Machine Learning, previene las transacciones fraudulentas

De acuerdo a un estudio realizado por el Banco Mundial y el Programa de las Naciones Unidas acerca de los resultados de acceso a los servicios digitales y bancarios, Ecuador es uno de los países con un mayor crecimiento en el uso de transacciones digitales. Durante los años 2020 y 2021, Ecuador tuvo un incremento del 69% en uso de herramientas tales como banca móvil y comercio electrónico (Banco Mundial & amp; PNUD, 2021) .

A medida que los usuarios se encuentran más conectados con la tecnología, las empresas recolectan una mayor cantidad de datos. Esta información al ser transformada, analizada y modelada, incrementa los ingresos de las empresas y reduce los riesgos asociados a su operación. El objetivo del Machine Learning es modelar la incertidumbre, anticiparse al cambio, reconocer patrones y mejorar la experiencia del usuario.

Machine Learning es un método de análisis de datos que automatiza la construcción de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de los datos a identificar patrones y tomar decisiones con mínima intervención humana (SAS, 2018) . Este aprendizaje también tiene el beneficio de una mayor precisión, ya que el error humano, proclive en el manejo de grandes cantidades de datos, se elimina de la ecuación. Además, los sistemas computacionales actuales están optimizados para el procesamiento de grandes cantidades de datos, lo cual junto a las técnicas de Machine Learning permite obtener modelos con métricas de alta precisión en tiempos de procesamiento relativamente cortos.

Según la Ley de prevención de lavado de activos y del financiamiento de delitos vigente (2016), cada empresa relacionada con las finanzas debe presentar un modelo en el cual se establezca parámetros para prever estas situaciones e identificar posibles transacciones fraudulentas. “Las instituciones del sistema financiero y de seguros, además de los deberes y obligaciones constantes en el Código Orgánico Monetario y Financiero y otras de carácter específico, deberán: reportar, bajo responsabilidad personal e institucional, a la Unidad de Análisis Financiero y Económico las operaciones o transacciones económicas inusuales e injustificadas, dentro del término de cuatro días, contados a partir de la fecha en que el comité de cumplimiento de la institución correspondiente tenga conocimiento de tales operaciones o transacciones” (2016).

Es relevante que las instituciones financieras tomen acciones para poder controlar las operaciones que existen dentro de su negocio. El fraude financiero es una de las principales causas de pérdida de beneficios para las empresas que dependen de las transacciones monetarias. Entre las operaciones con un mayor número de incidencia en fraudes se encuentran: pagos electrónicos o bancarios fraudulentos, historial crediticio alterado, fraude móvil, robo de identidad, falsificación de información en reclamos de seguros y lavado de dinero.

Existen ciertas características de las transacciones fraudulentas que las diferencian de las legítimas. Los algoritmos de aprendizaje automático reconocen patrones en los datos que les permiten distinguir a los estafadores de los clientes legítimos, en función de miles de datos, que son complejos reconocer para un ser humano. En este grupo de algoritmos se encuentran la regresión logística, los árboles de decisión, el bosque aleatorio y las redes neuronales.

Los algoritmos de Machine Learning empleados en la detección de fraudes predicen la probabilidad de fraude de una transacción en función de las variables seleccionadas. Por ejemplo, dada un conjunto de características como la fecha en la que se realizó la transacción, el dispositivo, tipo de transacción, características sociodemográficas de la persona que realiza la transacción, entre otras se puede clasificar y entender el patrón de comportamiento de las transacciones fraudulentas.

La ventaja de los modelos de detección de fraude es que cada vez que un cliente realiza una transacción, el algoritmo analiza minuciosamente su perfil en busca de patrones sospechosos. Dependiendo de la gravedad de los patrones descubiertos, dicha transacción puede aceptarse, bloquearse o entregarse para una revisión manual y todo este proceso se realiza en cuestión de segundos. Tal reducción conduce a una mejor experiencia del cliente, optimización de los costos operativos y un aumento significativo de los ingresos; es decir, proporciona a los administradores de riesgo una herramienta más poderosa y precisa para llevar a cabo su respectivo análisis.

Bibliografía:

  • Banco Mundial & amp; PNUD. (2021). Una recuperación desigual: Tomando el pulso de América Latina y el Caribe después de la pandemia.
  • Ley Prevención de Lavado de Activos y del Financiamiento de Delitos. (26 de julio de 2016).
  • SAS. (febrero de 2018). Aprendizaje Automático. Obtenido de https://www.sas.com/es_mx/insights/analytics/machine-learning.html

 

Autor: Diana Cruz, Data Scientist Specialist.



ACTUARIA
Author: ACTUARIA
Gestionamos servicios actuariales y de consultoría empresarial, en base a estándares de calidad y en forma oportuna, mejorando continuamente nuestros procesos, para satisfacer las necesidades de nuestros clientes.

Deja una respuesta

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.