Como Stripe usa el machine learning para reducir el fraude hasta un 25% adicional

“Radar for Fraud Teams” ofrece herramientas avanzadas de gestión y personalización para profesionales especializados en fraude en las empresas

Stripe lanza Radar 2.0 que incluye nuevas herramientas diseñadas para grandes empresas y que incorporan las mejoras más importantes a sus modelos machine learning desde su lanzamiento.

Radar evitó intentos de fraude por valor de ¢ 4.000 MM solo en 2017 al aprender de las transacciones de cientos de miles de empresas procesadas por la red de Stripe y ayuda a sus usuarios a personalizar la protección para sus compañías. Con este lanzamiento, Stripe ofrece un nuevo paquete de herramientas avanzadas de prevención del fraude para los profesionales especializados en fraude en grandes compañías.

‘Radar for Fraud Teams’

“Radar for Fraud Teams” está diseñado por equipos de profesionales del fraude altamente cualificados y mejora la visibilidad al ofrecer un control granular para identificar y prevenir el fraude.

A partir de ahora, los profesionales del fraude dentro de las empresas pueden utilizar Radar para:

  • Revisiones más rápidas y precisas: Al revisar los pagos, Radar muestra información relevante y pagos relacionados que el negocio de un usuario ha procesado. Al obtener una visión más amplia de actividades como una ruta de compra típica o una discrepancia entre la dirección IP del país que ejecuta la acción y el país donde se emitió la tarjeta, los profesionales del fraude pueden evaluar rápidamente actividades potenciales de riesgo.

 

  • Reglas personalizadas con feedback en tiempo real: la lógica de prevención de fraude de Radar ahora se puede personalizar con reglas únicas como por ejemplo, «bloquear todas las transacciones superiores a 1.000 euros cuando el país de donde proceda la IP no coincida con el país de la tarjeta». También proporciona una vista preliminar de la regla de datos históricos para ayudar a los profesionales del fraude a evaluar el impacto que tendrían de ser activadas.

 

  • Umbrales de riesgo personalizados: Radar ayuda a los profesionales del riesgo a maximizar los ingresos al permitirles establecer umbrales personalizados para bloquear los pagos.

 

  • Listas de bloquear y permitir: los usuarios ahora tienen una manera fácil de crear y mantener listas de atributos (números de tarjetas, correos electrónicos, direcciones IP, etc.) que deben bloquearse o permitirse consistentemente.

 

  • Análisis exhaustivo sobre el rendimiento en materia de fraude: Radar destaca las tendencias de disputas para el negocio de un usuario, la efectividad de revisar los pagos destacados y el impacto de las reglas personalizadas para el negocio de un usuario.

Mejoras en las capacidades de Radar a través de machine learning

Esta es la actualización más completa de los modelos de machine learning de Radar desde su lanzamiento en 2016. Stripe ha agregado cientos de nuevas señales que distinguen a los clientes legítimos de los estafadores, incluyendo los patrones de compra que son altamente predictivos de fraude. Como resultado, los modelos mejorados de aprendizaje automático ayudan a las empresas a reducir el fraude hasta en un 25% adicional (aún manteniendo altas las tasas de aceptación de pagos).

La detección de proxy es un ejemplo de una nueva señal altamente predictiva que se ha incorporado a los modelos de machine learning de Radar. Mide el tiempo de ida y vuelta entre Stripe y el navegador de un posible defraudador, lo que ayuda a determinar si un posible estafador está utilizando un proxy o VPN.

Radar también evalúa constantemente los patrones que son exclusivos del negocio de un usuario. Radar ahora se actualiza de manera diaria y vuelve a entrenar sus modelos, en el proceso de evaluación del perfil de transacción único de cada usuario para determinar qué modelo logrará el mejor rendimiento. Al entrenar modelos de aprendizaje automático para casos específicos, Radar puede atender con precisión a empresas de todos los tamaños y tipologías con resultados más precisos y eficaces. Al usar un servicio basado en la nube, los usuarios se beneficiarán automáticamente de futuras actualizaciones diarias, con defensas que se adaptarán aún más rápidamente a cambios constantes en las tácticas de los defraudadores.

Citas

Los modelos de machine learning están ahora entrenados con cientos de miles de millones de datos individuales procedentes de la red de Stripe. Hemos utilizado esos datos para actualizar nuestros modelos de fraude para ayudar a las empresas que utilizan Stripe a identificar de forma más precisa a los estafadores y reducir las tasa de fraude hasta un 25%, manteniendo elevadas, al mismo tiempo, las tasas de aceptación de pagos. Con “Radar for Fraud Teams”, presentamos herramientas para que los equipos puedan combatir el fraude, especialmente aquellos procedentes de nuestros usuarios con mayor tamaño, ofreciendo un control granular para gestionar fraude de forma más efectiva y eficiente”, explica Michael Manapat, Director de Ingeniería de Radar y Machine Learning de Stripe.

Las empresas online viven cambios importantes a medida que el fraude se hace más complejo, global y más caro de combatir. El machine learning tiene la capacidad de aprender de los datos  constantemente y ha nacido como una forma eficiente y adaptativa para frustrar pérdidas  por valor de millones. Stripe Radar pone ahora esta capa de inteligencia a disposición de los equipos de profesionales del fraude en las empresas, dotándolos de datos y herramientas para mejorar su capacidad de combatir el fraude. También vemos que Stripe Radar encaja en las empresas multinacionales que pueden utilizarlo para ampliar sus equipos propios con herramientas de revisión contextuales y de machine learning. Con este lanzamiento, Radar representa el último ejemplo de cómo Stripe está ampliando su oferta de productos para dar servicio a empresas cada vez más grandes y sofisticadas”, comenta Jordan McKee, Analista principal, 451 Research

TE PUEDE GUSTAR

EVENTOS

RECIBE NUESTRA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Scroll al inicio