Identifique las actividades fraudulentas en línea
Cada año, se pierden decenas de miles de millones de dólares en todo el mundo a causa del fraude en línea. Tradicionalmente, las compañías han utilizado aplicaciones de detección de fraude basadas en reglas que no son lo suficientemente precisas y se quedan atrás frente a los comportamientos cambiantes de los defraudadores. Gracias a las soluciones de machine learning de detección de fraude de AWS, las compañías pueden detectar y evitar de manera más proactiva y precisa el fraude en línea. Estas soluciones ayudarán a reducir las pérdidas de ingresos, evitar el daño a la marca y brindar una experiencia en línea del cliente sin fricciones a la vez que se adapta a los patrones de amenazas cambiantes.
Beneficios
Detección de fraude según sus condiciones
Las compañías que no cuentan con expertos en machine learning, pueden utilizar Amazon Fraud Detector para agregar capacidades de detección de fraude basadas en ML para sus aplicaciones comerciales en cuestión de minutos, mientras que aquellas empresas con un equipo dedicado de científicos de datos pueden recurrir a Amazon SageMaker para desarrollar soluciones de detección de fraude muy especializadas en cuestión de días.
Creación en base a la experiencia de Amazon en detección de fraude
Las soluciones de ML de detección de fraude de Amazon sacan partido de los 20 años de experiencia que tiene Amazon previniendo el fraude y el abuso en AWS, Amazon.com y sucursales, para fortalecer los modelos que produce con conocimiento de los patrones de fraude.
Prevención y detección de fraudes en línea en tiempo real
Las soluciones de ML de detección de fraude de Amazon clasifican el riesgo de un evento en tiempo real, lo cual permite a los clientes aplicar al instante medidas de contención o solución diseñadas para bloquear o rechazar a los defraudadores y rastrear con rapidez actividad de riesgo bajo para brindar mejores experiencias del cliente a clientes de confianza.
Otorgue mayor nivel de control a los equipos de fraude
Al gestionar automáticamente las tareas complejas necesarias para formar, ajustar e implementar un modelo de detección de fraude, las soluciones de ML de detección de fraude de Amazon permiten que los usuarios que no son expertos en machine learning, pero sí están familiarizados con problemas de fraude, participen en el desarrollo y la actualización de modelos de alta precisión.
Casos de uso
Detección de fraude en pagos o transacciones
El evento de interés es un intento de completar una compra en línea o realizar o procesar un pago en línea. Un ejemplo común en el espacio del comercio electrónico es un usuario sin registrar o “invitado”. La transacción implica a un usuario que no tiene un historial de cuentas o ha seleccionado una opción de usuario sin registrar (“invitado”) para una experiencia más anónima.
Fraude de cuenta nueva
El evento de interés es el acto de inscribirse o registrar una cuenta nueva. El fraude comienza cuando un agente malintencionado crea identidades falsas, robadas o sintéticas, o genera varias cuentas, a menudo mediante el uso de bots. Una vez que se ha establecido la identidad en una plataforma digital, ejecutar un ataque es fácil.
Toma de control de cuenta
El evento de interés es un intento de inicio de sesión con una cuenta de usuario legítima. La toma de control de cuenta se refiere a la situación en la que el inicio de sesión de un usuario legítimo está en riesgo, debido a que un agente malintencionado ha robado su ID de usuario y contraseña, los ha comprado en la dark web o ha conseguido averiguar dichas credenciales.
Abuso de promoción
El evento de interés por lo general es el acto de un usuario que canjea un beneficio concedido mediante una generación de demanda o promoción de marketing. Los agentes malintencionados accederán a la cuenta de un usuario legítimo y obtendrán créditos o puntos de lealtad a través de transferencias o adquisiciones. También crearán varias cuentas falsas para explotar promociones como una prueba gratuita o créditos gratuitos que se conceden con una cuenta nueva, o realizarán una autorrecomendación para conseguir una bonificación por recomendación.
Reseñas falsas o abusivas
El evento de interés es la publicación de la reseña de un producto que contenga contenido engañoso o abusivo. El análisis automático es clave para escalar la capacidad para detectar reseñas falsas y abusivas, de modo que los servicios de atención al cliente no tengan que perderse entre montañas de alertas, muchas de las cuales pueden ser falsos positivos.
Autenticación
Durante el registro de la cuenta en línea, la biometría facial con tecnología de machine learning puede habilitar la verificación de identidad para cualquier situación. Gracias al reconocimiento facial formado previamente y las capacidades de análisis integradas, puede mejorar su flujo de trabajo de incorporación y autenticación de usuarios sin necesidad de tener experiencia en machine learning.
