Patrones de conducta y tendencias de fraude en línea

Introducción

En 2016, se calcula que 1 610 millones de personas en todo el mundo compraron mercancías en línea, y las ventas minoristas globales por Internet alcanzaron los 1,9 billones de dólares. Las proyecciones recientes muestran un crecimiento de hasta 4,06 billones de dólares que se gastarán en Internet para 2020, y el tráfico provendrá cada vez más de dispositivos móviles.

Lamentablemente, las compras por Internet no son lo único que aumenta: como las tarjetas con chip han logrado que sea más seguro comprar en las tiendas tradicionales, los defraudadores apuntan cada vez más a las tiendas online, y estas empresas de Internet son responsables no solo de detectar el fraude, sino de pagar los costes asociados. En promedio, cada dólar en pedidos fraudulentos le cuesta a una tienda online 2,62 $ y a una tienda de aplicaciones, 3,34 $.

¿Qué pueden hacer las empresas que operan en Internet? Stripe analizó los datos sobre fraude de varios años para buscar tendencias por país, la hora del día y otras conductas que ayudaran a orientar las estrategias de las empresas para luchar contra el fraude. Si bien el fraude, sin duda, puede manejarse definiendo sofisticadas reglas de pago o instalando software antifraude, nosotros esperamos que estos datos también ayuden a las empresas a comprender mejor los puntos en que se apoya la conducta fraudulenta a fin de crear estrategias específicas que se adecuen mejor a su negocio.

Índices de fraude por país

Los datos de Stripe indican que los índices de fraude en algunos países que emiten tarjetas pueden ser de 2 a 3 veces más altos que los índices de otros países. El fraude aparece en especial en las compras con tarjetas de consumidores de Argentina, Brasil, India, Malasia, México y Turquía, si bien las tarjetas de EE. UU., Canadá y Francia también son susceptibles. Es importante destacar que estos índices todavía corresponden a un pequeño porcentaje del volumen total de compras, de modo que los comerciantes deben tener cuidado para no bloquear transacciones legítimas. Las posibles soluciones para resolver el fraude específico de cada país consisten en probar reglas que se basen en la geografía o buscar más información (números de CVV, direcciones completas, etc.) en las compras con tarjeta de esos países.

Índices de fraude globales por porcentaje de transacciones

Mapa del fraude

Notas: algunos países fueron excluidos debido a un menor volumen de transacciones.

Fraude según el día y la hora

No es de extrañar que Stripe haya descubierto que los índices de fraude aumentan en las vacaciones y en la temporada de verano, pero con algunas características inusuales. Por ejemplo, los índices de fraude no aumentan notablemente en días en que se hacen muchas compras como es el Black Friday, sino más bien en días como Navidad cuando muchas personas no hacen compras a pesar de lo cual los defraudadores continúan operando. Stripe también descubrió que los índices de fraude son menores en los pagos recurrentes, muy probablemente porque estas transacciones implican un servicio de suscripción o relación extendida que las empresas han verificado a lo largo del tiempo.

Fraud rate: share of transactions
chart1201620152014DecNovOctSepAugJulJunMayAprMarFebJanShare %
Fraud rate: share of transactions non-recurring payments
chart2201620152014Jan 1Dec 17Dec 3Nov 10Nov 5Share %Black Friday ‘14ChristmasBlack Friday ‘15Black Friday ‘16

El hallazgo de que las tasas de fraude aumentan en los "momentos de tranquilidad" también se aplica cuando se analiza la hora del día. Al hacer el ajuste a la zona horaria local de cada país, vemos que el tráfico se intensifica durante las horas de trabajo y se desploman en horas de la noche. Sin embargo, las tasas de fraude siguen un riguroso patrón invertido, ya que se intensifican tarde a la noche y caen durante el día. Es probable que esto refleje la dispersión geográfica más amplia de los estafadores que pueden estar operando en forma remota en todo el mundo, realizado sus actividades durante las horas en que los clientes habituales de las empresas duermen

Transaction volume by time and day
chart3SatFriThurWedTuesMonSunHour of Day 0-24 Local Time0123456789101112131415161718192021222324Transaction volume
Fraud rate as share of transactions by time and day
chart4SatFriThurWedTuesMonSunHour of Day 0-24 Local Time0123456789101112131415161718192021222324Fraud rate as share of transactions

¿Cómo deben posicionarse las empresas respecto de la lucha contra este fenómeno del día y la hora? La solución podría consistir en intensificar la investigación de las transacciones que se realizan fuera del horario comercial normal, ya sea a través de revisiones manuales o de filtros más rigurosos. De esta forma, se podría prevenir que los defraudadores actúen mientras las empresas están de vacaciones o celebrando Navidad.

Conducta fraudulenta en comparación con la conducta normal

Un hecho interesante respecto de las transacciones fraudulentas es que suelen ser pequeñas. Esto resulta sorprendente dado que los defraudadores no están pagando por los productos que compran. En los Estados Unidos, los datos de Stripe indican que los importes de las transacciones fraudulentas solo son levemente mayores que los importes de las transacciones habituales. Sin embargo, en muchos otros países, las transacciones fraudulentas son significativamente más grandes que las normales (por lo general, dos veces más, y en algunos países, más de cinco o incluso diez veces más grandes).

Nota: en todos los países, el fraude es un pequeño porcentaje de las transacciones totales; los siguientes gráficos han sido adaptados a los fines de la comparación; datos del año 2016 únicamente.

