Hiperpersonalización basada en IA para reducir el fraude en entidades financieras

La situación que viví hace unos meses fue “dramática”. Oasis anuncia que vuelve a los escenarios. Es uno de mis grupos favoritos y tenía clarísimo que quería volver a escucharlos en directo, así que el día que salieron las entradas a la venta estaba preparado frente a mi PC, en la cola virtual, con cientos de miles de fans como yo esperando a que llegara mi turno para poder comprar los tickets. ¡Y hubo suerte! Conseguí confirmar la compra de dos entradas… hasta que, en el momento de pagar… mi banco rechazó la transacción sin razón alguna.

La plataforma de pago me dio una segunda oportunidad e intenté realizar el pago con otra tarjeta, nervioso por la situación y enfadado por no haber podido pagar con mi tarjeta principal después de horas de espera en la cola virtual, y hubo, esta vez sí, suerte con la compra.

La realidad es que el emisor de la primera tarjeta reconoció la transacción como sospechosa de fraude, lo que provocó una fricción innecesaria, y me hizo reconsiderar usarla de nuevo. Es muy probable que las dos entidades utilicen modelos de detección de fraude basados en IA pero lo que está claro es que solo la segunda aprovecha las ventajas de la hiperpersonalización –mayor precisión en la detección de fraude o reducción al mínimo de falsos positivos, entre otras– para tomar decisiones automatizadas.

Los modelos de IA para la detección de fraude pueden determinar si una transacción es extraordinariamente poco usual para rechazarla automáticamente, como pudo ser en mi caso la compra de un par de entradas por casi 1.000 euros, pero solamente en el caso de la segunda entidad se combinaron las técnicas de detección con las de hiperpersonalización para conocer mi deseo de compra.

Hiperpersonalización basada en IA

Para entrar más en el detalle de cómo la hiperpersonalización puede mejorar la experiencia de usuario a la vez que aumenta la detección de fraude real, es fundamental entender cómo los sistemas de IA han evolucionado desde el mero hecho de tomar decisiones basadas en estadísticas de población a tomarlas según los comportamientos del usuario, aprovechando los perfiles de las transacciones y capturando el historial de compra de cada cliente de forma individual para entender y anticipar transacciones futuras.

Actuando de esta manera, con perfiles hiperpersonalizados, se puede evitar una predicción demasiado genérica que acabará causando fricción en el cliente. A lo largo del tiempo, los modelos van aprendiendo para conocer qué transacciones pueden ser realmente fraudulentas y cuáles son legítimas, concentrando el análisis solamente en las primeras.

Hiperpersonalización basada en IA para reducir el fraude en entidades financieras

En mi caso, aunque se tratara de mi primera vez comprando unas entradas de 1.000 euros, el emisor de mi segunda tarjeta vio que ya había comprado entradas para conciertos previamente y que mis gastos con la tarjeta se reducen a pagar viajes y ocio, por lo que el modelo de detección decidió que se trataba de una compra legítima.

En cualquier caso, la hiperpersonalización no consiste solamente en conocer las transacciones pasadas de un cliente. Sirve especialmente para predecir cómo se comportan usuarios con gastos similares. Los perfiles colaborativos marcan los historiales de compra de cientos de miles de clientes; esa información se agrupa después de manera óptima para sacar información de arquetipos y los modelos asocian probabilidades para los comportamientos que se repiten entre usuarios con comportamientos similares.

Estos arquetipos pueden llegar a proveer de información muy poderosa, por ejemplo cuánto puede llegar a gastar en un viaje un usuario, qué limitaciones de efectivo puede llegar a sufrir una familia cuando se acerca el fin de mes o cuánto gastará un joven en videojuegos el próximo mes. Y cuando un usuario presenta un comportamiento nuevo, como comprar unas entradas por 1.000 euros, el modelo de detección de fraude aprovecha todo lo que sabe de las compras pasadas y analiza comportamientos de arquetipos similares para determinar si los perfiles parecidos han realizado compras de valor parecido con la presión del tiempo para realizar el pago en una cola virtual.

Los modelos que combinan la información hiperpersonalizada con los patrones recurrentes de perfiles parecidos realizan, como vemos, un análisis individualizado de gran valor para las redes neuronales de de los sistemas de detección de fraude, mecanismos que califican las transacciones según la probabilidad de ser fraudulentas y proporcionan las razones objetivas detrás de dicha calificación.

Como vemos, pues, es de vital importancia para cualquier entidad financiera contar con una inteligencia artificial más inteligente y centrada en el individuo para tomar mejores decisiones óptimas y reducir la fricción.

Autor: Scott Zoldi, director de analítica en FICO