Soluciones destacadas en AWS
Descubra los servicios personalizados, las soluciones de AWS, las soluciones para socios y las directrices para abordar rápidamente sus casos de uso técnicos y empresariales.
Detección del fraude mediante a través de machine learning
Puede utilizar la implementación de esta orientación para automatizar la detección de una actividad potencialmente fraudulenta y la señalización de esa actividad para su revisión. Fraud Detection Using Machine Learning es fácil de implementar e incluye un conjunto de datos de ejemplo que puede modificarse para trabajar con cualquier conjunto de datos.
Guía para la detección de fraudes casi en tiempo real con Graph Neural Network en AWS
En esta guía se muestra un sistema antifraude integral y casi en tiempo real basado en redes neuronales gráficas de aprendizaje profundo. Este esquema de planos utiliza Deep Graph Library (DGL) para construir un gráfico heterogéneo a partir de datos tabulares y entrenar un modelo de red neuronal gráfica (GNN) para detectar transacciones fraudulentas.
Historias de clientes
/SLA_Digital_logo%401x.8e2c94396f21c7ed285def8d04b9b12b2caf2de0.png "Omnyex")
SLA Digital
SLA Digital crea nuevas fuentes de ingresos para operadores móviles y comerciantes en línea alrededor del mundo mediante soluciones integrales y de facturación de operadores seguras. SLA Digital brinda una plataforma de facturación para operadores que permite a los comerciantes conectar con facilidad con operadores móviles, además de reducir costos, riesgos operativos y tiempo de comercialización para ambas partes. Como un agregador de pagos, identificar y evitar las transacciones fraudulentas es crucial para el negocio de SLA Digital.
“Hace doce meses, buscábamos una solución de detección de fraude que no requiriera realizar una inversión tan grande en nuestra propia experiencia en machine learning. Gracias al modelo de precios transparente de pago por uso, Amazon Fraud Detector nos ayudó a crear e incorporar con facilidad un nuevo modelo de machine learning efectivo y asequible en nuestra configuración existente”.
Richard Fisher, director de tecnología en SLA Digital
FlightHub Group
FlightHub Group hace que los viajes sean accesibles, lo cual permite a más personas visitar nuevos lugares y descubrir nuevas culturas. Con más 5 millones de clientes atendidos al año, su objetivo es brindar a los viajeros los vuelos más baratos disponibles, junto con los mejores itinerarios y un servicio al cliente excepcional. Una de las principales prioridades para el equipo de prevención de fraude de FlightHub es discernir entre un viajero consciente del valor que busca un billete de avión asequible y defraudadores cuyo objetivo es comprar billetes con tarjetas de crédito robadas.
“Desde que incorporamos Amazon Fraud Detector, nuestra tasa de anulaciones ha caído por debajo del 2 % (en comparación con el 5 % anterior). Además, nuestra tasa de reintegro es menor que nunca desde la creación de la compañía. La empresa puede ahora aceptar más usuarios sin registrar que nuestros modelos anteriores habrían marcado como de riesgo y rechazado. Pero quizá lo mejor es que estamos consiguiendo estos grandes resultados con prácticamente los mismos costos operativos que antes. Todo esto supone un mayor número de reservas e ingresos, junto con una disminución en pérdidas debido a reintegros”.
Drayton Williams, director de investigaciones de fraude de FlightHub
Aella Credit
“La verificación y validación de identidades ha sido un gran desafío en mercados emergentes. La capacidad para identificar usuarios correctamente es un obstáculo clave a la hora de verificar la capacidad crediticia de miles de millones de personas en mercados emergentes. Utilizar Amazon Rekognition para la verificación de identidades en nuestra aplicación para dispositivos móviles redujo errores de verificación de manera significativa y nos dio la oportunidad de aumentar la escala. Ahora podemos detectar y verificar la identidad de un individuo en tiempo real sin intervención humana, lo que permite obtener acceso a nuestros productos con mayor rapidez. Probamos diferentes soluciones populares, pero ninguna de las alternativas más conocidas podía detectar con precisión tonalidades de piel distintas. Amazon Rekognition nos ayudó a reconocer de manera eficiente los rostros de los clientes en nuestros mercados. También nos ayudó con la política conozca a su cliente en relación con la detección de perfiles superpuestos y conjuntos de datos duplicados”.
