{"id":2184,"date":"2024-03-14T11:10:06","date_gmt":"2024-03-14T10:10:06","guid":{"rendered":"https:\/\/evendords.com\/?p=2184"},"modified":"2024-03-14T11:53:40","modified_gmt":"2024-03-14T10:53:40","slug":"rentabilidad-tecnologia-control-fraude","status":"publish","type":"post","link":"https:\/\/evendords.com\/index.php\/2024\/03\/14\/rentabilidad-tecnologia-control-fraude\/","title":{"rendered":"C\u00f3mo se rentabiliza un modelo predictivo de detecci\u00f3n de fraude."},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Se muestra de forma simplificada c\u00f3mo la tecnolog\u00eda basada en aprendizaje autom\u00e1tico (ML) e Inteligencia artificial, proporcion\u00e1ndonos modelos matem\u00e1ticos capaces de predecir si un proceso de compra ser\u00e1 o no fraudulento, es ampliamente rentable, con retornos anuales que van desde 2 hasta 6 veces la inversi\u00f3n.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Una estrategia de control del fraude afecta al menos a tres naturalezas de coste b\u00e1sicas:<\/p>

  1. Costes por quebranto econ\u00f3mico, devoluciones de cargo por fraude.<\/li>
  2. Costes operativos por revisiones manuales, filtros y reglas de an\u00e1lisis.<\/li>
  3. Costes de adquisici\u00f3n de clientes y por devaluaci\u00f3n de la fidelidad en la marca.<\/li><\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Realizamos una simulaci\u00f3n de costes considerando las tasas de fraude medias y costes de revisi\u00f3n manual que se manejan en el mercado, seg\u00fan datos del FIBR<\/a> powered by Sift.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Como se aprecia en el gr\u00e1fico, las capacidades de ahorro en p\u00e9rdidas y revisiones manuales, que van desde los 200K hasta m\u00e1s de 1M EUR, proporcionan margen suficiente para soportar un servicio de prevenci\u00f3n y control del fraude. <\/p>

    Se extraen varias consecuencias del gr\u00e1fico 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 vol\u00famenes grandes de actividad.<\/p>

    La segunda es que las plataformas de control y gesti\u00f3n del fraude, seg\u00fan datos reales extra\u00eddos del mercado global, proporcionan una alta capacidad de reducci\u00f3n de las p\u00e9rdidas, hasta tal punto que soportan entre 2 y 5 veces la inversi\u00f3n de su aplicaci\u00f3n. <\/p>

    Adicionalmente, el c\u00e1lculo de los costes de adquisici\u00f3n de clientes o de fidelizaci\u00f3n de los mismos,\u00a0 no son en modo alguno despreciables, asociados a da\u00f1os reputacionales de la marca.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t

    Plataformas l\u00edderes del mercado manejan KPIs que rebajan las devoluciones de cargo por fraude en m\u00e1s de un 70%, con una reducci\u00f3n de las revisiones manuales entorno al 60%. Se calcula un ROI entre los 2 y los 6 puntos, en funci\u00f3n de los vol\u00famenes de negocio, volumen de operaciones y tipo de actividad.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    \u00bfQu\u00e9 hacen los modelos predictivos para ser rentables?<\/p>

    En el gr\u00e1fico, 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 ejecuci\u00f3n de acciones inmediatas, permiten identificar las operaciones que requieren revisi\u00f3n. Si en lugar de una revisi\u00f3n de 40.000 operaciones, se reduce a menos de 20.000, con una detecci\u00f3n de m\u00e1s del 80% del fraude, supone ahorro en costes de m\u00e1s del 50%.<\/p>

    Obviamente la detecci\u00f3n es un proceso complejo en la que participan m\u00e1s 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 t\u00e9cnicas de aprendizaje autom\u00e1tico (ML) e inteligencia artificial (AI) en la lucha contra el fraude.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t

    Los datos econ\u00f3micos justifican la inversi\u00f3n, pero a\u00fan m\u00e1s importante es el cuidado de la experiencia del consumidor (CX) a trav\u00e9s de la Fricci\u00f3n Din\u00e1mica.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Los modelos que permiten discriminar el grado de fricci\u00f3n que se aplicar\u00e1 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 leg\u00edtimos que a aquellos que resultan sospechosos de ser ileg\u00edtimos.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t\t\t
    \n\t\t\t\n\t\t\t<\/i>\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

