Equilibrando la automatización, la precisión y la experiencia del cliente en un panorama adversario en constante evolución
La detección de fraude es una piedra angular del comercio electrónico moderno, pero también es uno de los dominios menos publicitados del aprendizaje automático. Esto es por una buena razón: es un dominio conflictivo, donde los estafadores constantemente inventan nuevas formas de eludir los modelos existentes, y los desarrolladores de modelos constantemente inventan nuevas formas de atraparlos.
El objetivo de los sistemas de detección de fraude es bloquear transacciones fraudulentas, como las realizadas por cuentas falsas que utilizan tarjetas de crédito robadas, y al mismo tiempo evitar cualquier fricción en la experiencia de compra de los clientes genuinos. Los falsos negativos (transacciones fraudulentas que pasaron por el sistema por error) resultan en pérdidas monetarias, también conocidas como “deudas incobrables”, debido a devoluciones de cargos iniciadas por los propietarios reales de las tarjetas de crédito, mientras que los falsos positivos (transacciones genuinas que fueron bloqueadas) resultan en una mala experiencia del cliente y batir.
Considere que un proveedor de comercio electrónico moderno puede procesar decenas de millones de pedidos por día, y que las tasas de fraude están en un nivel inferior al por ciento, y está empezando a ver por qué este es un dominio desafiante. Es el problema definitivo de la aguja en un pajar, donde los pajares son abrumadoramente grandes y…