Wale Akanbi, CTO y Cofundador, Aella Credit
ActiveCampaign
“En los dos primeros trimestres de 2020 sufrimos un repunte de cuentas utilizadas para ataques de phishing. Como resultado, fue necesario complementar nuestra solución propia con datos de transacción y señales más fuertes para identificar antes a agentes malintencionados. Contar con una solución escalable basada en aprendizaje automático era importante para nosotros, puesto que somos una empresa en crecimiento. Amazon Fraud Detector hizo que fuera fácil crear un modelo mediante nuestros propios datos que identificase con precisión registros de cuentas que derivaban en ataques de phishing. Aún más importante, fuimos capaces de obtener estos resultados con una tasa de falsos positivos muy baja, lo que significa no agregar más trabajo a nuestro equipo de operaciones. Amazon Fraud Detector tiene un modelo de precio competitivo y podemos integrar dicho modelo fácilmente en nuestro flujo de trabajo existente”.
Alex Burch, ingeniero sénior de operaciones de correo electrónico - ActiveCampaign
Qantas Loyalty
“Amazon Fraud Detector ha sido una gran adición a nuestra capacidad de detección y mitigación de fraudes. La capacidad de escribir reglas personalizadas que se apliquen a nuestra situación única, entrenar modelos de ML en diferido y la perfecta integración con otros servicios de AWS nos ha permitido tomar decisiones de forma rápida e inteligente a la vez que mantenemos el control total de la plataforma. AWS fue de gran ayuda durante la fase de prueba de concepto y ha ido agregando nuevas características a la plataforma en línea con las tendencias de fraude”.
Mary Criniti, CTO - Qantas Loyalty
CDKeys
“Con Amazon Fraud Detector, hemos reducido las transacciones fraudulentas en un 6 %. Al mismo tiempo, hemos sido capaces de automatizar el proceso de pago en más del 90 % de las transacciones que antes se tendrían que haber revisado manualmente. Ahora, revisamos manualmente menos del 1 % de nuestras transacciones, en comparación con el 10 % que teníamos que revisar antes. Desde que implementamos este servicio, hemos visto una mejora significativa en nuestra puntuación de Trustpilot. Sabemos que es el resultado de esta automatización de detección de pagos, así como de las mejoras adicionales que estamos haciendo constantemente en el sitio web. La confianza es una parte importante de nuestra propuesta de valor, así que es un gran triunfo para nuestra empresa”.
Kevin Cole, director de operaciones - Omnyex
Truevo
“Amazon Fraud Detector nos ha permitido mejorar de manera notable las operaciones, aumentar nuestra flexibilidad para responder ante agentes malintencionados y tener un mayor control de sistemas y procesos. Al principio, nos debatíamos entre una solución propia y una de un tercero. Cuando se anunció Amazon Fraud Detector, nos decidimos de inmediato. Hemos sido clientes de AWS desde hace muchos años y tenemos mucha confianza en los productos de Amazon. Gracias a Amazon Fraud Detector ya no estamos atados a los límites convencionales de propuestas SaaS o locales. En lugar de eso, contamos con flexibilidad para adaptarnos a un servicio con tecnología de Machine Learning que satisface nuestras necesidades y a la capacidad de utilizar la opción limitada a reglas de AWS mientras escalamos con facilidad a capacidades de Machine Learning completas cuando es necesario. Esto supuso para Truevo ahorrarnos de entre tres a seis meses de desarrollo. De hecho, implementamos nuestro primer prototipo de modelo en 30 minutos. En general, tenemos una confianza mayor en nuestra capacidad para detectar fraudes en tiempo real. Estamos mejor equipados para implementar reglas de detección cuando observamos actividades extrañas que no comprendemos del todo pero necesitamos detener. Somos capaces de responder y adaptarnos a requisitos impuestos y normativas en constante cambio y así seguir siendo los líderes en nuestro campo”.
Charles Grech, director de Operaciones - Truevo
¿Listo para comenzar?
Contáctenos para obtener más información sobre las soluciones de machine learning para detección de fraude
Contacte con AWS Partner Network, para trabajar con nuestra tecnología global y socios consultores
Utilice Amazon Fraud Detector para desarrollar su propia solución de detección de fraudes
Recursos
Detección más rápida del fraude gracias a la creación de una prueba de concepto en Amazon Fraud Detector
Cree, forme e implemente un modelo de detección de fraude con Amazon Fraud Detector
Incorpore el poder del Machine Learning a su lucha contra el fraude en línea
Detecte usuarios reales y conectados en ese momento y disuada a agentes malintencionados con Actividad del rostro de Amazon Rekognition