Celebrando la innovación en la industria financiera de América Latina en

Lanzan Inteligencia Artificial para ayudar a prevenir el fraude en México
Círculo de Crédito calcula que el fraude de originación asciende a 27 mil millones de pesos anuales en México, por lo que desarrolló un modelo basado en IA y ML para prevenirlo: GuardIAn FraudScore, con Featurespace.
A nivel general en México, el default, es decir, el impago de un deudor a sus acreedores, es de 17 por ciento, dentro del que 12.5 por ciento corresponde al default propiamente dicho y 4.5 por ciento al fraude. Eso quiere decir que uno de cada cuatro defaults en el país es fraude, expuso Mario Martínez, jefe de crecimiento de Círculo de Crédito.
Círculo de Crédito calcula que el fraude de originación les cuesta 27 mil millones de pesos anuales a los otorgantes de crédito en México. Por ello, la sociedad de información crediticia desarrolló una herramienta basada en Inteligencia Artificial de la mano de Featurespace, llamada GuardIAn FraudScore, con el objetivo de reducir 25 por ciento el fraude en 2024 y lograr un retorno de inversión (ROI) de 10x para sus clientes.
Principales tipos de fraude en México
Martínez expuso que los cuatro principales tipos de fraude son: 1) de primera persona, 2) interno, 3) robo de identidad, e 4) identidad sintética, donde se encuentra el mecanismo del bust out. Agregó que el aprendizaje de estas conductas incorpora nuevos requisitos, por lo que en el control sale más caro el costo que el beneficio.
Foto: Círculo de Crédito.
El jefe de crecimiento detalló que la incidencia de fraude de originación es mayor en las Fintech, donde ronda el 7 por ciento, mientras que en la banca tradicional subió del 1 al 3 por ciento. Explicó que sólo un tercio de los mexicanos tiene crédito formal y un tercio de los solicitantes fueron rechazados: 20 por ciento fue porque no cuenta con historial crediticio y 11 por ciento porque no tiene los documentos requerido.
Los principales obstáculos para combatirlo son las restricciones legales y la similitud entre default y fraude, cuya principal diferencia es la intención. Y, dado que el fraude reduce el desempeño del score de la originación y genera más fricción y costos para los clientes, en última instancia puede conducir a la exclusión financiera. Además, recalcó que las Fintech pueden tener un efecto contrario a la Inclusión financiera, ya que, al tener un costo anual total (CAT) más alto, hay más default y más fraude, lo que repercute en el uso y la calidad.
Por su parte, el cofundador y CEO de Círculo de Crédito, Juan Manuel Ruiz Barbieri, explicó que, a partir del conocimiento que tienen del comportamiento de las personas, pueden detectar anomalías, es decir, hallazgos aislados, atípicos, que conducen al “descuido del defraudador”.
Por ello, señaló que en CdC buscan darle valor a los esfuerzos de las personas, impulsar la inclusión financiera segura y desarrollar una cultura alrededor del historial crediticio para, como fin último, crear un ecosistema de confianza. “Lo que queremos es inclusión financiera, pero sin riesgo”, concluyó.
GuardIAn: modelo de IA y ML para prevenir el fraude
El ingeniero de Soluciones de Featurespace, Alberto Escalada, explicó que GuardIAn monitorea toda la información en tiempo real de todos los reportes y consultas del sistema financiero y, a partir de ellos, elabora perfiles conductuales con datos históricos y en tiempo real, que describen el comportamiento genuino de los clientes
Escalada detalló que el modelo permite identificar vectores de fraude y tipologías aún no vistas a través del Machine Learning en pagos, adquirentes y tarjetas. Featurespace utiliza el aprendizaje supervisado para fijar reglas, generar patrones de los pagos de alto valor en cuadrantes de alto riesgo y hacer clasificaciones a través de pruebas de concepto.
A partir de las entradas (Input) y salidas (output), el algoritmo genera un modelo conductual y adaptativo con el histórico; que requiere un desarrollo, despliegue y mantenimiento. La empresa tecnológica recurre a ingeniería para identificar las señales a evaluar en el cálculo de riesgo y la tipología de fraude, es decir, todos aquellos patrones desconocidos y, al retroalimentar al modelo, que también tiene reentreno automático para combatir la identidad sintética, su efectividad mejora,
Finalmente, Círculo de Crédito expuso que los siguientes pasos son transitar de GuardIAn Score a GuardIAnHUB, un ecosistema que incluya data alternativa con datos biométricos, como la huella digital, además del comportamiento en el llenado de la solicitud, en redes sociales, la información telco y el Open Banking.
Fuente: DLP News