Hola, equipo de Fraude y Cumplimiento 👋
Cuanto más tiempo paso en Sardine, más me doy cuenta de que todos los problemas de riesgo son problemas de ciencia de datos. Así que bienvenido a tu edición todo es datos del boletín de Sardine. Creo que esta te va a gustar.
Por cierto: este mes lanzamos a nuestro asistente GenAI, Finley. Finley puede responder a preguntas como “¿Por qué se activó esta regla?” o “Actúa como analista e investiga al usuario abcdefghi.”
¿Pero cuál es mi cosa favorita de Finley?
Se llama así por un perrito esponjoso y está 100 % certificado como un buen perro.
- 📣 Desahogo: El aprendizaje automático tradicional > la IA generativa por ahora
- 🛠 Táctico: Mejora de datos de comerciantes con IA
- 🖼 Patrón: Recombinar fuentes de datos
Producto: 🚢 El equipo de Sardine no deja de lanzar novedades. Este mes añadimos 8 funciones nuevas a nuestra plataforma de riesgo para ayudar con las reglas, las investigaciones y la gestión de casos. Lee el blog para ver todos los detalles.
Vamos a sumergirnos 🏊
ST.
📣 Desahogo mensual: el ML es mejor que la GenAI para el fraude (por ahora)
No estás utilizando el ML de forma suficientemente sistemática, por mucho que lo estés usando.
Este Rant se desencadenó por una conversación que tuve esta semana con el CTO de un neobanco, quien dijo que hay una enorme oportunidad de tomar la delantera en el uso de aprendizaje automático para la detección de fraude como industria.
Como era de esperar, estoy de acuerdo.
Compartí la cita de Soups: “Todos los problemas de riesgo son problemas de ciencia de datos,” y me resonó como alguien que ha trabajado en las grandes tecnológicas y ha operado con el ML como opción predeterminada y a una escala masiva.
No tenemos eso en los servicios financieros.
Todavía no.
Muy pocas instituciones financieras, neobancos o comercios electrónicos tienen una plataforma tecnológica que se parezca a la de Google o Meta. Esas empresas recurren por defecto al ML y a las redes neuronales para resolver casi cualquier problema. El mejor uso del ML se da en áreas específicas y con modelos relativamente pequeños que resuelven problemas puntuales. Las instituciones financieras más grandes están formando equipos especializados para incorporar el ML internamente y desarrollar esa capacidad.
Pero todavía queda un largo camino por recorrer.
Estos modelos deben volverse mucho más grandes y sofisticados para hacer frente al aumento del fraude y el lavado de dinero en el mundo. No basta con tener un modelo de aprendizaje automático. Nuestro objetivo es contar con los modelos de mejor rendimiento, gestionados y actualizados de forma constante por un equipo de clase mundial.
Y dado que todos los problemas de riesgo son problemas de ciencia de datos, debemos tratarlos como tal.
Todos los problemas de ciencia de datos son problemas de ingeniería de datos.
Esto significa que tenemos que hacer bien lo básico.
Necesitamos un conjunto de datos grande, limpio y accesible.
Eso es fácil de decir, pero difícil de hacer.
Recopilar un gran conjunto de datos en servicios financieros significa que estás recopilando datos personales y datos financieros y potencialmente compartiéndolos. La carga de cumplimiento y gobernanza es nada trivial.
Hay muchísimas oportunidades para hacer bien estos aspectos básicos. Obtén un conjunto de datos más grande y aprovecha técnicas de aprendizaje automático probadas en batalla para capturar el retorno de la inversión que se está dejando sobre la mesa.
No estoy tirándole mala onda a la GenAI; inevitablemente será un cambio de juego (de hecho, tenemos Finley Live).
Para combatir el fraude, GenAI no es la mejor herramienta. El aprendizaje automático es suficiente. Y eso es lo que usamos en Sardine, tanto mediante modelos de aprendizaje automático supervisado que extrapolan casos anteriores de fraude e identifican a otras personas que probablemente formen parte de una red de fraude, como mediante modelos no supervisados basados en grafos que nos permiten agrupar eventos o usuarios de aspecto similar en un posible anillo.
