El fraude de comercio electrónico se está convirtiendo en una amenaza mayor en todo el mundo. Uno de los principales impulsores es la naturaleza de tarjeta no presente (CNP) de las compras en línea, que crea una enorme superficie de ataque para cualquier persona dispuesta a abusar de ella. Se espera que el valor del fraude de comercio electrónico global crezca de alrededor de USD 56,000,000,000 en 2025 a USD 131,000,000,000 para 2030. Para abordar esta amenaza, la prevención eficaz del fraude de comercio electrónico combina controles superpuestos que atrapan cada uno lo que los demás pasan por alto.

A continuación, exploraremos los tipos de fraude comunes que afectan a los comerciantes minoristas en línea, cómo funciona la detección en tiempo real al nivel de las transacciones y cómo crear una estrategia de prevención en niveles que pueda atrapar a los actores fraudulentos sin rechazar a los clientes legítimos.

Puntos clave

• El fraude de comercio electrónico abarca múltiples tipos, como el fraude de CNP, el fraude amistoso y el robo de cuentas. Cada uno requiere diferentes controles para detectar y prevenir.

• La detección de fraudes en tiempo real asigna una puntuación de riesgo en función de las señales del dispositivo, los datos de comportamiento y las características del pedido. Esa puntuación de riesgo determina si el sistema automatizado aprueba, bloquea o revisa una transacción.

• Una estrategia de prevención en niveles combina modelos de machine learning con reglas personalizadas y controles de verificación en el proceso de compra para permitir la cobertura más amplia con la menor fricción para los clientes legítimos.

¿Qué es el fraude en el ecommerce?

El fraude de comercio electrónico es cualquier intento de completar una transacción en línea mediante el uso de información robada, falsa o manipulada para obtener bienes, servicios o dinero sin la autorización legítima. A diferencia del fraude en persona, no hay una tarjeta que robar físicamente ni un rostro que identificar; eso hace que el canal en línea sea más atractivo para los actores fraudulentos.

¿Cuáles son los tipos comunes de fraude de comercio electrónico?

Estos son algunos tipos comunes de fraude de comercio electrónico:

• Fraude CNP: Alguien usa credenciales de tarjeta robadas para realizar un pedido. El titular de tarjeta a menudo impugna el cargo con su banco, y la empresa pierde los bienes, los ingresos y, por lo general, una comisión de contracargo adicional.

• Fraude amistoso: Un cliente legítimo hace una compra, recibe el artículo, e impugna el cargo de todos modos. Afirman que no fue autorizado, que el artículo nunca llegó o que no era como se describía. Sin evidencia sólida, como confirmación de entrega, registros de protocolo de internet (IP) y huellas digitales de dispositivos, las empresas pueden perder estas disputas.

• Apropiación de cuenta: Un actor fraudulento obtiene acceso a una cuenta de cliente existente (a menudo mediante el relleno de credenciales utilizando pares de nombre de usuario y contraseña vulnerados), luego cambia la dirección de envío y realiza pedidos utilizando el método de pago almacenado. Debido a que la cuenta tiene un historial de compras legítimo, estos pedidos a menudo pasan los controles básicos de fraude sin emitir ninguna señal de advertencia.

• Abuso de devoluciones: Los clientes se aprovechan de las políticas de devolución flexibles para obtener reembolsos por artículos que ya han usado o devuelven productos dañados o diferentes. El fraude de reembolso afecta los márgenes de la misma manera que otros tipos de fraude, pero a menudo se trata como un problema operativo.

• Abuso de promociones y cupones: Los actores fraudulentos crean varias cuentas para reclamar repetidamente descuentos para clientes nuevos, bonificaciones por referidos o códigos promocionales. Esto es especialmente común con bienes digitales o productos de suscripción, en los que no hay un límite físico en la cantidad de veces que se puede repetir el abuso.

¿Qué prácticas recomendadas para la prevención de fraude de comercio electrónico deben seguir los comerciantes minoristas en línea?

Los programas eficaces de prevención de fraude combinan señales de detección, medidas de seguridad del proceso de compra y políticas internas. El monitoreo de transacciones debe vigilar las siguientes señales que, en conjunto, indican la probabilidad de fraude:

• Patrones inusuales: los múltiples pedidos desde la misma dirección IP, número de tarjeta o dispositivo en un breve período a menudo indican fraudes automatizados o ataques de carding (es decir, actores fraudulentos prueban números de tarjetas robados con transacciones pequeñas antes de hacer transacciones más grandes).

