Desafío

Dos meses después del lanzamiento en los EE. UU., el primer mercado internacional de Sendle, la empresa comenzó a experimentar incidentes de fraude sofisticados y costosos nunca antes vistos en sus operaciones australianas.

Sendle se dispuso a combatir la actividad fraudulenta por su cuenta, pero aparecieron obstáculos a cada paso. Los/las ciberdelincuentes estaban creando múltiples cuentas en la plataforma Sendle a través de tácticas automáticas y manuales, que se usaban principalmente para revender etiquetas y realizar envíos utilizando datos de tarjetas robadas. Estas cuentas rotaban entre cientos de tarjetas de crédito y débito en diferentes bancos, lo que generaba contracargos. Sendle se dio cuenta de que crear un conjunto de herramientas de prevención del fraude por sí solo iba a ser un desafío, ya que requería una experiencia más profunda en fraudes y una inversión significativa de tiempo y recursos.

Solución

Afortunadamente, Sendle se asoció con Stripe para potenciar su procesamiento de pagos desde su creación. Como consecuencia, la empresa pudo implementar rápida y fácilmente las herramientas de prevención de fraude de Stripe para minimizar el impacto financiero y de recursos que el fraude estaba teniendo en la empresa.

Sendle eligió Radar para Equipos de Fraude de Stripe para proporcionar la primera capa crítica de protección contra fraudes y distinguir a los/las ciberdelincuentes de los/las clientes legítimos/as. El algoritmo de puntuación de machine learning de Radar detecta y bloquea el fraude, y debido a que Sendle ya se había asociado con Stripe Payments, se necesitó una implementación mínima, lo que hizo que esta fuera fluida y directa.

El equipo de Stripe trabajó en estrecha colaboración con los/las analistas de fraude de Sendle para crear un flujo de trabajo adaptado a los desafíos comerciales y de fraude únicos de Sendle. Como resultado, Sendle pudo agregar una serie de reglas personalizadas, aprovechar los atributos de las reglas como 3DS y configurar listas de bloqueos y permitidos para ajustar su protección contra fraudes.

Al centrarse en crear reglas en torno a la validación, los requisitos de 3DS, la coincidencia de IP y la geolocalización y la validación de tarjetas, el equipo de Sendle obtuvo mejores conclusiones sobre riesgos de las transacciones de los/las clientes incluso antes de que se realizaran los cargos en las tarjetas. Además, tener listas de bloqueos configuradas para direcciones IP, dominios de correo electrónico y huellas dactilares de tarjetas redujo en gran medida los casos de fraude y abuso en la plataforma Sendle, lo que evitó contracargos futuros.

La combinación del algoritmo de machine learning de Stripe y las reglas personalizadas de Sendle le permitieron a Sendle mejorar la protección contra fraudes y volver a encarrilar a la empresa para su estrategia de expansión en EE. UU.

Resultados

Desde que Sendle empezó a usar Radar para Equipos de Fraude de Stripe, logró un retorno de la inversión 11 veces mayor y redujo las pérdidas por fraude en casi un 30 % en los EE. UU. El mayor nivel de protección significaba que Sendle podía concentrarse en equilibrar su ambiciosa estrategia de crecimiento en los EE. UU. y mantener niveles bajos de fraude.

Dentro de un año de implementación, Radar para Equipos de Fraude de Stripe combatió los ataques significativos en la operación estadounidense de Sendle y complementó las estrictas medidas de seguridad propias de la empresa y el desarrollo y la expansión de su equipo interno de prevención de fraude.

Hoy, la herramienta se convirtió en una parte integral de la forma en que Sendle hace negocios. Con períodos de e-commerce de gran actividad como el Black Friday, la temporada navideña y el aumento general de las compras en línea posteriores a la pandemia, Sendle ahora puede administrar mayores volúmenes de paquetes sin preocuparse por las pérdidas financieras debido al fraude. Mediante la combinación de Radar con su modelo de fraude interno, Sendle protege de manera proactiva a sus clientes de pequeñas empresas, socios e ingresos.