Si observamos el uso de datos no solo desde el punto de vista de la comprensión de lo que sucedió en el pasado, sino desde la perspectiva de usarlos para decidir qué se puede hacer en el futuro para prevenir fraude.¿Qué tanta relevancia puede tomar la correcta recolección y explotación de los mismos?

Para que una estrategia de prevención de fraude bancario sea exitosa se necesita involucrar al equipo directivo y al mismo tiempo cuidar la calidad de los datos. Las nuevas tecnologías para detección y prevención de fraude basadas en el análisis de datos suelen utilizar técnicas sofisticadas que se centran en la detección de anomalías no lineales para tratar estos casos.

Uno de los principales usos de los datos es comprender el comportamiento normal de los clientes, sin esto, es prácticamente imposible detectar el fraude, ya que la desviación del comportamiento normal es un gran indicador. Debe considerarse no solo comprender el comportamiento del titular de una cuenta, sino también a todos los asociados con la cuenta.

Con el análisis preciso y oportuno de los datos sin duda se puede tener un mayor entendimiento del problema que representa el fraude en la institución. Sin embargo con todo y esto, tanto comprenderlo como cuantificarlo puede ser bastante complicado debido a diversas razones.

Cuantificación del riesgo potencial

Permitir que los datos hablen es la clave del éxito de cualquier sistema basado en modelos, estos datos deben guardarse e interpretarse con mucha precisión para que los modelos tengan sentido. El primer paso importante para construir un modelo es definir, comprender e interpretar el fraude correctamente. A primera vista, esto parece un problema muy fácil de resolver, pero en términos prácticos es mucho más difícil de lo que parece.

El nivel de comprensión del fraude varía mucho entre los diferentes departamentos que se ocupan de los distintos productos dentro del banco. Por lo general, el fraude tiene un gran impacto en el resultado final de los bancos, sin embargo si observamos el nivel de información que se almacena y analiza sistemáticamente sobre el fraude en las instituciones financieras. Se podría llegar a la conclusión de que debe ser mucho más riguroso de lo que se es hoy.

En el caso del fraude es prácticamente imposible cuantificar la cantidad económica real que se ha perdido, ya que este se detiene apenas se realiza alguna intervención, después de tomar medidas, y por lo tanto es difícil determinar el riesgo potencial.

Documentar el caso de fraude

Otro desafío en el proceso de cuantificar el fraude es la forma en que se documenta cada caso. Por ejemplo, si el sistema de detección de fraude en el banco no identificó las transacciones fraudulentas a medida que ocurrieron, sino que estas fueron detectadas hasta el momento en que el titular de la tarjeta llamó al banco para denunciar el fraude porque al recibir su estado de cuenta mensual se percató de que algunos de los cargos no fueron hechos por él/ella. Este desfase de tiempo entre la fecha real en que inició el fraude y la fecha en que el titular de la tarjeta lo detectó, genera ambigüedad en términos de los datos documentados para el caso. La estimación del monto del fraude también se convierte en una estimación aproximada en el mejor de los casos.

Si la transacción se marcó como fraudulenta o no de manera incorrecta, esto normalmente no se corrige incluso después de que ingresa la información correcta. Todo esto plantea un desafío interesante al diseñar un sistema basado en datos para combatir el fraude.

¿De quién es la pérdida?

En gran medida, la respuesta a la pregunta “¿De quién es la pérdida?”, realmente determina qué tan bien se registran los datos de fraude que se ha cometido.

En el caso de los préstamos no garantizados, como las tarjetas de crédito, la mayor parte de la responsabilidad recae en los bancos, y los bancos tienden a preocuparse mucho más por este tipo de pérdida. Por lo tanto, se establecen sistemas para capturar estos datos sobre una base histórica con una precisión razonable. En el caso de préstamos garantizados, robo de identidad, etc., una gran parte de la responsabilidad recae realmente en el cliente, y corresponde al cliente demostrarle al banco que ha sido estafado.

Cuando un cliente muy valioso se queja de fraude en su cuenta, es probable que un banco preste atención. Dado que la mayoría de los fraudes no son a gran escala, hay menos necesidad de establecer sistemas elaborados para centrarse y recopilar los datos para realizar un seguimiento del pasado y así elaborar mecanismos que permitan prevenir fraude en el futuro.

Modelado supervisado versus no supervisado

Cuando la información del fraude se registra de manera deficiente, limita la medida en que se puede realizar un modelado supervisado. En esta clase de modelado hay un objetivo claramente definido que está tratando de predecir el fraude utilizando variables independientes, en lugar de una metodología de modelado sin supervisión donde no hay ejemplos pasados ​​conocidos o registrados del comportamiento que se está intentando predecir.

Los modelados no supervisados ​​y semi-supervisados ​​se centran en casos en los que existe información limitada sobre el comportamiento fraudulento. Tiene mucho sentido que los bancos capturen información de fraude con mucha diligencia, registren la información y la pongan a disposición para futuros ejercicios de modelado.

La importancia de los datos precisos para prevenir fraude

Obtener datos de fraude capturados, categorizados y almacenados con precisión es el primer paso importante para usar tecnología basada en datos para combatir las pérdidas por fraude. Esto puede parecer muy fácil, pero al examinarlo de cerca descubriremos que tener datos de fraude almacenados de manera confiable durante un largo período de tiempo requiere un enfoque sistemático en todos los niveles del banco. La acumulación de datos precisos comienza con una visión general de cómo los múltiples pasos del proceso se conectan y afectan el resultado. Proceso sin comunicación y comunicación sin proceso es poco probable que produzcan resultados deseables.

En conclusión

Para comprender la importancia de registrar la información de fraude correctamente, es necesario entender cómo se desarrolla un sistema de detección basado en datos. Este es el principio de la estrategia para prevenir fraude basado en reglas simples o en modelos sofisticados.


1 Comentario

Pensare · 12 octubre, 2020 a las 12:58 pm

Thanks

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *