IA vs Fraudes en eCommerce
Cinco tipos de fraudes en comercio electrónico que puede detectar la Inteligencia Artificial.
Las transacciones económicas realizadas a través de Internet han registrado un crecimiento en el último año debido a la pandemia. Sin embargo, éstas ya experimentaban un incremento de aproximadamente el 23% anual antes de la crisis sanitaria, lo que muestra cómo el comercio electrónico se ha consolidado como uno de los canales de venta imprescindibles para los negocios.
Sin obviar que el canal online es clave para mejorar los beneficios de las empresas, también conlleva riesgos y los fraudes a través de Internet se han incrementado exponencialmente en los últimos años, “obligando a las empresas a mejorar sus sistemas de detección y a los usuarios a estar más alerta ante ataques de ingeniería social como Phising o Pharming”, explican desde Shapelets, plataforma española de análisis de datos de series temporales en el ámbito del Big Data.
Ante esto, desde la compañía señalan que la Inteligencia Artificial (IA) se ha convertido en la mejor aliada del ecommerce para detectar fraudes ya que facilita que los comercios identifiquen posibles estafas gracias a alteraciones en los patrones como los que recoge, a continuación, Shapelets:
Fraudes habituales. La Inteligencia Artificial aprende de las transacciones del pasado que fueron fraudulentas y que aparecen en la base de datos de cada empresa. Así, gracias a esta base de datos histórica los comercios electrónicos pueden construir un sistema que aprende e identifica patrones ya conocidos para detectar si una transacción es fraudulenta o no. Estas métricas servirán también para predecir la probabilidad de que una nueva transacción sea fraudulenta.
Fraudes nuevos. Cuando la estafa es nueva y no existen patrones previos que alerten de un fraude, la Inteligencia Artificial, se enfoca en este caso en detectar anomalías. Por ejemplo, identificando en tiempo real transacciones poco habituales que alertarán de que podemos estar ante una actividad sospechosa. Las transacciones identificadas como anómalas por la IA podrán ser validadas por un operador humano o bien directamente bloqueadas, en función del grado de confianza de los algoritmos y/o del importe de las transacciones. De esta manera se busca ofrecer una mayor seguridad minimizando el bloqueo de transacciones legítimas.
Combinación de fraudes habituales y nuevos. En este caso la Inteligencia Artificial tiene en cuenta tanto la base de datos histórica de fraudes como las alteraciones nuevas que se detecten. Así, la IA aprenderá según se modifiquen los patrones de comportamiento, mejorando la detección de posibles fraudes ya que irá incorporando en sus modelos los patrones que permiten identificar nuevas estafas.
Detección de chargebacks fraudulentos. Cuando el cliente impugna una transacción realizada con tarjeta y solicita el reembolso a su banco porque no reconoce el cargo o porque ha devuelto el producto, se produce el chargeback. Sin embargo, esta acción puede ser un fraude ya que, en ocasiones, el cliente hace estas devoluciones del cargo a pesar de haber recibido el producto, generando un perjuicio claro al comercio. Ante esto la Inteligencia Artificial, puede usar la experiencia previa del cliente para alertar al comercio electrónico de que están ante una potencial actividad de riesgo.
Fraude con tarjetas. En este caso estamos hablando de la clonación de tarjetas de crédito o robo de información. Habitualmente, las compras que se hacen con tarjetas clonadas proceden de países donde el titular no reside por lo que la Inteligencia Artificial, puede detectar este patrón para alertar del posible fraude y del robo de la información.
Por último, desde Shapelets recogen que gracias a la Inteligencia Artificial las empresas incrementan no sólo la capacidad de procesamiento de grandes volúmenes de datos, si no la mejora en el rendimiento del aprendizaje automático de forma progresiva, lo que les permite hacer predicciones que detecten posibles fraudes de forma más rápida, sencilla y eficaz gracias al histórico de las series temporales de datos existentes.