Distribution of transaction amount in Australia
chart5FraudulentNon-fraudulentTransaction amount ($)Likelihood
Distribution of transaction amount in Finland
chart6FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in France
chart7FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Germany
chart8FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Italy
chart9FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Japan
chart10FraudulentNon-fraudulentTransaction amount (¥)Likelihood
Distribution of transaction amount in Netherlands
chart11FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Norway
chart12FraudulentNon-fraudulentTransaction amount (kr)Likelihood
Distribution of transaction amount in Singapore
chart13FraudulentNon-fraudulentTransaction amount (S$)Likelihood
Distribution of transaction amount in Spain
chart14FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Sweden
chart15FraudulentNon-fraudulentTransaction amount (kr)Likelihood
Distribution of transaction amount in U.K.
chart16FraudulentNon-fraudulentTransaction amount (£)Likelihood
Distribution of transaction amount in United States
chart17FraudulentNon-fraudulentTransaction amount ($)Likelihood

Los defraudadores muestran una marca distintiva muy reveladora en cuanto a dónde y cómo suelen hacer compras, especialmente en el caso de compras repetidas con la misma tarjeta robada. Lamentablemente, el fraude repetido con una misma tarjeta es común: más del 40 % de las tarjetas en peligro aceptan cargos por más de una transacción fraudulenta.

En primer lugar, los defraudadores le compran varias veces al mismo comerciante en lugar de comprar productos de varias empresas. Por ejemplo, los casos de tarjetas con cuatro cargos fraudulentos suelen corresponder a transacciones con el mismo comerciante, mientras que los casos de tarjetas con cuatro cargos normales suelen corresponder, en promedio, a transacciones con dos empresas diferentes. En segundo lugar, la velocidad con que los defraudadores hacen estas compras repetidas es mucho mayor que en las transacciones normales. De hecho, estos cargos consecutivos se efectúan con una velocidad diez veces mayor que la acostumbrada entre titulares reales de tarjetas.

Este notorio patrón de compras a "alta velocidad" en un solo comercio contradice la noción de que los defraudadores tratan de integrarse a los patrones de transacciones normales de los titulares de las tarjetas. Una lección que las empresas deben tener en cuenta en este caso es que tienen que ser cautelosos con las transacciones en rápida sucesión efectuadas con la misma tarjeta de crédito. Si bien, como siempre, es importante no bloquear las transacciones legítimas con reglas generales.

Buying from the same merchant
chart18FraudulentNon-fraudulent0246810Number Transactions on Given Card11.522.5Number of distinct merchants
Distribution of time interval between transactions
chart19 Fraudulent Non-fraudulent Time Interval between TransactionsLikelihood

Conducta de los defraudadores según el sector

Los datos de Stripe también revelan que los defraudadores apuntan a ciertos tipos de empresas; las tendencias sugieren que su conducta está principalmente guiada por el temor a un arresto, por lo que no desean incorporarse con transacciones normales al extracto de facturación del titular de una tarjeta. Una cuestión clave para los defraudadores que operan en Internet es el envío. El envío de mercancías tangibles a una casa u oficina asociada con el defraudador, o con cualquier persona de su red social, conlleva riesgos evidentes.

Para evitar estos problemas, los defraudadores tienden a comprar productos que no requieren entrega o que se suelen enviar a lugares que no se relacionan con el comprador. Muchos servicios, en contraposición con las mercancías tangibles, no requieren envío. Los servicios más atractivos son los que se prestan en forma inmediata, antes de que haya oportunidad de detectar el fraude e invalidar el cargo. Una de las implicaciones es que los servicios "on demand" son un blanco atractivo para el fraude. También sobresalen los bienes de consumo básicos, tal vez porque los defraudadores asumen que las autoridades no priorizan el robo de bajo riesgo.

Conclusión

Como las conductas de consumo y las estrategias de fraude siguen evolucionando, las empresas deben advertir que estas tendencias globales dañan la superficie de los patrones de macrodatos que se pueden usar para detectar el fraude. La prevención eficaz del fraude toma en cuenta el contexto específico de la empresa. Los modelos de Machine Learning permiten enfrentar este desafío al incorporar muchos matices específicos del contexto con el fin de rechazar solo las transacciones más sospechosas, en lugar de implantar normas generales que fácilmente pueden terminar bloqueando transacciones legítimas. Los comerciantes deben trabajar con los procesadores de pagos, con Machine Learning y otras tecnologías para optimizar esta compleja solución intermedia entre detener el fraude y maximizar la rentabilidad.

Metodología

Al realizar el análisis para el informe, Stripe examinó datos de transacciones de cientos de miles de clientes en 25 países. El mapa de riesgo de los índices de fraude globales por porcentaje de transacciones incluye solamente los datos de 2016 y excluye a los países con menores volúmenes de transacciones. El gráfico de fraudes por día del mes muestra datos acumulados de 2014 a 2016 en todos los países donde opera Stripe, adaptado según los horarios de trabajo de cada zona horaria. El gráfico "Índice de fraude como porcentaje de transacciones por hora y día" incluye los datos de 2016 únicamente y ha sido adaptado para una comparación con el "Volumen de transacciones por hora y día". Los histogramas de países incluyen datos de 2016 únicamente, y las distribuciones no fraudulentas y fraudulentas se adaptaron para efectuar la comparación. Finalmente, las figuras Compra al mismo comerciante y Distribución del intervalo de tiempo entre transacciones incluyen los datos de 2016 únicamente.

Volver a las guías
You’re viewing our website for Finland, but it looks like you’re in the United States. Switch to the United States site