la entrada de fraudes hasta que las reglas se modifican para adaptarse a los nuevos patrones.
  • Administrar y ajustar las reglas requiere una cantidad significativa de recursos. Muchas veces, los comerciantes no encontrarán el tiempo suficiente para hacerlo y, por lo tanto, quedan a expensas de los estafadores.
  • Los comerciantes a menudo pueden llegar a un punto en el que tienen cientos de reglas diferentes sin la capacidad de saber cómo una nueva regla realmente afecta su desempeño.
  • Mantener un sistema de reglas mientras se expande a nuevos mercados puede ser muy arriesgado, ya que las reglas existentes pueden no ser efectivas para los nuevos mercados o productos. La expansión a nuevos mercados significa que el comerciante no tiene la experiencia y el conocimiento para crear un nuevo conjunto de reglas, lo que significa que para cuando obtenga este conocimiento, estará expuesto a un alto riesgo de fraude.
  • El comerciante está expuesto solo a sus propios datos y, por lo tanto, no puede predecir de manera proactiva los patrones de fraude y ajustar en consecuencia. El comerciante se ajustará a los nuevos patrones de fraude solo una vez que esté expuesto a un nuevo comportamiento de fraude, que podría ser demasiado tarde.

Basados en Puntuación

Pros:

  • Las soluciones de puntuación brindan a los comerciantes control total y discreción sobre si aprobar, rechazar o revisar manualmente las transacciones.
  • La puntuación tiende a ser más barata que la garantía de contracargos por transacción

Contras:

  • Si la solución de prevención de fraude no funciona muy bien, el comerciante es el que sufre por ello, al tener una alta tasa de contracargo o una tasa de aprobación por debajo de lo deseado, mientras que no hay garantías reales de que el proveedor de prevención de fraude genere ingresos por transacción procesada.
  • Las soluciones de puntuación casi siempre requieren un equipo de revisión manual. Dado que la solución de puntuación solo ofrece una recomendación, la mayoría de los comerciantes utilizarán un equipo de revisión manual para revisar las transacciones dudosas. Un equipo de revisión manual no es escalable y puede afectar la experiencia del cliente, lo que a menudo conduce a un rendimiento subóptimo.
  • Es difícil determinar cuál es el puntaje correcto para determinar si aprobar o rechazar un pedido. Por ejemplo, si decide que cada transacción que recibe un puntaje menor a 12 será rechazada, ¿qué hace con una transacción con un puntaje de 12.14? El umbral necesita ser ajustado constantemente y algunas transacciones inevitablemente caerán cerca del umbral establecido. Si decide tener una operación de fraude un poco más compleja, podría decidir incluir 3DS para transacciones puntuadas como “ambiguas”. Pero con esta opción, un comerciante se arriesga a que este segmento se encuentre con altas tasas de abandono del consumidor y altas tasas de declive que generalmente están asociadas con 3DS.

Aprendizaje automático

Pros:

  • Permite que cientos o miles de árboles de decisión se agreguen en un modelo para tomar una decisión más precisa.
  • Se trata de tecnología proactiva que sabe aprender de sus propios errores y mejorar incluso sin intervención humana.
  • Es una solución proactiva que utiliza un amplio efecto de red, permitiendo que el modelo identifique y mitigue patrones de fraude y anillos de fraude desde el principio, y se ajuste automáticamente.

Contras:

  • Es muy complejo crear modelos de aprendizaje automático buenos y precisos. Los modelos deben ser específicos de la industria y, a veces, geoespecíficos. Algunos proveedores se enorgullecen de usar la tecnología de aprendizaje automático cuando en realidad su rendimiento es subóptimo y el aprendizaje automático se está utilizando como una palabra de moda para atraer a los comerciantes.
  • Algunos proveedores esperan que los comerciantes participen activamente en la construcción o mejora de los modelos de aprendizaje automático utilizando el equipo de ciencia de datos del comerciante. Esto podría ser muy complejo y no estar dentro de las capacidades centrales del comerciante, requerir mantenimiento (como mantener reglas), no ser realmente efectivo y conducir a un rendimiento no deseado.

Garantía de devolución de contracargos

Pros:

  • Con las soluciones de garantía de contracargo, los incentivos de los vendedores y los comerciantes están alineados. Solo cobran por las transacciones aprobadas (que generan ingresos para los comerciantes), por lo que se esfuerzan por aprobar la mayor cantidad de pedidos posible. También son responsables de los contracargos relacionadas con el fraude, por lo que les conviene que las tasas de contracargos sean bajas.
  • Las soluciones de garantía de contracargos proporcionan una decisión binaria y definitiva de aprobar o rechazar un pedido. Esto simplifica la operación de fraude del comerciante, ya que no es necesario ajustar el umbral de fraude o tener capas de verificación adicionales.
  • Las soluciones de garantía de devolución aseguran un enfoque fuerte y constante en I + D, que es la esencia de cualquier solución de IA. Dado que el proveedor es responsable del coste del contracargo, es imperativo mitigar los ataques de fraude más recientes e innovadores con prontitud, mientras se mantiene una alta tasa de aprobación. Por lo tanto, ponen un fuerte enfoque en I + D para desarrollar herramientas para descubrir patrones de fraude de manera proactiva y precisa, creando un ciclo inevitable de valor de I + D.

Contras:

  • Las soluciones de garantía de contracargos generalmente tienen un coste mensual, lo que las hace más adecuadas para empresas más grandes y no tanto para PYMES con un bajo volumen de ventas mensuales en línea. Las soluciones de garantía de contracargos cobran una tarifa porcentual de cada transacción aprobada, por lo que el comerciante debe asegurarse de que el retorno de la inversión (ROI) al utilizar una solución de garantía de contracargo sea positivo.