Cómo crear un motor de decisiones de riesgo y fraude sin código

Esta es la última parte de nuestra serie de publicaciones sobre motores de reglas de negocio. En la Parte 1 explicamos en detalle los motores de reglas convencionales: qué son, cómo funcionan y por qué podrías necesitar uno. En la Parte 2 analizamos un motor específico llamado Drools y lo que le falta. En esta publicación, veremos los motores de decisión modernos sin código y su aplicación en uno de los casos de uso más comunes: la toma de decisiones sobre fraude y riesgo.

El auge de la toma de decisiones de riesgo moderna

A medida que cada empresa se convierte en una empresa de software, más transacciones de usuarios se realizan en línea, lo que aumenta la superficie de ataque para el fraude y los riesgos comerciales correspondientes. Las pérdidas totales por fraude en 2020 ascendieron a 56 000 millones de dólares y las empresas estadounidenses perderán un promedio del 5% de sus ingresos brutos a causa del fraude, lo que convierte la mitigación del fraude en un área de enfoque clave para todo tipo de negocios.

Los servicios de transporte necesitan rastrear la ubicación del cliente durante un viaje; las herramientas SaaS requieren que las empresas almacenen sus datos confidenciales en la nube; los servicios financieros quieren que sus usuarios se envíen dinero entre sí usando sus teléfonos móviles; los mercados en línea quieren que sus clientes envíen dinero a personas que nunca han conocido. Y los proveedores de comercio electrónico quieren que los clientes compartan y guarden información personal, incluidos los números de tarjeta de crédito, para ofrecer experiencias de compra más rápidas y personalizadas. La digitalización está trayendo experiencias de usuario nuevas y transformadoras en línea, pero a costa de un mayor fraude y riesgo asociado.

La base de la toma de decisiones de riesgo moderna es la detección de fraude y abuso en tiempo real mediante la ingeniería de características automatizada, un motor de decisiones impulsado por aprendizaje automático (Machine Learning) y automatización sin código.

La gestión de riesgos consiste en tomar decisiones precisas al instante

La gestión de riesgos implica un acto de equilibrio entre permitir una experiencia de usuario en línea fluida e introducir fricciones en esa experiencia para detener a los malos actores.

Esta no es una decisión estática y única. El comportamiento de los usuarios cambia, al igual que la tolerancia de las empresas ante las pérdidas por fraude y el riesgo. Por lo tanto, la gestión de riesgos consiste en alterar de manera continua y dinámica la experiencia del usuario para reducir los falsos positivos y ralentizar o detener los patrones de los atacantes.

Esta capacidad de toma de decisiones dinámica exige acelerar las operaciones de fraude y riesgo de manera que las organizaciones puedan pasar de descubrir nuevas señales de fraude a implementar decisiones precisas para contrarrestar esos patrones en cuestión de minutos, en lugar de meses.

¿Por qué el enfoque de un motor de reglas convencional no es la solución?

Tradicionalmente, la gestión de riesgos se centraba en los motores de reglas. Por lo general, estos tomaban la forma de un motor de reglas de negocio que gestiona un conjunto de políticas, expresadas como reglas, de forma independiente del código de la aplicación. Estos motores suelen formar parte de un sistema de gestión de reglas de negocio que permite registrar y definir las reglas, así como la relación entre ellas.

Básicamente, los motores de reglas son un nivel de abstracción mucho más bajo que requiere que los analistas y científicos de datos escriban código para diseñar nuevas decisiones de gestión de riesgos. Por lo tanto, los motores de reglas convencionales obligan a depender del equipo de ingeniería debido, entre otras razones, a la falta de automatización sin código.

Además, los motores de reglas convencionales se centran únicamente en la lógica de procesamiento, dejando en manos de los equipos de riesgo la integración de datos que requieren las reglas. Esto hace que la aplicación cargue con el peso de integrar todos los datos necesarios antes de invocar el motor de reglas, lo que afecta el rendimiento de la toma de decisiones.

El resultado es una brecha de decisión

Las desventajas de la toma de decisiones convencional dan lugar a una serie de concesiones poco ideales que afectan el rendimiento, la sobrecarga de ingeniería y la velocidad de iteración de las operaciones de fraude y riesgo.

