Los bancos y proveedores de servicios de pago se enfrentan actualmente a un gran desafío dado el auge del comercio en línea, lo que está generando un sustancial aumento en las transacciones de pago e intentos de fraude. A esto se suma el uso de tecnologías transaccionales (billeteras digitales o pagos a través de smartphones) que elevan la autonomía de las personas en su toma de decisiones de compra, lo que hace más fluido el proceso de venta. Sin embargo, el gran desafío es cómo hacer transacciones más seguras sin aumentar la fricción con el cliente.
El proceso de compra más usado en el último tiempo, y acelerado por la pandemia, consiste en sacar la tarjeta, introducir el PIN y obtener los productos o servicios. Todo esto, de forma rápida y fácil sin el uso de dinero en efectivo, ya sea a través de la web o en la tienda. Sin embargo, el consumidor no es consciente de los numerosos procesos de seguridad que se ejecutan detrás de cada transacción, para lo que es importante contar con sistemas de detección automática de fraudes a fin de proteger a los diferentes actores involucrados (cliente, comercio, banco emisor, banco adquiriente, etc.).
Para resguardar estos aspectos, la industria bancaria utiliza software diseñados para la prevención de delitos financieros, y hay casos en que se evalúa en tiempo real la probabilidad de riesgo de cada transacción. Esto tiene que funcionar de forma confiable para las millones de operaciones que se realizan cada día y, para lograrlo, los sistemas de prevención muchas veces emplean métodos basados en inteligencia artificial. Por ejemplo, se puede implementar modelos de aprendizaje de máquina complementados con modelos basados en conocimiento, como reglas con lógica difusa, siendo capaces de procesar miles de transacciones por segundo.
Hombre versus máquinas
La transparencia es una de las muchas razones por lo que la industria utiliza el método clásico (basado en reglas que surgen de la experiencia humana) para detectar el fraude, comparando el comportamiento de los clientes con patrones de fraude conocidos, lo que permite crear reglas sencillas y fáciles de entender. Sin embargo, los límites definidos en estas reglas son muchas veces identificados por los defraudadores, quienes operan sin ser descubiertos por los protocolos de seguridad.
Para evitar lo anterior, técnicas basadas en lógica difusa permiten reflejar el pensamiento humano con límites blandos que evitan estos problemas. Es así como las reglas basadas en conocimiento ofrecen una ventaja: si un experto identifica un nuevo patrón de fraude, puede introducirlo en el sistema para detener inmediatamente otros intentos de fraude de la misma naturaleza.
Por el contrario, el algoritmo de autoaprendizaje (IA tradicional) requiere significación estadística. Por tanto, los nuevos patrones deben repetirse para ser considerados fraudulentos, y es aquí donde un sistema híbrido, que mezcle ambos mundos, brinda mejores soluciones a la industria.
La prevención de riesgos y fraudes en el comercio electrónico debe ser segura y conveniente. Los comercios en sus canales digitales muchas veces se ven afectados por operaciones fraudulentas o pérdida de ventas por fricciones en el proceso. Las tecnologías que permiten la autenticación basada en riesgos resuelven esta contradicción mejorando la experiencia del usuario y, por lo tanto, optimizando las tasas de conversión y las ventas en línea.
