Análisis predictivo para la detección de fraude
Sistemas de detección de fraude basadas el uso del análisis predictivo.
Detección de fraude: cada día se realizan millones de transacciones con tarjetas de crédito, debido y otros sistemas electrónicos. De hecho, en España un 16% de las transacciones se realizan de forma electrónica [1]. Por lo tanto, los ciberdelincuentes han centrado su foco en este lucrativo negocio y cada día están perfeccionando las técnicas de fraude tanto en los fraudes de tarjeta “presente” como en los que no lo está.
Pero, más allá de estos dos términos fácilmente entendibles, los expertos en ciberseguridad hablan de smishing, hacking o robo de identidad que suelen resultar extraños para el púbico en general y en IT Travel creemos que son clave para que los usuarios intercambien bienes y servicios de forma segura en la red.
Algunos de ellos
Clonación: duplicación de tarjetas de crédito.
Robo de identidad: suplantación de identidad.
Phishing: técnicas de engaño para que revele información personal: contraseñas, tarjetas, cuentas bancarias…
Hacking: acceso a un sistema informático vulnerando las medidas de seguridad establecidas.
Smishing: técnicas de ingeniería social dirigidos a los usuarios de telefonía móvil. Es una variante del phishing.
En este sentido, los fraudes más peligrosos son los que implican robo de identidad online y de los datos de la tarjeta. Por eso las instituciones públicas como el BCE y privadas como PayPal o Visa están realizando esfuerzos importantes para prevenir este tipo de fraudes.
En los últimos tiempos, en la lucha contra el fraude en las compras por internet se ha pasado de un sistema de reglas predefinidas a sistemas de detección de fraude basadas el uso del análisis predictivo vía implantación de herramientas de machine learning en los sistemas web.
¿cuál es la diferencia entre ellos?
Sistema de reglas predefinadas.
Un sistema de reglas predefinidas identifica los casos en base a una serie de variables predefinidas clasificados como “malos” (origen de la transacción, importe, producto, etc.) y literalmente corta las transacciones sin evaluar si es legítima o no facilitando que un buen hacker “aprenda” esas reglas genéricas y se aproveche de ellas.
Machine learning
En cambio, un algoritmo de machine learning evalúa probabilísticamente una a una las transacciones en base a su experiencia y entrenamiento con casos reales y considera cada una de las particularidades de las transacciones antes de clasificarla como legítima o no. Además, se caracterizan por ser más “ligeras” y facilitar que la web cargue más rápido.
En IT Travel Services vemos las técnicas de machine learning como la incorporación del factor “humano”, aunque en este caso se trate de una “máquina”, al sistema de detección de fraude.
¿Qué se puede conseguir con un sistema de Machine Learning?
En este sentido, un sistema de machine learning se basa en diferentes técnicas estadísticas y la combinación de diversas fuentes de datos (origen de la transacción, importe, tipo de dispositivo, etc.) con el fin de que un algoritmo diseñado a la medida de cada negocio pueda clasificar automáticamente una transacción como fraudulenta o no y cortar su desarrollo antes de que se produzca el fraude.
La implementación de estos sistemas de machine learning permiten:
- Aumentar la eficiencia en muchos otros departamentos de la organización por lo que aumenta la rentabilidad de la empresa.
- Reducir el número de reclamaciones de clientes, en las que sus transacciones han sido clasificadas como fraudulentas por un sistema de reglas predefinidas, cuando en realidad no lo son.
[1] Consejo Económico y Social de España (2016). Informe Nuevos Hábitos de Consumo, Cambios Sociales y Tecnológicos.
