{"id":2397,"date":"2024-05-07T00:03:03","date_gmt":"2024-05-06T23:03:03","guid":{"rendered":"https:\/\/evendords.com\/?p=2397"},"modified":"2024-05-08T13:05:14","modified_gmt":"2024-05-08T12:05:14","slug":"fraude-experiencia-usuario","status":"publish","type":"post","link":"https:\/\/evendords.com\/index.php\/2024\/05\/07\/fraude-experiencia-usuario\/","title":{"rendered":"En la lucha contra el fraude, lo primero, la experiencia de usuario."},"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

<\/p>

En el comercio digital siempre ha sido importante el cuidado de la experiencia de usuario y las tasas de conversi\u00f3n, y cualquier funcionalidad suele supeditarse a esta realidad, tambi\u00e9n en lo que se refiere a la lucha contra el fraude. Es sin duda un elemento de discusi\u00f3n 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 m\u00e1s efectiva frente los ataques del 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\t\t\t\t

<\/p>

En otros art\u00edculos hemos hecho referencia a este importante equilibrio, entre fraude y conversi\u00f3n<\/a>.<\/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

Tratar de forma diferencial una operaci\u00f3n sospechosa frente a la leg\u00edtima es una prioridad evidente. Hacerlo de forma individualizada y elevar el grado de acierto al m\u00e1ximo, 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<\/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

<\/p>

<\/p>

Pero para que esto sea una realidad debemos contar con un elemento fundamental y es la calidad de los modelos de aprendizaje autom\u00e1tico e inteligencia artificial (ML\/IA)<\/a> que van a evaluar cada acci\u00f3n de compra, ya sea el registro de una cuenta, el acceso, la elecci\u00f3n de los productos o el pago.<\/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

<\/p>

Para verlo con algo m\u00e1s de claridad, nos serviremos de unos ejemplos recreados en base a conocimientos reales, cuyas gr\u00e1ficas nos ayudaran a comprender c\u00f3mo una buena experiencia de usuario no est\u00e1 re\u00f1ida con la lucha contra el fraude cuando los modelos de detecci\u00f3n son eficientes.<\/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

<\/p>

Vamos a repasar varios modelos, utilizando representando el volumen total de operaciones y aquellas que son sospechosas de ser ileg\u00edtimas, frente al score facilitado por el modelo para cada una de ellas. \u00a0<\/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\t\t\t<\/span>\n\t\t<\/div>\n\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\n\t\t\t\t\t\t
\n\t\t\t\t\n\t\t\t\t<\/i>\t\t\t\t<\/span>\n\t\t\t<\/div>\n\t\t\t\n\t\t\t\t\t\t
\n\n\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\n\t\t\t\t\t\t\tModelo 1\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/h3>\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>\n\t\t\t\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\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
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\t<\/div>\n\t\t<\/div>\n\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\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\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
\n\t\t\t\t\t\t\t\t\t

<\/p>

Apreciamos c\u00f3mo 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 (delimitaci\u00f3n verde), resultan finalmente ser operaciones leg\u00edtimas (gr\u00e1fico 1.1). Incluso movi\u00e9ndonos al score del 75 (delimitaci\u00f3n roja), apenas dejar\u00edamos pasar operaciones sospechosas (menos del 4%), y estar\u00edamos evitando la fricci\u00f3n a m\u00e1s del 80% de las operaciones (gr\u00e1fico 1.2).<\/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\t\t\t<\/span>\n\t\t<\/div>\n\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\n\t\t\t\t\t\t
\n\t\t\t\t\n\t\t\t\t<\/i>\t\t\t\t<\/span>\n\t\t\t<\/div>\n\t\t\t\n\t\t\t\t\t\t
\n\n\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\n\t\t\t\t\t\t\tModelo 2\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/h3>\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>\n\t\t\t\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\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
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\t<\/div>\n\t\t<\/div>\n\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\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\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
\n\t\t\t\t\t\t\t\t\t

<\/p>

En este otro modelo, observamos que los scores para las operaciones sospechosas son m\u00e1s bajos, al tiempo que est\u00e1n m\u00e1s mezclados con operaciones legales. Digamos que a partir de un score 40 (delimitaci\u00f3n verde en gr\u00e1fico 2.1), ya encontramos operaciones que deber\u00edan ser revisadas, necesitando poner medidas restrictivas seg\u00fan este modelo, a partir de un score de 55 (delimitaci\u00f3n roja). Leyendo el gr\u00e1fico 2.2, podr\u00edamos llegar a mantener sin fricci\u00f3n el 60% de las operaciones, debiendo intervenir de alg\u00fan modo en el otro 40%. El modelo permite discriminar entre operaciones legales y sospechosas, pero su grado de eficiencia es inferior al modelo 1.<\/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\t\t\t<\/span>\n\t\t<\/div>\n\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\n\t\t\t\t\t\t
\n\t\t\t\t\n\t\t\t\t<\/i>\t\t\t\t<\/span>\n\t\t\t<\/div>\n\t\t\t\n\t\t\t\t\t\t
\n\n\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\n\t\t\t\t\t\t\tModelo 3\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/h3>\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>\n\t\t\t\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\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
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\t<\/div>\n\t\t<\/div>\n\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\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t<\/a>\n\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\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
\n\t\t\t\t\t\t\t\t\t