Sin embargo.
Si hablamos de automatizar las operaciones, ya sean de fraude o de cumplimiento, entonces la GenAI puede ser de enorme ayuda. Los bancos destinan entre el 10 % y el 30 % de su plantilla a operaciones y, con herramientas como AutoGPT, podemos automatizar la mayor parte del trabajo tedioso que tienen que hacer día tras día, por ejemplo: revisar casos de forma automática, crear automáticamente una narrativa para un SAR o presentar automáticamente una disputa por un contracargo.
Y aunque eso supone un enorme ahorro de costos, el gran desafío con GenAI es que todavía está en una etapa muy temprana: los modelos, el valor y los casos de uso siguen estando en constante cambio.
Como ingeniero de datos, es difícil de construir (¡aunque está cambiando rápidamente!)
En Sardine estamos haciendo cuatro cosas basadas en esta hipótesis
- Ofrecemos a los clientes acceso al almacén de datos y a las características de aprendizaje automático. Pueden usar nuestros datos y las características diseñadas por Sardine directamente para entrenar sus modelos.
- Incorporamos datos de más de 35 proveedores para enriquecer nuestro conjunto de datos. Como científicos de datos, los hemos seleccionado por su rendimiento (cobertura, calidad, SLA de respuesta, etc.).
- Estamos creando SardineX para ofrecer la solución de intercambio de datos más completa y conforme a las normativas (314(b), GLBA) del mercado. Por científicos de datos para científicos de datos.
- Estamos creando Finley como el copiloto definitivo para operaciones de fraude, entrenado con nuestros datos, experiencia y plataforma.
➕ Fraud Squad: mejora de datos de comercios con IA
Aquí tienes un fragmento de nuestro análisis sobre el uso del enriquecimiento de datos de comerciantes para combatir el fraude y las devoluciones de cargo
Durante décadas, los emisores de tarjetas, los bancos y las neobancos han estado actuando a ciegas en su lucha contra el fraude, lo que ha provocado pérdidas de ingresos por rechazos erróneos. Los datos que utilizan suelen ser confusos y hacen que se bloquee a buenos clientes mientras los estafadores se salen con la suya. Los equipos antifraude dependen de formatos obsoletos como los mensajes ISO8583 y los códigos NAICS junto con los datos de las transacciones con tarjeta.
Eso cambia hoy.
Visión 20/20 para los datos de TPV de comercios
Para los emisores de tarjetas, como bancos y neobancos, los datos de los comercios siempre fueron poco fiables y confusos.
Ejemplo de mensaje ISO8583
En esta transacción simplificada, un usuario ha comprado 15 dólares en comida rápida en Yum. Yum! Brands es la empresa matriz de KFC, Taco Bell y Pizza Hut. Así que la primera pregunta es: ¿en cuál de estas marcas gastó su dinero?
Además, hay más de 53.000 locales de Yum Brands. Solo en Manhattan hay 26 Taco Bells. ¿Cómo sabemos si un usuario realizó esa compra en ese local? ¿Cómo sabemos si era una zona de alto fraude? ¿Cómo sabemos de qué marca se trataba?
Si el sistema de fraude se basa en un código de categoría de comercio (Merchant Category Code), podría dar lugar tanto a altas tasas de fraude como a rechazos erróneos. Ambas situaciones son perjudiciales para el negocio y para los clientes.
Así es como se ve cuando la inteligencia del comercio se combina con los datos del dispositivo y el motor de Sardine.
- Recopila la ubicación real del teléfono móvil del usuario en el momento de la compra. Eso es algo que Sardine ya ofrece hoy a través de nuestras capacidades de Inteligencia de Dispositivos.
- Identificar la verdadera identidad del comercio y vincularla a la transacción. Esto se ofrece hoy en día a través de las capacidades de inteligencia de comercios de Spade, con un único ID para cada ubicación o instancia de un comercio, sin importar cómo aparezca el nombre en el descriptor o qué ID de comerciante esté presente.
