SAN FRANCISCO—. Stripe ha lanzado hoy Radar 2.0, una solución que ofrece nuevas herramientas diseñadas para las organizaciones empresariales e incluye la mayor mejora hasta la fecha para sus modelos de machine learning.

Solo en 2017, Radar evitó intentos de fraude con un valor total de 4.000 M$, y lo hizo aprendiendo de las transacciones procesadas en la red de Stripe de cientos de miles de empresas y ayudando a los usuarios a adaptar las defensas a sus empresas concretas. Al trabajar con empresas y startups de vanguardia en más de 100 países, Radar combina de forma instantánea los datos de transacciones con la inteligencia de los bancos y las redes de tarjetas de crédito. Con el anuncio de hoy, Stripe pone un nuevo conjunto de herramientas avanzadas de prevención del fraude a disposición de los profesionales del riesgo de las empresas grandes.

«Ahora los modelos de machine learning de Stripe están entrenados con cientos de miles de millones de datos extraídos de la red de Stripe. Hemos utilizado estos datos para actualizar nuestros modelos de fraude y hemos ayudado a las empresas que usan Stripe a identificar con mayor precisión a los estafadores y a reducir las tasas de fraude hasta un 25 %, al tiempo que mantenemos unas tasas altas de aceptación», explicó Michael Manapat, director de ingeniería para Radar y machine learning de Stripe. «Con Radar for Fraud Teams, lanzamos herramientas para los equipos de lucha contra el fraude, en particular para los equipos de nuestros usuarios corporativos, y les damos los controles detallados para gestionar el fraude de manera más efectiva y eficiente».

Perfeccionamiento de Radar con mejoras de machine learning más rápidas

Hoy se ha realizado la actualización más completa de los modelos de machine learning desde su lanzamiento en 2016. Stripe ha añadido cientos de señales nuevas que distinguen a los clientes legítimos de los estafadores, lo que incluye patrones de compra que predicen en gran medida el fraude. Como resultado, los modelos actualizados de machine learning ayudan a las empresas a reducir el fraude hasta un 25 % adicional manteniendo, al mismo tiempo, altas tasas de aceptación de pagos).

La detección de proxies es un ejemplo de una señal nueva y altamente predictiva que se ha incorporado en los modelos de machine learning de Radar. Mide el tiempo de respuesta entre Stripe y el navegador de un posible estafador, lo que ayuda a determinar si está usando un proxy o una VPN.

Radar también evalúa constantemente patrones que son únicos para la empresa de un usuario. Ahora, con una frecuencia diaria, Radar actualiza y vuelve a entrenar sus modelos, evaluando al mismo tiempo el perfil de transacciones único de cada uno de los usuarios para determinar qué modelo conseguirá el mejor rendimiento. Al entrenar los modelos de machine learning para casos de uso específicos, Radar puede atender a empresas de todos los tamaños y tipos de manera precisa con resultados más exactos y eficaces. Dado que es un servicio basado en la nube, los usuarios se beneficiarán automáticamente de futuras actualizaciones diarias, con defensas que se adaptarán de manera aún más rápida a los cambios constantes de las tácticas de los estafadores.

Presentación de «Radar for Fraud Teams»

Al estar diseñado para equipos sofisticados de profesionales antifraude, Radar for Fraud Teams mejora la visibilidad y ofrece un control detallado para identificar y prevenir el fraude.

Ahora, los profesionales antifraude de organizaciones grandes pueden usar Radar como optimización para:

• Revisiones más rápidas y precisas: a la hora de revisar los pagos, Radar muestra la información pertinente y los pagos relacionados que ha procesado la empresa de un usuario. Al obtener una visión más amplia de atributos, como una ruta de compra típica o una falta de coincidencia entre el país de la dirección IP entrante y el país en el que se emitió una tarjeta, los profesionales del riesgo pueden evaluar de forma más rápida la actividad fraudulenta.
  
• Reglas personalizadas con información en tiempo real: ahora, la lógica de prevención de fraude de Radar se puede personalizar con reglas únicas (p. ej., «bloquear todas las transacciones de más de 1.000 $ cuando el país de la IP no coincida con el país de la tarjeta»). También previsualiza la regla en los datos históricos para ayudar a los profesionales del riesgo a evaluar su impacto en las transacciones activas.
  
• Umbrales de riesgo personalizados: Radar ayuda a los profesionales que gestionan el riesgo a maximizar los ingresos, permitiéndoles fijar umbrales personalizados a partir de los cuales bloquear los pagos.
  
• Bloquear y permitir listas: ahora, los usuarios tienen un modo sencillo de crear y mantener listas de atributos que se deben bloquear o permitir de manera sistemática (números de tarjetas, correos electrónicos y direcciones IP, entre otros).
  
• Abundantes datos analíticos sobre el rendimiento del fraude: Radar destaca las tendencias de las disputas para la empresa de un usuario, la efectividad de revisar los pagos marcados y el impacto de las reglas personalizadas para la empresa de un usuario.
  

«Las empresas en línea están experimentando cambios drásticos a medida que el fraude se vuelve más complejo, cada vez más internacional y más caro de combatir. Con una capacidad para aprender de los datos de manera constante, el machine learning ha surgido como una manera adaptativa y eficiente para evitar que se pierdan miles de millones de dólares», indicó Jordan McKee, analista principal de 451 Research. «Stripe Radar ahora pone esta capa de inteligencia a disposición de los equipos especializados de profesionales antifraude de las empresas y les proporciona datos y herramientas destinadas a mejorar su capacidad para combatir el fraude. También vemos que Stripe Radar se adapta a las empresas multinacionales, que pueden utilizarlo para potenciar sus equipos internos antifraude con machine learning y herramientas de revisión contextual. Con el lanzamiento de hoy, Radar se convierte en el último ejemplo de cómo Stripe está ampliando su oferta de productos para atender a empresas cada vez mayores y más sofisticadas».

Radar for Fraud Teams ya ha facilitado la gestión del fraude y ha logrado que sea más eficaz para Watsi, Fitbit, Restocks y Patreon, entre muchas otras empresas. Para obtener más información, visita stripe.com/radar.