En 2024, solo los clientes de EE. UU. perdieron USD 12,500 millones por fraude, un aumento del 25 % en comparación con el año anterior. En muchos casos, el fraude parece una transacción normal hasta que deja de serlo: un bot de prueba de tarjetas puede enviar docenas de cargos pequeños en diferentes tarjetas en cuestión de minutos, un actor fraudulento puede usar credenciales robadas para realizar un pedido de alto valor con envío rápido, o un cliente podría disputar un cargo que realmente autorizó.

El mejor software de detección de fraude ayuda a identificar estos patrones antes de que se conviertan en contracargos, mediante el uso de lógica basada en reglas, machine learning (ML) y señales de transacción en tiempo real para separar las compras legítimas de las fraudulentas. A continuación, explicaremos cómo funciona el software de detección de fraude, qué características son importantes al evaluar una solución de prevención de fraude y cómo adaptar un sistema a la exposición al fraude de tu empresa.

Puntos clave

• La detección de fraude moderna utiliza lógica basada en reglas, ML o ambas para detectar patrones de fraude conocidos, así como tácticas emergentes que las reglas estáticas pasarían por alto.

• Las tasas de falsos positivos importan tanto como las tasas de detección, ya que bloquear a clientes legítimos genera su propia pérdida de ingresos.

• Las empresas que ya utilizan proveedores de pago con detección de fraude nativa a menudo pueden omitir la integración de terceros. Las herramientas de detección de fraude integradas se basan en señales a nivel de red que las plataformas independientes a menudo tienen dificultades para replicar.

¿Qué es el software de detección de fraudes?

El software de detección de prevención de fraude evalúa las transacciones para identificar y bloquear la actividad fraudulenta antes de que genere disputas, bienes robados o cuentas comprometidas. Generalmente, se sitúa entre el intento de transacción y su aprobación, y aplica una combinación de reglas, modelos y señales para decidir si un pago debe procesarse.

¿Cómo funciona el software de detección de fraudes?

Los sistemas de detección de fraudes difieren en la forma en que deciden qué bloquear. Hay sistemas basados en reglas y sistemas basados en machine learning.

Detección basada en reglas

Los sistemas basados en reglas aplican lógica condicional a las transacciones entrantes: si una transacción excede un cierto monto en dólares, se origina en una región de alto riesgo o desencadena una verificación de velocidad (p. ej., más de cinco compras con la misma tarjeta en 10 minutos), se marca o se bloquea.

La ventaja es la transparencia: puedes ver exactamente por qué se marcó una transacción. La limitación es que las reglas solo detectan lo que anticipaste cuando las escribiste. Un patrón de fraude que no has visto antes no activará ninguna regla hasta que actualices tu lógica.

Modelos de machine learning

La detección con machine learning aprende de los datos históricos de transacciones para identificar qué es «normal» y marcar las desviaciones. Una sola transacción que provenga de un nuevo dispositivo o de un nuevo país, o que se haga a una hora inusual por un monto atípico podría parecer correcta con solo una de esas características. Pero cuando se combinan, la transacción puede tener una puntuación de riesgo alto. El modelo sopesa esas señales basándose en lo que es realmente predictivo en tu historial de transacciones.

La ventaja significativa sobre las reglas es la adaptabilidad: las tácticas de fraude cambian constantemente y los modelos de machine learning pueden detectar patrones emergentes antes de que hayas escrito una regla para ellos. La desventaja es la opacidad, ya que es más difícil explicar exactamente por qué se rechazó una transacción específica, lo que complica la revisión de falsos positivos.

En cualquier caso, estos sistemas deben funcionar en tiempo real en el momento en que se envía la transacción. Deberían trabajar lo suficientemente rápido para aceptarla o rechazarla antes de que se agote el tiempo de la sesión de confirmación de compra y sin introducir retrasos notables en el proceso de compra. Algunos sistemas también hacen un seguimiento del comportamiento en todo el flujo de compra e incorporan señales a nivel de sesión en la puntuación de riesgo incluso antes de que se envíe el pago.

¿Qué tipos de fraudes en los pagos puede detectar el software de detección de fraudes?

