Cómo Asoview decidió proteger la experiencia del cliente sin concesiones
Asoview ofrece dos productos: «Asoview!», una plataforma de reservas para consumidores que permite contratar actividades de ocio y experiencias al aire libre en todo Japón, y «Urakata», un SaaS de gestión de reservas para operadores de instalaciones. En conjunto, prestan servicio a aproximadamente 6.000 empresas asociadas y cuentan con 16 millones de miembros registrados. Cuando salen a la venta entradas con una gran demanda y el volumen de transacciones se dispara en cuestión de segundos, cualquier fricción en el proceso de pago tiene un coste directo. Esta realidad operativa llevó a Asoview a desarrollar una capacidad de detección del fraude independiente de sus proveedores de servicios de pago.
El desafío: un enfoque antifraude ligado a decisiones equivocadas
Asoview había estado utilizando las herramientas de prevención del fraude incluidas en los servicios de sus proveedores de pagos. Este modelo funcionó hasta que Junya Ebe, director ejecutivo sénior y CIO, analizó sus implicaciones a largo plazo. Cada vez que Asoview cambiaba de PSP, su estrategia de prevención del fraude volvía a empezar de cero. Los datos acumulados, los patrones aprendidos y las reglas ajustadas no se transferían. «Llegamos a la conclusión de que vincular nuestra estrategia de seguridad a las decisiones comerciales de un proveedor de pagos generaba un riesgo estructural a medio y largo plazo», afirmó Ebe.
Para una plataforma en la que la seguridad es un principio operativo declarado, esa dependencia suponía un problema estructural. Asoview define la «seguridad» en tres ámbitos concretos: la seguridad de la información y la gestión de datos, la disponibilidad del sistema bajo carga y una experiencia fluida tanto para los consumidores como para los operadores de las instalaciones.
También existía una preocupación concreta en torno al rendimiento. El volumen de transacciones de Asoview es irregular. Cuando se pone a la venta una entrada o experiencia popular, la demanda se dispara casi al instante, y cualquier latencia añadida por una comprobación antifraude en ese momento perjudica directamente el proceso de pago. Las herramientas incluidas en la solución existente no ofrecían garantías de rendimiento significativas en esas condiciones. Como explicó Ebe: «Cuando salen a la venta entradas con mucha demanda y el tráfico aumenta bruscamente, las transacciones deben seguir procesándose».
La solución: señales de comportamiento a la velocidad del proceso de pago
Asoview evaluó a los proveedores en seis dimensiones: metodología de detección, latencia y rendimiento, complejidad de implementación, cobertura selectiva por categoría de producto, estructura de costes y evolución del producto a largo plazo. La velocidad de procesamiento fue el factor con mayor peso.
Velocidad bajo carga
El tiempo medio de respuesta de Sardine, inferior a 0,2 segundos, junto con su capacidad para gestionar cientos de solicitudes por segundo durante los picos de carga, cumplía ese requisito. Sardine también permite aplicar la cobertura de forma selectiva por categoría de producto, en lugar de hacerlo de manera uniforme en todas las transacciones. Para Asoview, esto suponía concentrar la detección en las categorías de mayor riesgo sin añadir costes adicionales al resto, una estructura de costes más justificable que una cobertura generalizada.
Biometría del comportamiento e inteligencia de dispositivos
El enfoque de detección que más destacó fue la combinación de biometría del comportamiento e inteligencia de dispositivos. Sardine analiza señales sutiles de comportamiento, como el movimiento del ratón, el ritmo de escritura y la inclinación del teléfono inteligente, para distinguir la actividad automatizada de la de usuarios reales. «En una era en la que la IA generativa facilita cada vez más la falsificación de información personal, los patrones inconscientes de comportamiento son mucho más difíciles de imitar», afirmó Ebe. «Ahí es precisamente donde este enfoque de detección ofrece una ventaja».
La capacidad de Sardine para identificar el verdadero origen de una conexión, incluso cuando se manipulan las direcciones IP para hacer pasar un acceso desde el extranjero por uno nacional, supuso una ventaja práctica. Asoview detecta habitualmente este tipo de suplantación en los datos de sus transacciones, y Ebe señaló que el impacto fue palpable desde las primeras fases de la implementación.
La arquitectura híbrida, que combina la IA con una lógica basada en reglas, cubrió una carencia que cualquiera de los dos enfoques por separado deja sin resolver. La IA por sí sola necesita tiempo para alcanzar una precisión fiable ante nuevos patrones. Las reglas por sí solas no pueden adaptarse con suficiente rapidez a medida que cambian las tácticas. Ambas capas se complementan, que es lo que importa en un entorno de producción.
Implementación y operaciones continuas
El equipo de desarrollo interno de Asoview se encargó de la integración y logró ponerla en producción en menos de un mes, antes de lo previsto. La configuración inicial se basó principalmente en reglas, mientras el modelo de IA mejoraba su precisión a medida que se acumulaban datos de transacciones. DGBT, el socio distribuidor de Sardine en Japón, se encarga de modificar las reglas. Asoview le proporciona los datos sobre fraude y sus comentarios, y DGBT realiza los ajustes sin necesidad de recurrir a los recursos internos de ingeniería. Cuando es necesario bloquear de inmediato un patrón específico, el equipo de consultoría de DGBT lo convierte directamente en reglas lógicas.
Los resultados: menos fraude, sin aumento de falsos positivos
Asoview entró en funcionamiento en agosto, en plena temporada alta de verano. Las tasas de transacciones fraudulentas disminuyeron considerablemente durante el primer mes, justo cuando el sistema estaba sometido a la máxima presión.
«Ahora bloqueamos el fraude con precisión quirúrgica, utilizando parámetros granulares como el sistema operativo, el tamaño de la pantalla y las señales de comportamiento, sin perjudicar la experiencia de compra de los clientes legítimos».
Sardine bloquea el fraude mediante señales granulares, como el sistema operativo, el tamaño de la pantalla y los patrones de comportamiento, sin añadir fricción para los clientes legítimos durante el proceso de pago. Los falsos positivos no aumentaron. A medida que disminuyeron los contactos relacionados con el fraude, la capacidad del equipo de soporte dejó de centrarse en la gestión de incidentes y se destinó a cuestiones esenciales del servicio.
De cara al futuro: escalar a medida que crece la superficie de ataque
Asoview está ampliando su oferta, que hasta ahora se centraba en actividades y ocio, para incluir eventos y categorías relacionadas con los viajes, al tiempo que acelera su expansión internacional. La entrada en nuevas regiones y una oferta de productos más amplia implican una mayor superficie de ataque.
Los datos sobre fraude que acumula Asoview se incorporan al modelo de Sardine, lo que mejora la precisión de la detección con el tiempo. El plan es apoyarse cada vez más en ese modelo de IA a medida que aumenten los datos, avanzando hacia una detección más precisa y reduciendo la dependencia de las reglas manuales. «Los datos sobre fraude que acumulamos contribuyen a mejorar el modelo de Sardine, lo que, a su vez, aumenta nuestra propia precisión de detección», afirmó Ebe. «Es una relación acumulativa que se refuerza mutuamente. Ese es el tipo de dinámica sostenible y beneficiosa para ambas partes que pretendemos mantener».