Alta sobrecarga de ingeniería

Construir una abstracción de nivel inferior, como un motor de reglas, a menudo significa que sus usuarios finales (analistas y científicos de datos) dependan de costosos recursos de ingeniería para realizar la gestión de riesgos de extremo a extremo: desde integrar las fuentes de datos adecuadas y escribir nuevas reglas, hasta ponerlas en marcha y supervisar su rendimiento. Esta dependencia de ingeniería no es ideal para los equipos de riesgo y resulta costosa para la empresa.

Lento tiempo de respuesta ante nuevos patrones de ataque

La falta de integraciones automáticas listas para usar con las fuentes de datos adecuadas suele traducirse en un tiempo considerable dedicado a la conexión de datos para descubrir nuevas señales de fraude y riesgo. Junto con la falta de automatización sin código, esto genera un retraso de semanas o meses para responder a patrones de ataque que evolucionan rápidamente. Este lento tiempo de respuesta se traduce en millones de dólares en pérdidas por fraude y daños a la reputación de la marca.

Bajo rendimiento

Acumular todos los datos requeridos por el motor de reglas en un solo objeto grande que se pasa a las reglas a menudo significa que las aplicaciones realizan varias llamadas de API sincrónicas (algunas a herramientas de terceros y otras a servicios internos) para ejecutar un conjunto de reglas relevantes. Esto no solo aumenta la latencia de ejecución de las reglas, sino que tampoco es escalable y da lugar a decisiones incompletas porque se omiten las reglas que tardan demasiado en ejecutarse.

¿Qué implica la toma de decisiones de riesgo moderna?

Para responder a esta pregunta, debemos analizar las decisiones desde los principios fundamentales. Una decisión es un conjunto de condiciones que deben cumplirse para activar el conjunto de acciones adecuado que ejecute la decisión comercial.

Decisiones = Condiciones + Acciones

Y las condiciones requieren características o señales de interés y, a menudo, un contexto que puede estar en una herramienta de terceros, en una base de datos relacional o en un lago de datos (data lake).

Condiciones = Características + Contexto

Aunque las características básicas se pueden recopilar, aun a costa del rendimiento, la principal sobrecarga es la conexión de datos que debe realizarse en tiempo real para reunir el contexto necesario que enriquezca esas características básicas.

Un motor de decisiones es un sistema que recibe características, las enriquece con el contexto relacionado para alimentar las reglas y los modelos de aprendizaje automático pertinentes, y ejecuta las acciones configuradas.

Más importante aún, es un sistema que permite un ciclo de retroalimentación completo, midiendo así el rendimiento de las reglas y los modelos de aprendizaje automático junto con las decisiones reales tomadas. La decisión final puede ser tomada por un revisor manual o por la lógica de negocio de la aplicación. Luego, estas decisiones alimentan los modelos de aprendizaje automático entrenados para reconocer eficazmente patrones de ataque complejos.

Imagen 2: Arquitectura de un motor de decisiones sin código

La toma de decisiones de riesgo precisa es un problema de integración de datos en tiempo real

Las características básicas rara vez son suficientes para tomar buenas decisiones; casi siempre requieren enriquecerse con un contexto que se encuentra fragmentado en herramientas de terceros, bases de datos, servicios internos y lagos de datos. Por lo tanto, la toma de decisiones de riesgo moderna es, en realidad, un problema de integración de datos en tiempo real.

La necesidad principal de la toma de decisiones de riesgo moderna es una plataforma que integre el contexto proveniente de diversas fuentes, ofrezca una manera fácil de enriquecer las características con ese contexto y lo haga de forma continua a medida que se generan nuevas características y señales.

No solo reglas o aprendizaje automático, sino ambos

El camino de la prevención del fraude y la gestión de riesgos suele comenzar con reglas centradas en la heurística y avanza hacia una aplicación extensiva del aprendizaje automático.

El primer paso de este camino comienza con reglas de alta confianza basadas en la heurística. Por ejemplo, si el cliente no ha podido iniciar sesión más de 3 veces en los últimos 10 minutos, se bloquea la cuenta. Ajustar las reglas puede funcionar bien para incorporar ciertas señales de alta confianza, pero puede quedarse corto a la hora de identificar nuevos patrones multidimensionales. Por ejemplo, que la dirección de facturación utilizada para una transacción de tarjeta de crédito sea diferente de la dirección de facturación de la tarjeta es una señal de alta confianza de un mayor riesgo en la transacción. Lo mismo ocurre si la ubicación de la transacción del usuario es diferente de su dirección de facturación. Estas señales, junto con un monto de transacción inusualmente alto, podrían indicar una transacción de alto riesgo o fraudulenta.