• Incompatibilidades de facturación y envío: un pedido donde las direcciones de facturación y envío están en diferentes países o donde el correo electrónico no coincide con el que está archivado para esa tarjeta aumenta la probabilidad de fraude.

• Señales de dispositivo y navegador: la huella digital del dispositivo captura atributos como la configuración del navegador, la resolución de la pantalla y las fuentes instaladas. Un dispositivo asociado previamente con un pedido fraudulento es un indicador de riesgo fuerte, sin importar qué tarjeta esté usando ahora.

• Características del pedido: pedidos de alto valor que se hacen inmediatamente después de la creación de la cuenta, múltiples unidades del mismo artículo de alta reventa y el envío acelerado para un destino donde no tiene sentido logístico son escenarios que justifican una inspección más exhaustiva.

En el proceso de compra, las comprobaciones de verificación adicionales pueden brindarte una mejor comprensión de quién está completando la transacción. Estas incluyen lo siguiente:

• Servicio de verificación de la dirección (AVS): comprueba si la dirección de facturación que introduce un cliente coincide con la que el emisor de la tarjeta tiene en sus archivos. Una coincidencia total no garantiza la legitimidad, pero una incompatibilidad puede ser una señal de riesgo importante.

• Comprobación del código de verificación de la tarjeta (CVV): esto confirma que la persona que hace el pedido tiene acceso físico a la tarjeta, no solo al número de tarjeta. Exigir el CVV en el proceso de compra es una práctica estándar.

• 3D Secure (3DS): agrega un paso de autenticación donde el titular de la tarjeta verifica su identidad con el emisor de la tarjeta directamente, a menudo mediante un código de un solo uso o un mensaje biométrico. Cuando la autenticación de 3DS se realiza correctamente, la responsabilidad de los contracargos por lo general se traslada de la empresa al emisor de la tarjeta.

Las reglas automatizadas te permiten establecer límites estrictos sobre el comportamiento de las transacciones: puedes bloquear todos los pedidos que se envían a una región de alto riesgo específica, requerir una revisión manual por encima de cierto valor del pedido o rechazar cualquier transacción donde falle el AVS y el pedido exceda un umbral establecido. El desafío es que las reglas son estáticas de forma predeterminada. Las tácticas de fraude cambian y las reglas que funcionaron de forma eficaz hace seis meses podrían generar pagos rechazados falsos hoy. Las tasas de bloqueos y falsos positivos necesitan una revisión periódica.

¿Cómo se detectan los pedidos fraudulentos en tiempo real?

Cuando un cliente hace un pedido, el proceso de detección de fraude comienza antes de que la solicitud de autorización del pago llegue a la red de tarjetas. Así funciona:

• Captura de datos: el sistema del proceso de compra recopila las señales del dispositivo, la dirección IP y el comportamiento de la sesión (p. ej., tiempo en la página, cadencia de tecleo, cómo se completaron los campos del formulario) junto con los detalles del pedido en sí.

• Evaluación de reglas: el pedido se compara con cualquier bloqueo basado en reglas, como los límites de velocidad de las transacciones, los países bloqueados y las restricciones de las tarjetas según el número de identificación bancaria (BIN). Los pedidos que sufren un bloqueo estricto se detienen aquí.

• Puntuación de riesgo: un modelo evalúa el conjunto completo de señales y produce una puntuación de riesgo al ponderar diferentes señales en función de qué combinaciones han precedido históricamente a los contracargos y disputas.

• Decisión: según la puntuación y los umbrales configurados, el pedido se aprueba automáticamente, se marca para revisión humana o se rechaza. Un equipo antifraude trabaja a través de la cola de revisión para evaluar manualmente los casos dudosos.

• Bucle de retroalimentación: cuando un pedido marcado se revisa manualmente y se aprueba o rechaza, ese resultado se retroalimenta al modelo y mejora la precisión de la puntuación futura.

¿Cuál es la diferencia entre las técnicas y herramientas de prevención de fraude de comercio electrónico?

Las técnicas de prevención de fraude de comercio electrónico son los enfoques analíticos que se utilizan para identificar fraudes. El software relacionado puede implementar esas técnicas a escala.

A continuación, se presentan algunas técnicas comunes:

• Comprobaciones de velocidad: marca una frecuencia de transacciones inusual dentro de un intervalo de tiempo. Esto es útil para atrapar los ataques de carding, donde los actores fraudulentos prueban lotes de números de tarjetas robados en rápida sucesión.

