Los proveedores de pagos y servicios financieros enfrentan una presión cada vez mayor para fortalecer sus defensas contra el fraude sin comprometer la experiencia del cliente. Para lograr este equilibrio difícil pero esencial, los proveedores deben adoptar un enfoque multifacético de mitigación de riesgos, aprovechando tanto prácticas estratégicas como tecnologías avanzadas de prevención de fraude.

En un seminario web reciente organizado por Payments Dive, Max Spivakovsky, Director Global de Gestión de Riesgo de Pagos en Galileo Financial Technologies, explicó cómo los proveedores pueden navegar con éxito en el cambiante panorama del riesgo de fraude sin sacrificar las experiencias positivas que los consumidores modernos esperan.

Los Clientes Quieren Seguridad y Comodidad

El valor total de las transacciones fraudulentas con tarjetas alcanzó la asombrosa cifra de 33.800 millones de dólares en 2023, según el Nilson Report. Mientras tanto, el fraude de tipo “card not present” (CNP) está en aumento, con un incremento del 35 % en 2023, y representa un coste promedio de 3,75 dólares por cada dólar perdido, según un estudio de LexisNexis.

Más allá de las pérdidas directas, el fraude tiene un impacto operativo considerable: las empresas destinan el 23 % de sus costos operativos a la prevención y recuperación de fraudes, según el Ravelin Fraud Report.

3 Pasos para Optimizar las Herramientas de Detección de Fraude Financiero

Como dejan en claro estas estadísticas, los riesgos para los proveedores de pagos nunca han sido tan altos en la lucha constante contra el fraude.

Sin embargo, los números también muestran que una prevención robusta del fraude no puede ir en detrimento de una experiencia fluida para el cliente. Un estudio de Experian reveló que el 67 % de los consumidores están dispuestos a abandonar una transacción de pago digital si el proceso de autenticación es demasiado complejo.

“La fricción con el cliente siempre es un punto de dolor importante”, señaló Spivakovsky. “En la defensa contra el fraude, siempre intentamos equilibrar la experiencia del usuario con la mitigación y detección del fraude.”

Autenticación Basada en Riesgo

Spivakovsky destacó la Autenticación Basada en Riesgo (RBA, por sus siglas en inglés) como un enfoque estratégico clave para equilibrar la seguridad con la experiencia del cliente. RBA ajusta los niveles de autenticación según señales de riesgo en tiempo real recopiladas desde múltiples canales y proveedores de pago.

Al evaluar patrones como ubicación, dispositivos y detalles de red, RBA puede personalizar el nivel de fricción para cada usuario en tiempo real, aplicando requisitos estrictos de autenticación solo cuando sea necesario.

“Es un enfoque dinámico”, dijo Spivakovsky sobre RBA. “Nos permite ajustar dinámicamente ciertos niveles de autenticación según las señales de riesgo que recibimos de nuestros múltiples canales y proveedores.”

Guía Ejecutiva para una Detección Integral de Fraudes en Pagos

Esto significa que, cuando una transacción rompe un patrón establecido o muestra alguna anomalía, se pueden introducir automáticamente procedimientos adicionales de autenticación, así como una investigación más profunda del cliente o de la transacción para garantizar su legitimidad, agregó Spivakovsky.

Mientras tanto, las transacciones que no son marcadas continúan normalmente, preservando una experiencia rápida y fluida para la gran mayoría de los clientes legítimos.

Inteligencia Artificial y Aprendizaje Automático

Además del enfoque basado en RBA, Spivakovsky también mencionó la inteligencia artificial (IA) y el aprendizaje automático (ML) como herramientas especialmente efectivas para combatir el fraude sin obstaculizar la experiencia del usuario.

IA/ML puede procesar enormes volúmenes de transacciones e identificar riesgos con un alto grado de precisión, lo cual es esencial para detectar fraudes entre un número creciente de transacciones. Solo la red Automated Clearing House procesó más de 1.200 millones de transacciones en 2024. Reducir los falsos positivos es clave.

“La evolución más reciente de la IA y el ML nos permite ser mucho más proactivos en nuestro análisis en tiempo real y en el reconocimiento de patrones”, dijo Spivakovsky. “En tiempo real, podemos tomar decisiones que mitigan las implicaciones financieras del fraude.”

Cómo los Bancos Están Usando Tecnología Antifraude para Combatir el Fraude

Las capacidades adaptativas del aprendizaje automático son especialmente valiosas, destacó el director de riesgos de Galileo. “La capacidad del ML de aprender continuamente de los datos, mejorar y adaptarse a nuevos factores de fraude, al mismo tiempo que incorpora análisis en tiempo real, es lo que hace que este enfoque sea tan robusto”, señaló.

Spivakovsky agregó que la evolución más reciente de la IA permite análisis más proactivos y reconocimiento de patrones en tiempo real, mientras que el ML mejora continuamente la precisión al adaptarse a nuevas amenazas y vectores de ataque.

¿Quiere Saber Más?

Vea el seminario web completo para conocer más sobre medidas de seguridad en pagos que protegen tanto su rentabilidad como la experiencia del cliente.