<\/p>

Recorriendo las gr\u00e1ficas de este \u00faltimo modelo 3, nos damos cuenta de la importancia de contar con una detecci\u00f3n \u00f3ptima, como reflejaba el modelo 1. En este caso, apreciamos c\u00f3mo a partir de un score de 15 (delimitaci\u00f3n verde), por debajo del cual est\u00e1 solo el 37% del total de transacciones (grafico 3.2), no podemos tener certeza de no estar dejando pasar operaciones ileg\u00edtimas o sospechosas de serlo. De hecho, con un score superior al 25 (delimitaci\u00f3n roja), deber\u00edamos observar medidas de vigilancia, seg\u00fan este modelo, lo que implica causar fricci\u00f3n entorno al 50% de las transacciones (gr\u00e1fico 3.2), lo que impactar\u00e1 negativamente en la tasa de conversi\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
\n\t\t\t\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\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

<\/p>

En conclusi\u00f3n, los t\u00e9rminos como Fricci\u00f3n Din\u00e1mica<\/strong>, baja tasa de denegaci\u00f3n o reducida ratio de falso positivo<\/strong>, se sustentan sobre modelos ML\/AI optimizados, basados en un aprendizaje continuo<\/strong>, habiendo sido alimentados con adecuados vol\u00famenes de informaci\u00f3n<\/strong>, procedentes a ser posible, de nuestro propio hist\u00f3rico o de un negocio digital af\u00edn o en nuestro mismo sector o vertical.<\/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":"

En el comercio digital siempre ha sido importante el cuidado de la experiencia de usuario y las tasas de conversi\u00f3n, y cualquier funcionalidad suele supeditarse a esta realidad, tambi\u00e9n en lo que se refiere a la lucha contra el fraude. Es sin duda un elemento de discusi\u00f3n 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 m\u00e1s efectiva frente los ataques del fraude. En otros art\u00edculos hemos hecho referencia a este importante equilibrio, entre fraude y conversi\u00f3n. Tratar de forma diferencial una operaci\u00f3n sospechosa frente a la leg\u00edtima es una prioridad evidente. Hacerlo de forma individualizada y elevar el grado de acierto al m\u00e1ximo, 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 autom\u00e1tico e inteligencia artificial (ML\/IA) que van a evaluar cada acci\u00f3n de compra, ya sea el registro de una cuenta, el acceso, la elecci\u00f3n de los productos o el pago. Para verlo con algo m\u00e1s de claridad, nos serviremos de unos ejemplos recreados en base a conocimientos reales, cuyas gr\u00e1ficas nos ayudaran a comprender c\u00f3mo una buena experiencia de usuario no est\u00e1 re\u00f1ida con la lucha contra el fraude cuando los modelos de detecci\u00f3n son eficientes. Vamos a repasar varios modelos, utilizando representando el volumen total de operaciones y aquellas que son sospechosas de ser ileg\u00edtimas, frente al score facilitado por el modelo para cada una de ellas. \u00a0 Modelo 1 Apreciamos c\u00f3mo 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 (delimitaci\u00f3n verde), resultan finalmente ser operaciones leg\u00edtimas (gr\u00e1fico 1.1). Incluso movi\u00e9ndonos al score del 75 (delimitaci\u00f3n roja), apenas dejar\u00edamos pasar operaciones sospechosas (menos del 4%), y estar\u00edamos evitando la fricci\u00f3n a m\u00e1s del 80% de las operaciones (gr\u00e1fico 1.2). Modelo 2 En este otro modelo, observamos que los scores para las operaciones sospechosas son m\u00e1s bajos, al tiempo que est\u00e1n m\u00e1s mezclados con operaciones legales. Digamos que a partir de un score 40 (delimitaci\u00f3n verde en gr\u00e1fico 2.1), ya encontramos operaciones que deber\u00edan ser revisadas, necesitando poner medidas restrictivas seg\u00fan este modelo, a partir de un score de 55 (delimitaci\u00f3n roja). Leyendo el gr\u00e1fico 2.2, podr\u00edamos llegar a mantener sin fricci\u00f3n el 60% de las operaciones, debiendo intervenir de alg\u00fan 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 gr\u00e1ficas de este \u00faltimo modelo 3, nos damos cuenta de la importancia de contar con una detecci\u00f3n \u00f3ptima, como reflejaba el modelo 1. En este caso, apreciamos c\u00f3mo a partir de un score de 15 (delimitaci\u00f3n verde), por debajo del cual est\u00e1 solo el 37% del total de transacciones (grafico 3.2), no podemos tener certeza de no estar dejando pasar operaciones ileg\u00edtimas o sospechosas de serlo. De hecho, con un score superior al 25 (delimitaci\u00f3n roja), deber\u00edamos observar medidas de vigilancia, seg\u00fan este modelo, lo que implica causar fricci\u00f3n entorno al 50% de las transacciones (gr\u00e1fico 3.2), lo que impactar\u00e1 negativamente en la tasa de conversi\u00f3n. En conclusi\u00f3n, los t\u00e9rminos como Fricci\u00f3n Din\u00e1mica, baja tasa de denegaci\u00f3n o reducida ratio de falso positivo, se sustentan sobre modelos ML\/AI optimizados, basados en un aprendizaje continuo, habiendo sido alimentados con adecuados vol\u00famenes de informaci\u00f3n, procedentes a ser posible, de nuestro propio hist\u00f3rico o de un negocio digital af\u00edn o en nuestro mismo sector o vertical.<\/p>\n","protected":false},"author":1,"featured_media":2403,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[25,28],"tags":[],"class_list":["post-2397","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\/2397","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=2397"}],"version-history":[{"count":49,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts\/2397\/revisions"}],"predecessor-version":[{"id":2454,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/posts\/2397\/revisions\/2454"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/media\/2403"}],"wp:attachment":[{"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/media?parent=2397"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/categories?post=2397"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/evendords.com\/index.php\/wp-json\/wp\/v2\/tags?post=2397"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}