Las empresas suelen enfrentar algunos tipos de fraude de pagos diferentes: fraude de tarjeta no presente (CNP), prueba de tarjetas, apropiación de cuentas (ATO) y fraude amistoso. Cada uno de ellos explota una vulnerabilidad diferente en el flujo de transacciones y puede ser detectado por un software de prevención de fraude.

• Fraude de CNP: Un actor fraudulento utiliza datos robados de tarjetas para hacer compras en las que no se requiere una tarjeta física. La detección se basa en señales que el titular de la tarjeta no activaría normalmente, como direcciones de facturación y envío que no coinciden, huellas digitales del dispositivo inusuales y patrones de comportamiento anormales.

• Prueba de tarjetas: Los actores fraudulentos que obtienen números de tarjetas robados verifican cuáles están activos, generalmente enviando transacciones de cero dólares o de poco valor a través de muchas tarjetas en una rápida sucesión. Las verificaciones de velocidad y la huella digital del dispositivo son las principales contramedidas.

• Fraude ATO: En el fraude ATO, los actores maliciosos obtienen acceso a la cuenta de un cliente legítimo (a menudo mediante el relleno de credenciales, utilizando pares de nombre de usuario y contraseña filtrados) y utilizan métodos de pago almacenados para realizar pedidos. La detección utiliza señales de comportamiento (p. ej., inicio de sesión desde un dispositivo desconocido, cambios repentinos de contraseña seguidos de compras, cambios de dirección justo antes de un pedido de alto valor).

• Fraude amistoso: Un cliente completa una transacción legítima, recibe los bienes y luego disputa el cargo con su banco. El software de fraude puede ayudar al marcar cuentas con historial previo de disputas o compras que se ajusten a patrones conocidos, como bienes de alto valor con envío acelerado que pueden revenderse fácilmente.

¿Qué funciones son importantes en el software de detección de fraudes?

Las funciones más importantes dependen en gran medida del volumen de transacciones, la exposición al fraude y la configuración técnica. Sin embargo, algunas capacidades son importantes sistemáticamente.

Presta atención a lo siguiente:

• Precisión de detección: Un sistema que rechaza el 85 % del fraude y el 15 % de los pedidos legítimos está intercambiando una pérdida de ingresos por otra. Busca plataformas que publiquen tasas de falsos positivos junto con tasas de detección, ya que los dos números en conjunto indican mucho más que la tasa de detección por sí sola.

• Personalización de reglas: Los modelos prediseñados son un punto de partida. Casi siempre tendrás que incorporar la lógica de la empresa, como bloquear determinadas zonas geográficas, requerir 3D Secure para los pedidos que superen un determinado umbral y ajustar las puntuaciones de riesgo para los clientes habituales y seguros. Las plataformas que te permiten escribir y probar reglas personalizadas sin necesidad de tener soporte de ingeniería son considerablemente más flexibles en la práctica.

• Integración con la infraestructura de pagos: Una herramienta de fraude que requiera pasar los datos de transacciones a través de una API independiente introduce latencia y puntos de falla. Los sistemas integrados en el flujo de pago o creados de forma nativa en tu proveedor de servicios de pago evitan esa complejidad.

• Informes y gestión de casos: Cuando tu equipo revisa las transacciones marcadas, necesitan contexto: por qué se marcó la transacción, qué señales contribuyeron a ello y cómo eran las transacciones similares. El software de gestión de fraudes que muestra esto claramente hace que la revisión manual sea más rápida y te ayuda a refinar tus reglas a lo largo del tiempo.

• Escalabilidad: Un sistema que maneja tu volumen actual necesita manejar 10 veces ese volumen sin disminuir la velocidad o la precisión. Los momentos de mucho tráfico, como el Black Friday, suelen ver picos de fraude; en estos períodos de tiempo, además, es cuando menos deseas que haya retrasos.

¿Cuáles son los desafíos que plantea el software de detección de fraudes?

El software de detección de fraudes tiene dos tareas: marcar con precisión los intentos de fraude y no bloquear las transacciones legítimas. Uno de los desafíos más persistentes en la detección de fraude es encontrar un equilibrio. El software debe prestar especial atención a las señales de fraude sin crear frustración a los clientes legítimos.

