Machine learning, herramienta segura contra el fraude financiero

El fraude de Ingeniería Social es una de las técnicas que los estafadores utilizan para manipular a las víctimas y obtener datos confidenciales para robar el dinero de sus cuentas bancarias.
Los estafadores utilizan varias tácticas para cometer estos fraudes, por ejemplo, a través de correo electrónico (conocido como phishing), mensajes de texto (llamado smishing) que han probado ampliamente su efectividad. Sin embargo, el fraude a través de llamadas telefónicas o Vishing está aumentando en popularidad, al explotar las seductoras habilidades de los delincuentes para manipular a las víctimas para que realicen pagos a una cuenta controlada por un estafador. Al respecto, Dr. Scott Zoldi, director ejecutivo de analítica en FICO, explica lo que se está haciendo actualmente para combatir esos delitos, evitarlos, pero sobre todo, poner en alerta a las personas para evitar que caigan en engaños.
 
Machine Learning para combatir estos tipos de fraude
La buena noticia es que los modelos de machine learning pueden neutralizar estos métodos de fraude, que crean y actualizan perfiles de comportamiento en línea y en tiempo real.
 
“Al monitorear las características de los pagos, como las cantidades en cada transacción y rapidez con que se hacen, estos modelos detectan características y patrones genéricos que solo aparecen en ciertos tipos de fraudes”, explica el Dr. Zoldi.
 
fraude financiero fico
 
Listas ordenadas de comportamiento (B-List)
Otra característica avanzada en Machine Learning son las listas ordenadas de comportamiento (Behaviour Sorted Lists en inglés). El directivo de FICO menciona las transacciones que los usuarios realizan y que dichas listas revisan, como son:
 
• Cuentas que el cliente paga regularmente
• Aparatos que utilizó previamente para sus pagos
• Lugar donde realizó pagos
• Cuentas de quienes recibe fondos regularmente
• Nuevos orígenes de pagos;
• Hora y día específicos para pagos.
 
La investigación realizada por FICO mostró que las transacciones hechas fuera del estándar tienen un riesgo 40 veces superior a las que siguen al menos un comportamiento establecido. La tecnología de B-LSIT permite que los modelos de Machine Learning detecten anomalías basándose en un reconocimiento completo del comportamiento del titular de una cuenta.
 
“En el caso de transacciones de pago no autorizado, en las que el defraudador está realizando el pago, las transacciones se efectúan a menudo a través de aparatos no utilizados por el titular legítimo, mientras que los valores van a otra cuenta beneficiada”, agregó el directivo.
 
En estas situaciones, “la tecnología de las B-Lists utiliza un conocimiento profundo de comportamientos típicos previstos, basado en el perfil de las acciones pasadas del cliente real. Por esta razón FICO incorporó la tecnología de perfil colaborativo para una mayor comprensión sobre nuevos comportamientos de clientes. Estos métodos se pueden utilizar para identificar a individuos que normalmente son objeto de fraude de pago y activar la intervención oportuna del banco”, concluyó el Dr. Zoldi.
 
Visto 219 veces Modificado por última vez en Lunes, 29 Octubre 2018 12:20
Inicia sesión para enviar comentarios