- Recopilar la ubicación real del comercio y vincularla con la transacción. Eso se ofrece hoy en día mediante capacidades de inteligencia de comercios.
- En el momento de la autorización de la transacción, combina estos puntos de datos para ofrecer una evaluación de fraude en tiempo real. El motor de reglas, el panel de control y el 🧠 de Sardine reúnen cualquier fuente de datos, la enriquecen y toman decisiones en tiempo real.
Visión 20/20 para el comercio electrónico
Aquí tienes un ejemplo de comercio electrónico
En este ejemplo, vemos a un usuario que realiza una compra de 50 $ en Amazon. Pero no sabemos si se trata de productos electrónicos, libros o contenido digital, cada uno con su propio riesgo de fraude. El código MCC está configurado como “librerías”, lo cual no abarca todo lo que hace Amazon. La transacción se considera sospechosa de fraude según el mensaje, pero ¿cómo podemos verificarlo? ¿Podría esto provocar un rechazo erróneo?
Podemos lograr una resolución mucho mayor con los datos del comercio.
- Recopila el historial de uso del dispositivo. Si este dispositivo se ha comportado de forma fiable y con bajo riesgo de fraude en varios comercios, incluso si la tarjeta es nueva, tendremos mayor confianza en que no se trata de un fraude.
- Recopila señales de comportamiento del usuario. ¿Esta nueva compra con tarjeta en este dispositivo implica que la persona escribe, desliza o toca las teclas de la misma manera que siempre lo hace, o ha cambiado algo? Si algo ha cambiado, podría tratarse de un fraude. Si todo es igual, probablemente no lo sea.
- Subcategoriza al comercio. ¿Fue esta una transacción de AWS, una suscripción a Amazon Prime o una compra de Kindle? La respuesta marca una diferencia significativa en tu toma de decisiones.
- Crea reglas personalizadas. Sardine permite a los usuarios crear nuevas reglas de forma rápida utilizando no-code o low-code. Los usuarios pueden seleccionar entre una amplia variedad de funcionalidades (que incluyen puntos de datos enviados a la API de Sardine, enriquecimientos realizados por Sardine mediante señales de riesgo de consorcio y campos derivados por los modelos propietarios de Sardine). Luego, añade acciones de resultado y envía la regla en entornos Live o Shadow.
- Evaluación de riesgo en tiempo real. En el momento de la autorización de la transacción, combina estos datos para ofrecer una evaluación de fraude en tiempo real. Luego, aprueba, rechaza o marca la transacción para revisión.
Obtén una vista en tiempo real del ID de comerciante real, incorpora cualquier dato que desees, crea una regla personalizada y decide si apruebas la autorización de la transacción.
Menos falsos positivos. Más conversiones. Menos fraude.
Encantador.
Si quieres leer el artículo completo, puedes verlo aquí
Y si necesitas escalado de IA para el riesgo de comercios, ponte en contacto. Puedes responder a este mensaje o escribirnos a hello@sardine.ai
🕵️ Patrón: Por qué necesitamos remezclar las fuentes de datos
La “enriquecimiento de datos” suena tan aburrido, pero es increíblemente poderoso.
El poder del enriquecimiento de datos:
El dicho «calidad sobre cantidad» nunca ha sido más cierto que en un mundo que se ahoga en datos. Ahí entra en juego el enriquecimiento de datos: mejorar los datos en bruto con información adicional para ofrecer una imagen más clara. Es como tener una lupa que resalta los detalles más cruciales.
Todos los problemas de riesgo son problemas de ciencia de datos.
Pero no se trata solo de ampliar; se trata de resaltar los detalles correctos.
Necesitas los mejores datos de los mejores proveedores, disponibles cuando los necesites y en la forma en que los necesites. Esto puede incluir teléfono, correo electrónico, dirección, tarjeta de crédito, cuenta bancaria y números de seguridad social (SSN) o identificaciones centrales locales.
