Así como el comercio electrónico se ha sofisticado y expandido, también lo ha hecho el riesgo de fraude. En los últimos años, cada vez son más los usuarios que han sufrido el robo de los datos de su tarjeta de crédito. Estos crímenes no han hecho más que aumentar y cada vez es más complicado contabilizarlos e identificarlos.
Aunque la tecnología hace que el fraude sea más persuasivo, también proporciona herramientas más poderosas a los usuarios para estar protegidos. El ‘machine learning’ es uno de estos instrumentos que promete alterar de manera radical la balanza de poder entre los ciudadanos y los criminales que buscan defraudarlos.
La creciente amenaza del fraude moderno
Si bien los costes asociados con el robo de tarjetas de crédito son bien conocidos, solo representan uno de los muchos peligros que supone el fraude digital hoy día. El robo de identidad, la toma de control de cuentas y las filtraciones de información son algo común y suponen algo más que el coste económico para sus víctimas.
Tras una serie de violaciones de datos a gran escala como sucedió con los comercios Target y Home Depot, el 45% de las conexiones domésticas han notificado que evitaron realizar compras y otras transacciones por Internet por sus reservas en cuanto a la seguridad.
Los intentos de fraude también plantean un riesgo en cuanto a temas legales, pérdida de información sensible y otros costes adyacentes que pueden causar daños a posteriori.
Tom Galvin, director ejecutivo de la asociación de consumidores, Digital Citizens Alliance, explicó que lo que se exige de los líderes, “tanto si trabajan desde la Presidencia del país como desde las empresas tecnológicas, es que combatan esta epidemia de crimen online. El ciudadano debe sentirse seguro tanto si están comprando en un centro comercial como si lo hacen a través de Amazon”.
Digital Identity Tracking
Uno de los mayores retos a los que las compañías online se enfrentan es la verificación de identidades de los diferentes compradores, así como de la autenticidad de sus transacciones. El machine learning ofrece nuevas herramientas, como Segment-of-One approach que facilita de manera rápida y detallada la localización del consumidor dentro de toda la red. Esto permite a las empresas tener una mejor visión del comportamiento de cada individuo y rápidamente identificar cuentas y transacciones potencialmente sospechosas.
Este sistema es capaz de procesar enormes cantidades de información de manera más veloz y efectiva que lo haría un ser humano. De esta manera, el proceso se mejora y el resultado obtenido es más depurado lo que ayuda a conseguir una mejor base de datos y más fiable.
Luchando contra el fraude con Advanced Analytics
Los comercios online emplean cerca de un siete por ciento de sus ingresos totales para combatir el fraude. Para ello, hacen uso de estrategias de detección y prevención en un intento por anticiparse a las novedades de los defraudadores. Entre las muchas herramientas que ofrece la tecnología machine learning, destacan tres métodos analíticos generales: la analítica descriptiva, la analítica predictiva y el análisis de red social:
Descriptive Analytics
También llamado aprendizaje no supervisado, puede revisar conjuntos de datos para identificar transacciones o comportamientos que se salen de lo ‘normal’. Esto se consigue con una combinación de técnicas, incluyendo las normas de seguridad, peer group analysis y clustering.
Predictive Analytics
En este caso hablamos del aprendizaje supervisado que usa conjuntos de datos históricos que contienen ejemplos conocidos de fraudes para crear modelos sofisticados que pueden ser aplicados en la detección en tiempo real. Ya que se nutre de casos reales, no puede detectar actividades desconocidas con antelación, pero aprovecha el poder de la logística y la regresión lineal para analizar una gran cantidad de datos y crear modelos de detección altamente sofisticados.
Social Network Analysis
Una de las herramientas más populares para la detección del fraude es Social Network Analysis (SNA), que emplea detección comunitaria, caracterización y otros instrumentos visuales y de análisis para detectar patrones y conexiones por toda la red. Esta técnica ayuda a ganar perspectiva dentro, no solo en cuanto a actores y acciones individuales se refiere, si no también en las conexiones entre ellos. Esto facilita una extensa y nueva visión para entender cómo sucede el fraude y cómo puede ser detectado y prevenido.
Categorías