El fraude en los pagos en línea puede ser un asunto desafiante. Evitar un incidente no solo es tarea del proveedor de servicios de pago, quien es el responsable de crear una plataforma de pago segura que no se pueda falsificar, sino que el pagador también necesita estar atento a las continuas amenazas y ajustar sus acciones y hábitos en base a ellas.
Los expertos en la materia de SAS, empresa de inteligencia de negocio y analítica, han compartido sus opiniones sobre estrategias, tácticas y diseños analíticos para facilitar la reducción de pérdidas en transacciones fraudulentas. Sus ideas se dividen en dos áreas: tendencias generales en pagos y fraude, y nuevas fuentes de riesgo de fraude.
Tendencias generales en pagos y fraude
Se suponía que la digitalización ayudaría a reducir el fraude, pero, desafortunadamente, los estafadores también se enamoran digitalmente. Este proceso tecnológico favorece el anonimato y la autocertificación, y muchas empresas todavía usan reglas rígidas que los estafadores pueden manipular fácilmente. En base a esto, los expertos de SAS argumentan que los proveedores de seguros deben comenzar a buscar patrones y anomalías sospechosas y es aquí donde la analítica realmente puede ayudar.
Asimismo, los especialistas creen que lo digital, especialmente el móvil, es un gran problema para el fraude de pagos. Señalan que lo que lo hace tan atractivo para los clientes, por ejemplo, la conveniencia y la velocidad, también lo hace atractivo para los estafadores. El aprendizaje automático (machine learning) y la analítica híbrida se están convirtiendo en herramientas vitales para ajustar los sistemas de detección de fraude.
Uno de los principales fraudes de pagos es el electrónico. Desde SAS explican que probablemente el ejemplo más prominente de estos son las estafas de correo electrónico, entre los que se encuentran el phishing, spoofing e ingeniería social. Para detectar patrones y prevenir proactivamente este tipo de engaños se está utilizando la analítica avanzada y el aprendizaje automático.
El machine learning se ha utilizado en la detección de fraudes durante muchos años, aprovechando los ciclos de retroalimentación para preparar el modelo analítico. Es importante recordar que las máquinas, incluso las llamadas inteligentes, necesitan que los humanos investiguen posibles fraudes.
Ninguna discusión sobre pagos electrónicos estaría completa sin mencionar las API o interfaces de programación de aplicaciones. Estas pequeñas piezas permiten que diferentes partes del software se comuniquen entre sí, incluyendo, por ejemplo, sitios web como Amazon y eBay, y sistemas de pago como PayPal. Las API están en todas partes, incluso en la analítica, y solo aumentarán en importancia a medida que se abra el mercado de pagos.