A medida que los patrones de ataque se adaptan a los umbrales definidos por los humanos, las reglas y los umbrales correspondientes también deben adaptarse rápidamente. Además, la combinación de tendencias de detección en varias señales de transacciones financieras, como el monto de la transacción, las tendencias de transacciones pasadas, la ubicación GPS de la transacción, la hora de la transacción, el nombre del comercio, etc., limita rápidamente la efectividad de la heurística basada en el criterio humano.

Aquí es donde entra el aprendizaje automático (ML) para la detección de fraudes en tiempo real. Los modelos de ML supervisados que se entrenan con la heurística utilizada en las reglas de alta confianza y las decisiones correspondientes (ya sean tomadas por un humano en una revisión manual o por una aplicación) son eficaces para identificar patrones de fraude utilizando una gran cantidad de señales complejas y relacionadas. Por otro lado, el aprendizaje automático no supervisado es más eficaz para detectar anomalías, lo que facilita el descubrimiento de nuevas señales de fraude y, por ende, de reglas o modelos de aprendizaje automático nuevos y más eficaces.

Mientras que el aprendizaje automático es excelente para detectar patrones del pasado, las reglas ayudan a detener los patrones de ataque que están evolucionando activamente en el momento. Por lo tanto, el siguiente paso en la evolución de la toma de decisiones de riesgo moderna consiste en respaldar las puntuaciones de riesgo de los nuevos modelos de ML con reglas a corto plazo para lograr una capacidad de decisión de riesgo integral y en tiempo real.

Finalmente, el camino de la toma de decisiones moderna sobre fraude y riesgo evoluciona hacia un aprendizaje automático avanzado que entrena nuevos modelos de ML a partir de los resultados de estas reglas a corto plazo, así como de otras características de otros modelos de ML bien ajustados.

Automatización sin código para la toma de decisiones sobre fraude y riesgo

Una de las principales deficiencias de los motores de reglas es la imposibilidad de tomar decisiones de extremo a extremo sin depender de ingeniería. Aumentar la velocidad de iteración de las operaciones de fraude y riesgo exige cerrar esta brecha crítica y reducir el tiempo medio de recuperación.

La automatización sin código está en el corazón de la toma de decisiones moderna sobre fraude y riesgo, liberando a perfiles no técnicos como analistas y científicos de datos de tener que escribir código y depender de ingeniería para las decisiones cotidianas clave.

Gestión de casos integrada con la toma de decisiones

A pesar del alto grado de automatización que el aprendizaje automático aporta a la toma de decisiones de riesgo, no elimina por completo el papel de los humanos en la gestión de transacciones de alto riesgo. Optimizar la gestión de casos integrándola por completo con el motor de decisiones es una capacidad necesaria en la gestión de riesgos moderna. Para hacerlo de manera eficaz, es necesario reunir todos los datos relacionados y el historial de acciones del usuario para que el revisor pueda tomar la medida adecuada. Igualmente importante es completar el ciclo de retroalimentación y utilizar la decisión final como etiquetas para entrenar modelos de ML supervisados, mejorando así la capacidad de reducir aún más la carga de la toma de decisiones manual.

Imagen 3: Oscilar, un motor de decisiones sin código para fraude y riesgo

Oscilar como una solución moderna y sin código para la toma de decisiones sobre fraude y riesgo

Oscilar es el único motor de decisiones en tiempo real sin código que automatiza el enriquecimiento de características personalizadas mediante integraciones listas para usar con una variedad de herramientas de terceros y sistemas de datos. Además, cuenta con un motor de decisiones sin código incorporado e impulsado por aprendizaje automático para ofrecer capacidades de decisión de riesgo en tiempo real. Oscilar también ofrece una gestión de casos integrada para completar el ciclo de retroalimentación de decisiones y permitir que los equipos de riesgo aceleren sus operaciones de fraude y riesgo.

Programa una demostración o escríbenos un mensaje.