En el comercio digital siempre ha sido importante el cuidado de la experiencia de usuario y las tasas de conversión, y cualquier funcionalidad suele supeditarse a esta realidad, también en lo que se refiere a la lucha contra el fraude. Es sin duda un elemento de discusión entre los equipos de riesgo y los planteamientos comerciales, lo que generalmente obliga a los primeros a cuidar el crecimiento por encima de cualquier medida, incluso aunque pudiera determinar una lucha más efectiva frente los ataques del fraude.
En otros artículos hemos hecho referencia a este importante equilibrio, entre fraude y conversión.
Tratar de forma diferencial una operación sospechosa frente a la legítima es una prioridad evidente. Hacerlo de forma individualizada y elevar el grado de acierto al máximo, son las claves para evitar afectar la experiencia de usuario al tiempo que se ejerce la mejor de las protecciones frente al fraude en el comercio digital
Pero para que esto sea una realidad debemos contar con un elemento fundamental y es la calidad de los modelos de aprendizaje automático e inteligencia artificial (ML/IA) que van a evaluar cada acción de compra, ya sea el registro de una cuenta, el acceso, la elección de los productos o el pago.
Para verlo con algo más de claridad, nos serviremos de unos ejemplos recreados en base a conocimientos reales, cuyas gráficas nos ayudaran a comprender cómo una buena experiencia de usuario no está reñida con la lucha contra el fraude cuando los modelos de detección son eficientes.
Vamos a repasar varios modelos, utilizando representando el volumen total de operaciones y aquellas que son sospechosas de ser ilegítimas, frente al score facilitado por el modelo para cada una de ellas.
Modelo 1
Apreciamos cómo el modelo es capaz de discriminar con mucha eficiencia las operaciones sospechosas de las que no lo son, de modo que casi el 80% de las operaciones, con un score por debajo del 70 (delimitación verde), resultan finalmente ser operaciones legítimas (gráfico 1.1). Incluso moviéndonos al score del 75 (delimitación roja), apenas dejaríamos pasar operaciones sospechosas (menos del 4%), y estaríamos evitando la fricción a más del 80% de las operaciones (gráfico 1.2).
Modelo 2
En este otro modelo, observamos que los scores para las operaciones sospechosas son más bajos, al tiempo que están más mezclados con operaciones legales. Digamos que a partir de un score 40 (delimitación verde en gráfico 2.1), ya encontramos operaciones que deberían ser revisadas, necesitando poner medidas restrictivas según este modelo, a partir de un score de 55 (delimitación roja). Leyendo el gráfico 2.2, podríamos llegar a mantener sin fricción el 60% de las operaciones, debiendo intervenir de algún modo en el otro 40%. El modelo permite discriminar entre operaciones legales y sospechosas, pero su grado de eficiencia es inferior al modelo 1.
Modelo 3
Recorriendo las gráficas de este último modelo 3, nos damos cuenta de la importancia de contar con una detección óptima, como reflejaba el modelo 1. En este caso, apreciamos cómo a partir de un score de 15 (delimitación verde), por debajo del cual está solo el 37% del total de transacciones (grafico 3.2), no podemos tener certeza de no estar dejando pasar operaciones ilegítimas o sospechosas de serlo. De hecho, con un score superior al 25 (delimitación roja), deberíamos observar medidas de vigilancia, según este modelo, lo que implica causar fricción entorno al 50% de las transacciones (gráfico 3.2), lo que impactará negativamente en la tasa de conversión.
En conclusión, los términos como Fricción Dinámica, baja tasa de denegación o reducida ratio de falso positivo, se sustentan sobre modelos ML/AI optimizados, basados en un aprendizaje continuo, habiendo sido alimentados con adecuados volúmenes de información, procedentes a ser posible, de nuestro propio histórico o de un negocio digital afín o en nuestro mismo sector o vertical.
