Se muestra de forma simplificada cómo la tecnología basada en aprendizaje automático (ML) e Inteligencia artificial, proporcionándonos modelos matemáticos capaces de predecir si un proceso de compra será o no fraudulento, es ampliamente rentable, con retornos anuales que van desde 2 hasta 6 veces la inversión.
Una estrategia de control del fraude afecta al menos a tres naturalezas de coste básicas:
- Costes por quebranto económico, devoluciones de cargo por fraude.
- Costes operativos por revisiones manuales, filtros y reglas de análisis.
- Costes de adquisición de clientes y por devaluación de la fidelidad en la marca.
Realizamos una simulación de costes considerando las tasas de fraude medias y costes de revisión manual que se manejan en el mercado, según datos del FIBR powered by Sift.
Como se aprecia en el gráfico, las capacidades de ahorro en pérdidas y revisiones manuales, que van desde los 200K hasta más de 1M EUR, proporcionan margen suficiente para soportar un servicio de prevención y control del fraude.
Se extraen varias consecuencias del gráfico anterior. La primera es que a medida que el negocio crece, las revisiones manuales se hacen impracticables y no son escalables. Su coste, inicialmente asumible, se hace ineficiente en volúmenes grandes de actividad.
La segunda es que las plataformas de control y gestión del fraude, según datos reales extraídos del mercado global, proporcionan una alta capacidad de reducción de las pérdidas, hasta tal punto que soportan entre 2 y 5 veces la inversión de su aplicación.
Adicionalmente, el cálculo de los costes de adquisición de clientes o de fidelización de los mismos, no son en modo alguno despreciables, asociados a daños reputacionales de la marca.
Plataformas líderes del mercado manejan KPIs que rebajan las devoluciones de cargo por fraude en más de un 70%, con una reducción de las revisiones manuales entorno al 60%. Se calcula un ROI entre los 2 y los 6 puntos, en función de los volúmenes de negocio, volumen de operaciones y tipo de actividad.
¿Qué hacen los modelos predictivos para ser rentables?
En el gráfico, elaborado con datos reales, se pone de manifiesto el ahorro directo que supone reducir el esfuerzo en revisiones manuales (No. Inspecc.). Los modelos, independientemente de la ejecución de acciones inmediatas, permiten identificar las operaciones que requieren revisión. Si en lugar de una revisión de 40.000 operaciones, se reduce a menos de 20.000, con una detección de más del 80% del fraude, supone ahorro en costes de más del 50%.
Obviamente la detección es un proceso complejo en la que participan más de un modelo y donde los resultados finales se componen de diferentes scores, en algunas de las plataformas, para las diferentes fases del ciclo de uso digital (registro, acceso, pedido, orden, pago, disputa), pero es evidente la rentabilidad de utilizar técnicas de aprendizaje automático (ML) e inteligencia artificial (AI) en la lucha contra el fraude.
Los datos económicos justifican la inversión, pero aún más importante es el cuidado de la experiencia del consumidor (CX) a través de la Fricción Dinámica.
Los modelos que permiten discriminar el grado de fricción que se aplicará a cada cliente, es fundamental para mantener el crecimiento de nuestro negocio digital al tiempo que lo hacemos seguro. Cada vez tiene menos sentido aplicar la misma operativa de uso a los clientes legítimos que a aquellos que resultan sospechosos de ser ilegítimos.