Más allá de este trabajo continuo, los sistemas basados en reglas y los basados en machine learning se enfrentan a diferentes retos:

• Las reglas quedan obsoletas: Las tácticas de fraude cambian constantemente. Un conjunto de reglas que era eficaz hace seis meses puede tener lagunas notables hoy en día. Sin una revisión periódica, los sistemas basados en reglas tienden a la obsolescencia.

• La calidad de los datos para los modelos de machine learning varía: Los modelos de machine learning son tan buenos como los datos de los que proceden. Una plataforma con señales de transacción de millones de empresas de muchos sectores tendrá un modelo muy distinto al de una con una cobertura más reducida. A la hora de evaluar a los proveedores, pregunta específicamente por el alcance de sus datos de capacitación.

¿Cómo elegir el software de detección de fraudes para tu empresa?

La elección correcta del software de detección de fraudes depende de cómo funciona tu empresa. Necesitas un sistema que sea fácil de integrar, fácil de ejecutar y que coincida con el tipo de fraude que sueles ver.

Ten en cuenta estas variables:

• Volumen de transacciones: A volúmenes más bajos, la precisión del modelo de machine learning puede ser inconsistente si hay menos datos históricos sobre los cuales entrenarse. Además, los enfoques basados en reglas o híbridos pueden superar al machine learning puro a menor escala. Es probable que las empresas de gran volumen se beneficien más del machine learning porque los modelos tienen suficientes señales como para ser verdaderamente predictivos, pero las empresas más pequeñas todavía pueden beneficiarse de un modelo de machine learning a nivel de la red.

• Configuración técnica: Si utilizas un proveedor de servicios de pago con un servicio de detección de fraudes incorporado, ese es a menudo el punto de partida correcto. La complejidad de la integración es mínima y las señales de fraude ya están integradas en el flujo de pago. Si trabajas con varios procesadores o tienes una infraestructura compleja de confirmación de compra, es posible que necesites una plataforma de fraude independiente con un amplio soporte de integración.

• Recursos internos: Algunas plataformas de fraude requieren un trabajo de ingeniería significativo para configurarlas y mantenerlas; otras están diseñadas para que los equipos de operaciones no técnicos las gestionen directamente. Si no tienes un equipo de análisis o riesgo de fraude, inclínate por plataformas con modelos de análisis predeterminados sólidos e interfaces de reglas simples.

• Informes e integración del flujo de trabajo: Verifica que cualquier plataforma que evalúes se conecte al flujo de trabajo de gestión de disputas y exporte datos en formatos compatibles con tu pila de software de informes. Las herramientas de fraude que no se integran de manera simple generan un trabajo manual que puede compensar los beneficios de la automatización.

Cómo puede ayudar Stripe Radar

Stripe Radar utiliza modelos de IA para detectar y prevenir fraudes. Estos modelos, entrenados con datos de la red global de Stripe, se actualizan continuamente en función de las últimas tendencias de fraude, lo cual mantiene a tu empresa protegida a medida que evoluciona.

Stripe también ofrece Radar para Equipos de Fraude, que permite a los usuarios agregar reglas personalizadas que abordan situaciones de fraude específicas de sus empresas y acceder a información avanzada sobre fraude.

Radar puede ayudar a tu empresa a lograr lo siguiente:

• Prevenir pérdidas por fraude: Stripe procesa más de $1 billón en pagos al año. Este crecimiento permite que Radar detecte y prevenga el fraude con precisión y ahorre dinero.

• Aumentar los ingresos: los modelos de IA de Radar se entrenan con datos reales de disputas, información de clientes, datos de navegación y más. Esto permite que Radar identifique transacciones de riesgo y reduzca falsos positivos, lo que aumenta tus ingresos.

• Ahorrar tiempo: Radar se integra en Stripe y no necesita líneas de código para su configuración. También puedes controlar el rendimiento del fraude, escribir reglas y mucho más en una sola plataforma, lo que aumenta la eficiencia.

Obtén más información sobre Stripe Radar o empieza a utilizarlo hoy.