Siempre aconsejamos: “No te limites a agregar datos; selecciónalos cuidadosamente”. Por ejemplo, elegimos 35 proveedores especializados para nuestro arsenal, todos evaluados por nuestro equipo interno de fraude y cumplimiento: estamos en una misión para ofrecer datos que realmente importan.
Ya sea que se trate de datos de open banking o de esas señales tan difíciles de conseguir de un "consorcio bancario", trabajamos arduamente para obtenerlos porque dan resultados.
Un ejemplo: el oro en los datos de los consorcios bancarios
En mi primera semana en Sardine, nuestro cofundador Adi me dijo: «Si en mis días en fintech me hubieras dicho que podríamos tener datos de consorcios bancarios, me habría quedado alucinado».
Entonces, ¿por qué tanto revuelo con los datos de los consorcios bancarios? Imagina poder detectar a un posible estafador no solo por sus acciones actuales, sino también analizando un historial en el que podría haber estado implicado antes.
Estos datos actúan como una memoria, recordando casos que nos ayudan a tomar mejores decisiones ahora. Combínalos con datos de open banking, historial de correos electrónicos o datos de telecomunicaciones, y podrás detener a un actor malintencionado durante el alta antes de que se convierta en un problema o rechazar la transacción adecuada en el momento del pago.
Cómo seleccionamos a los proveedores de datos.
Necesitamos tres cosas para que los datos sean útiles para el equipo antifraude.
- Rendimiento: Los datos y los proveedores deben cumplir. Los principales KPI son una mejor conversión en el proceso de pago, la reducción de contracargos y del trabajo manual. Los proveedores de datos tienen que responder, y esa es nuestra métrica clave a la hora de seleccionarlos.
- Curación: No todos los datos son iguales. En la era de la información, el discernimiento es clave. En Sardine, cada punto de datos y cada proveedor se recopilan y son evaluados. Nuestro equipo experimentado se asegura de que los datos en los que confías sean relevantes y precisos.
- Personalización: Lo entendemos; cada empresa es única. Por lo tanto, tú decides si quieres consumir nuestros datos enriquecidos a través de una API o crear reglas personalizadas mediante nuestro panel intuitivo. Nosotros proporcionamos las herramientas; tú las utilizas.
Combinar señales es la clave
Imagina que un estafador ha robado un teléfono. Superaría la verificación del número de teléfono y posiblemente también la del nombre y la dirección si esos datos también han sido robados. Pero ¿qué pasa con el correo electrónico? ¿Qué pasa con el dispositivo que está usando? Podrías pasar por alto el dato crucial si no reúnes toda la información.
La naturaleza de la detección consiste en buscar agujas en un pajar. Esto resulta ser algo en lo que la IA es especialmente buena. Detecta inconsistencias, pero como toda ciencia de datos, requiere una gran cantidad de datos y datos de alta calidad.
La ciencia de datos necesita acceso a los datos
Para encontrar agujas en un pajar, los científicos de datos necesitan acceso al almacén de datos, pero conseguirlo es sorprendentemente difícil. La mayoría de las plataformas de fraude y riesgo proporcionan una puntuación de riesgo, pero pueden no compartir los datos. El problema es que cada empresa tiene un perfil de riesgo único. Sus científicos de datos suelen ser quienes están en mejor posición para crear nuevos modelos, pero sigue siendo poco común obtener acceso a los datos adecuados con la calidad adecuada.
Uniendo todas las piezas
Selecciona a los proveedores de datos adecuados, evalúa su rendimiento y asegúrate de que los científicos de datos tengan el acceso que necesitan para resolver los problemas a los que se enfrenta la empresa.
Si te ha gustado esto, encontrarás el artículo completo aquí
Eso es todo, amigos 👋
¿Te encanta todo esto? Puedes dar las gracias pidiéndote una demostración de Sardine.
¿Sigues aquí? ¿Por qué no saludas en Twitter o en LinkedIn?
🧙Misión: Envíanos tu problema de fraude más difícil de resolver. ¿En qué estás atascado? Las sardinas nadan juntas.
Estamos aquí para ayudarte.