• Biometría de comportamiento: analiza cómo un usuario interactúa con un formulario (p. ej., movimiento del mouse, ritmo de las pulsaciones del teclado, patrones de autocompletar) para distinguir a los humanos de los bots que intentan automatizar el proceso de compra.

• Modelos de machine learning: se entrenan con datos históricos de las transacciones para identificar los patrones que preceden al fraude, incluidos los patrones que son demasiado sutiles para que los capten las reglas. Cuantos más datos de transacciones entrene un modelo de machine learning, mejor podrá distinguir los casos atípicos genuinos de los fraudes.

• Análisis de red: identifica las señales compartidas en todas las cuentas (p. ej., el mismo dispositivo, la misma IP, el mismo dominio de correo electrónico) para detectar anillos de fraude que operan en múltiples cuentas al mismo tiempo.

Stripe Radar aplica modelos de machine learning entrenados con datos de transacciones de toda la red de Stripe. Debido a que Radar ve patrones en millones de empresas, puede identificar señales de riesgo de que ninguna empresa individual tendría suficientes datos para detectar por su cuenta. Un número de tarjeta que apareció en una transacción fraudulenta en otro lugar de la red es una señal valiosa, incluso si es la primera vez que lo ves.

¿Cómo se crea una estrategia de prevención de fraude de comercio electrónico en niveles?

Una estrategia en niveles significa que ningún punto de falla permite que el fraude pase. Cada nivel atrapa lo que los demás pasan por alto.

Esto es lo que debería incluir una estrategia en niveles:

• Verificación de cuenta e identidad: antes de que alguien pueda hacer un pedido, confirma que es quien dice ser. La verificación del correo electrónico en la creación de la cuenta, los requisitos de contraseña segura y la autenticación de 3DS agregan controles de identidad básicos que reducen el riesgo de robo de cuenta.

• Señales de nivel del proceso de compra: las comprobaciones del CVV, el AVS y la huella digital del dispositivo pueden atrapar una gran parte de los intentos de fraude con tarjeta no presente antes de que se completen. Procesar transacciones sin estos controles deja vacíos evidentes.

• Puntuación de riesgo: la puntuación en tiempo real evalúa el contexto completo del pedido. Aquí es donde una herramienta como Stripe Radar aporta el mayor valor porque el modelo se basa en señales de toda la red que la verificación de nivel del proceso de compra por sí sola no puede ver.

• Reglas personalizadas: las reglas personalizadas específicas de la empresa ajustan el modelo base a tu contexto. Una empresa de bienes digitales se enfrenta a patrones de fraude diferentes a los de un comerciante minorista de bienes físicos, y las reglas te permiten codificar ese conocimiento directamente en tu toma de decisiones.

• Monitoreo posterior a la transacción: las tasas de contracargos, los patrones de disputas y las anomalías en la gestión logística también son señales. El monitoreo de las métricas posteriores detecta el fraude que se coló a través de niveles anteriores e informa sobre los ajustes a las reglas y umbrales a lo largo del tiempo.

• Controles de políticas y devoluciones: las empresas que experimentan fraudes en las devoluciones con frecuencia pueden mitigar el abuso si exigen fotos de los artículos devueltos, emiten crédito de la tienda en lugar de reembolsos para cuentas marcadas o implementan períodos de devolución proporcionales al valor del pedido. Y pueden hacerlo sin perjudicar de manera significativa la experiencia de los clientes honestos.

Cómo puede ayudar Stripe Radar

Stripe Radar utiliza modelos de IA para detectar y prevenir el fraude, entrenados con datos de la red global de Stripe. Actualiza de manera continua estos modelos de acuerdo con las tendencias de fraude más recientes, por lo que tu empresa se mantiene protegida a medida que el fraude 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 permite que tu empresa logre lo siguiente:

• Prevenir las pérdidas por fraude: Stripe procesa más de USD 1,000,000,000,000 en pagos al año. Esta escala permite de manera única que Radar detecte y prevenga el fraude de forma precisa y te ahorre dinero.

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

• Ahorrar tiempo: Radar está integrado en Stripe y requiere cero líneas de código para configurarlo. También puedes monitorear el rendimiento de tus fraudes, escribir reglas y más en una sola plataforma, lo que aumenta la eficiencia.

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