    Se muestra de forma simplificada c\u00f3mo la tecnolog\u00eda basada en aprendizaje autom\u00e1tico (ML) e Inteligencia artificial, proporcion\u00e1ndonos modelos matem\u00e1ticos capaces de predecir si un proceso de compra ser\u00e1 o no fraudulento, es ampliamente rentable, con retornos anuales que van desde 2 hasta 6 veces la inversi\u00f3n. Una estrategia de control del fraude afecta al menos a tres naturalezas de coste b\u00e1sicas: Costes por quebranto econ\u00f3mico, devoluciones de cargo por fraude. Costes operativos por revisiones manuales, filtros y reglas de an\u00e1lisis. Costes de adquisici\u00f3n de clientes y por devaluaci\u00f3n de la fidelidad en la marca. Realizamos una simulaci\u00f3n de costes considerando las tasas de fraude medias y costes de revisi\u00f3n manual que se manejan en el mercado, seg\u00fan datos del FIBR powered by Sift. Como se aprecia en el gr\u00e1fico, las capacidades de ahorro en p\u00e9rdidas y revisiones manuales, que van desde los 200K hasta m\u00e1s de 1M EUR, proporcionan margen suficiente para soportar un servicio de prevenci\u00f3n y control del fraude. Se extraen varias consecuencias del gr\u00e1fico 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 vol\u00famenes grandes de actividad. La segunda es que las plataformas de control y gesti\u00f3n del fraude, seg\u00fan datos reales extra\u00eddos del mercado global, proporcionan una alta capacidad de reducci\u00f3n de las p\u00e9rdidas, hasta tal punto que soportan entre 2 y 5 veces la inversi\u00f3n de su aplicaci\u00f3n. Adicionalmente, el c\u00e1lculo de los costes de adquisici\u00f3n de clientes o de fidelizaci\u00f3n de los mismos,\u00a0 no son en modo alguno despreciables, asociados a da\u00f1os reputacionales de la marca. Plataformas l\u00edderes del mercado manejan KPIs que rebajan las devoluciones de cargo por fraude en m\u00e1s de un 70%, con una reducci\u00f3n de las revisiones manuales entorno al 60%. Se calcula un ROI entre los 2 y los 6 puntos, en funci\u00f3n de los vol\u00famenes de negocio, volumen de operaciones y tipo de actividad. \u00bfQu\u00e9 hacen los modelos predictivos para ser rentables? En el gr\u00e1fico, 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 ejecuci\u00f3n de acciones inmediatas, permiten identificar las operaciones que requieren revisi\u00f3n. Si en lugar de una revisi\u00f3n de 40.000 operaciones, se reduce a menos de 20.000, con una detecci\u00f3n de m\u00e1s del 80% del fraude, supone ahorro en costes de m\u00e1s del 50%. Obviamente la detecci\u00f3n es un proceso complejo en la que participan m\u00e1s 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 t\u00e9cnicas de aprendizaje autom\u00e1tico (ML) e inteligencia artificial (AI) en la lucha contra el fraude. Los datos econ\u00f3micos justifican la inversi\u00f3n, pero a\u00fan m\u00e1s importante es el cuidado de la experiencia del consumidor (CX) a trav\u00e9s de la Fricci\u00f3n Din\u00e1mica. Los modelos que permiten discriminar el grado de fricci\u00f3n que se aplicar\u00e1 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 leg\u00edtimos que a aquellos que resultan sospechosos de ser ileg\u00edtimos.<\/p>\n","protected":false},"author":1,"featured_media":2186,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[25,28],"tags":[],"class_list":["post-2184","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-comercio-digital","category-prevencion"],"_links":{"self":[{"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts\/2184","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/comments?post=2184"}],"version-history":[{"count":25,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts\/2184\/revisions"}],"predecessor-version":[{"id":2212,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts\/2184\/revisions\/2212"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/media\/2186"}],"wp:attachment":[{"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/media?parent=2184"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/categories?post=2184"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/tags?post=2184"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}