Empresas Premium
En Navidad, el ajetreo del día a día provoca que muchas tiendas dejen de lado un aspecto muy importante del negocio: la seguridad de las transacciones. Y, aunque confiemos en herramientas, tácticas y estrategias de protección frente a estafas, la realidad es que, cada vez con más frecuencia, nos estamos encontrando con un nuevo tipo de fraude que pasa muchas veces desapercibido. Manel Regueiro, director general de Provenir Iberia, nos da las claves de ello.
Es el “fraude en primera persona”: compradores fieles o comprometidos, en los que confiamos porque pagan sus recibos al día, no faltan a sus responsabilidades con los préstamos y realizan compras habituales y recurrentes con sus tarjetas dentro de los límites de crédito, pero que, de repente, manipulan productos o servicios con fines de lucro. A diferencia de los estafadores habituales, estas personas a menudo usan su identidad real, lo que los hace increíblemente difíciles de detectar con métodos tradicionales de prevención. Su naturaleza sigilosa hace que este tipo de fraude pase desapercibido, ya que se disfraza como riesgo de crédito o deuda incobrable, erosionando silenciosamente la rentabilidad de muchas empresas en cualquier sector.
Y, aunque estemos a punto de terminar el año, nos encontramos en el agosto de este tipo de defraudadores, que desafían al comercio minorista, que se encuentra en su pico de trabajo y que, lamentablemente, baja la guardia ante este tipo de clientes que aparentan ser legítimos.
Precisamente por eso, es importante ser consciente de que los enfoques tradicionales de análisis han dejado de ser eficientes. Es necesario adoptar una estrategia inteligente de predicción que proteja las operaciones identificando a los “malos clientes” sin que los “buenos clientes” vean impactada su experiencia de usuario.
Tecnologías como la inteligencia de comportamiento, el machine learning y el análisis de datos en tiempo real son hoy fundamentales para identificar patrones sospechosos. Estas señales tempranas, invisibles para los sistemas tradicionales, permiten intervenir antes de incurrir en pérdidas. Hoy en día, los modelos de Machine Learning son capaces, de hecho, de detectar patrones anómalos que escapan a los controles básicos, correlacionar señales conductuales con riesgo o predecir la intención de no pagar mediante el análisis combinado de datos de solicitud, señales de comportamiento, historial de pagos y otros indicadores externos, bloqueando transacciones de riesgo antes de que causen perjuicios.
Sobre todo, porque, lamentablemente, el fraude en primera persona no se puede disfrazar como una deuda incobrable: es fraude, con todas las letras y con todas las consecuencias. Tratarlo como un mero riesgo crediticio es renunciar a proteger a las empresas y a los consumidores legítimos.
Por ello, para combatir eficazmente este tipo de fraude se requiere un enfoque unificado y basado en datos que elimine los silos entre fraude, riesgo e incluso recobro. Esto implica añadir una capa esencial de inteligencia conductual a las evaluaciones de riesgo. La clave está en conectar datos diversos: no sólo información negativa como ASNEF, sino también fuentes alternativas, inteligencia de dispositivos, datos de telecomunicaciones e historial interno.
Esta combinación permite construir un perfil completo que revela inconsistencias y señales de alerta propias del fraude en primera persona. Por ejemplo, se puede analizar la velocidad de escritura en formularios, un uso excesivo de copiar/pegar, cambios rápidos, navegación inusual, el uso del mismo dispositivo para múltiples identidades, la utilización de emuladores o VPN o también interacciones que difieren del comportamiento típico de un usuario legítimo.
Pero seamos optimistas: el escenario es prometedor, siempre y cuando elijamos la tecnología que sea capaz de analizar de forma eficiente y rápida datos y comportamientos. Y, sobre todo, cambiemos la mentalidad y aceptemos que incluso los “buenos clientes” pueden ocultar costes mucho más elevados de lo que imaginamos si no actuamos a tiempo.
