Prueba de concepto: machine learning para reducir el fraude bancario

México encabeza la lista de los países con más fraudes bancarios en todo el mundo

El machine learning (ML) ya es habitual en nuestro día a día. El ejemplo más claro es cuando abrimos una aplicación o un buscador y por arte de magia aparece algo que habíamos estado buscando. No es casualidad. Detrás de ese tipo de experiencias se encuentra una innovación impulsada por la analítica, en la que todos participamos, formando una impresionante fuente de información, mediante el uso de plataformas digitales cotidianas (páginas web, redes sociales, entre otras). Dicha tecnología, que pertenece al ámbito de la inteligencia artificial (IA), no es más que un sistema que puede aprender patrones, tendencias y relaciones de manera autómata.

Gracias al poder analítico del machine learning, al seguir las huellas digitales que va dejando un usuario en sus actividades, se pueden definir parámetros para detectar acciones que antes era más difícil prever. Hoy en día, para las empresas, es una herramienta que les permite proyectar escenarios, resaltar anomalías, detectar clientes con un alto perfil de riesgo, e incluso prevenir operaciones que puedan esconder fraudes.

México, líder mundial en fraudes bancarios

Según un reportaje hecho por un diario mexicano y un estudio realizado por MasterCard, México encabeza la lista de los países con más fraudes bancarios en todo el mundo, superando hasta en cinco veces a las naciones europeas. Los resultados revelan que este delito está estrechamente ligado al robo de identidades y a organizaciones mundiales de defraudadores.

Tan solo en diciembre del año pasado se incrementó un 69% el fraude a poseedores de tarjetas de crédito, lo que supone un riesgo para el usuario y un negocio poco rentable para la empresa.

Lo casos más comunes de fraudes son el uso indebido de cajeros (movimientos no reconocidos) con un 33%, mientras que la clonación de tarjetas ocupa un 35%. La mayoría de los reportes por fraude son a través de comercio electrónico, con más de 4 millones de casos anuales y un desfalco que asciende a los 250 millones de dólares. Este tipo de fraudes cibernéticos con tarjetas robadas o información sustraída a los clientes aumentaron un 25%.

Aunque los fraudes generalmente se realizan por medio de los llamados “skimmers”, que copian los datos de las bandas magnéticas de las tarjetas, otras formas muy comunes de robarlos son mediante la generación aleatoria de contraseñas, el uso de programas maliciosos o el “hackeo” de tiendas en línea.

Machine learning para aprender a detectar el fraude

En Nae estamos realizando pruebas de concepto (PoC) con diferentes instituciones bancarias y financieras aplicando machine learning a través de DataRobot, una de las soluciones líderes a nivel mundial. El proceso consiste en buscar, entre millones de combinaciones de algoritmos, el modelo de aprendizaje automático ideal para predecir transacciones fraudulentas y actividades sospechosas.

Con estas pruebas de concepto también se consigue brindar a nuestros clientes una primera toma de contacto con herramientas de análisis predictivo. Gracias a la interfaz intuitiva, basada en la web, se logra que cualquier persona pueda interactuar con la plataforma.

Independientemente de la experiencia con el machine learning, los usuarios pueden elegir los modelos y parámetros de su elección para que el sistema los evalúe y, posteriormente, implementar soluciones que ayuden en la toma de decisiones.

Nae es partner certificado de DataRobot para soluciones de machine learning automatizado e inteligencia artificial orientadas a la empresa, y especialista en automatizar el flujo de trabajo de la ciencia de datos, tanto para la recomendación de algoritmos como para la construcción de modelos predictivos.