Detección de fraude con machine learning
Respuesta corta
SwankyForge construye sistemas de detección de fraude y abuso que puntúan transacciones, pedidos o cuentas en tiempo real, explican cada decisión y funcionan junto a las reglas existentes hasta demostrar su valor. El objetivo es menos falsas alarmas con la misma tasa de detección, medido con sus datos. Los proyectos se dimensionan tras un breve discovery, dentro de un rango habitual de 7k €–42k €.
- Pedido 88412 · cliente recurrente0.08
- Pedido 88413 · dispositivo nuevo, dirección habitual0.21
- Pedido 88414 · dispositivo nuevo, dirección nueva, importe alto0.87
- Pedido 88415 · cliente recurrente0.05
Marcado: dispositivo nuevo + dirección nueva + importe 6× el habitual del cliente
¿Le suena?
- Las reglas solo detectan el fraude que ya conocen.
- Los analistas pasan el día con falsas alarmas.
- Se rechaza a buenos clientes.
- Los nuevos patrones de ataque pasan desapercibidos durante semanas.
- Nadie sabe explicar por qué se bloqueó un pedido.
Qué construimos
Scoring en tiempo real
Cada transacción, pedido o registro puntuado dentro del flujo existente.
Umbrales con coste
Cortes fijados según lo que le cuesta cada tipo de error, no por defecto.
Motivos de cada decisión
Los factores detrás de cada puntuación, legibles para analistas y soporte.
Alertas de drift
Un aviso cuando el comportamiento cambia, antes de que aparezcan las pérdidas.
Cola de analistas
Casos ordenados por riesgo e importe, con las evidencias adjuntas.
Despliegue gradual
Funciona primero junto a sus reglas; toma el relevo solo donde es mejor.
Cómo se desarrolla un proyecto
- 1
Calcular el coste de los errores
Lo que cuesta un fraude no detectado y lo que cuesta un cliente rechazado por error. Ambos fijan el objetivo.
- 2
Construir el historial
Las decisiones pasadas, los contracargos y las revisiones se convierten en ejemplos etiquetados.
- 3
Puntuar y explicar
Un modelo puntúa cada evento en tiempo real y enumera los motivos.
- 4
En la sombra de sus reglas
Funciona en silencio junto a las reglas actuales hasta que detecta el mismo fraude con menos falsas alarmas.
- 5
Monitorizar y reentrenar
Alertas de drift, informes semanales y un rollback bajo su control.
Qué se entrega
- Servicio de scoring dentro de su flujo de pagos o pedidos
- Política de umbrales basada en el coste de cada error
- Cola de analistas con motivos por caso
- Monitorización de drift y rendimiento
- Código, modelos y runbooks en su repositorio
Precio habitual
7k €–42k €
Plazo habitual
Se define en el discovery
Según la tarifa publicada. El precio final se fija una vez acordado el alcance.
Estimar su proyectoPreguntas
¿Sustituirá el machine learning a nuestras reglas antifraude?
Al principio no. El modelo funciona junto a las reglas y toma el relevo solo donde detecta el mismo fraude con menos falsas alarmas. Algunas reglas se quedan porque codifican políticas.
¿Qué velocidad tiene el scoring en tiempo real?
La suficiente para ir dentro del checkout o de la autorización del pago. El presupuesto de tiempo de respuesta se acuerda de antemano y se monitoriza.
¿Pueden explicar por qué se rechazó una transacción?
Sí. Cada puntuación viene con los factores que la explican, para que analistas y soporte puedan explicar una decisión al cliente.
¿Cuánto fraude etiquetado necesitamos?
El fraude confirmado siempre escasea. Combinamos contracargos, revisiones pasadas y señales de anomalía, y primero medimos qué es alcanzable con su historial.
¿Por qué no hay un precio fijo?
Los puntos de integración y la calidad de los datos son lo que más varía entre empresas. Un breve discovery fija el alcance y el precio.
Cuéntenos la tarea.
La primera llamada es gratuita. Si este sistema no es la respuesta adecuada para sus cifras, lo decimos.