5 tipus de fraus dins el comerç electrònic que pot detectar la IA

Les transaccions econòmiques realitzades a través d'Internet han registrat un creixement en l'últim any a causa de la pandèmia. No obstant això, aquestes ja experimentaven un increment d'aproximadament el 23% anual abans de la crisi

Les transaccions econòmiques realitzades a través d’Internet han registrat un creixement en l’últim any a causa de la pandèmia. No obstant això, aquestes ja experimentaven un increment d’aproximadament el 23% anual abans de la crisi sanitària, la qual cosa mostra com el comerç electrònic s’ha consolidat com un dels canals de venda imprescindibles per als negocis.

Sense obviar que el canal en línia és clau per a millorar els beneficis de les empreses, també comporta riscos i els fraus a través d’Internet s’han incrementat exponencialment en els últims anys, “obligant les empreses a millorar els seus sistemes de detecció i als usuaris a estar més alerta davant atacs d’enginyeria social com Phising o Pharming”, expliquen des de Shapelets, plataforma espanyola d’anàlisi de dades de sèries temporals en l’àmbit del Big Data.

Davant això, des de la companyia assenyalen que la Intel·ligència Artificial (IA) s’ha convertit en la millor aliada de l’ecommerce per a detectar fraus, ja que facilita que els comerços identifiquin possibles estafes gràcies a alteracions en els patrons com els que recull, a continuació, Shapelets:

Fraus habituals. La Intel·ligència Artificial aprèn de les transaccions del passat que van ser fraudulentes i que apareixen en la base de dades de cada empresa. Així, gràcies a aquesta base de dades històrica els comerços electrònics poden construir un sistema que aprèn i identifica patrons ja coneguts per a detectar si una transacció és fraudulenta o no. Aquestes mètriques serviran també per a predir la probabilitat que una nova transacció sigui fraudulenta.

Fraus nous. Quan l’estafa és nova i no existeixen patrons previs que alertin d’un frau, la Intel·ligència Artificial, s’enfoca en aquest cas a detectar anomalies Per exemple, identificant en temps real transaccions poc habituals que alertaran que podem estar davant una activitat sospitosa. Les transaccions identificades com a anòmales per la IA podran ser validades per un operador humà o bé directament bloquejades, en funció del grau de confiança dels algorismes i/o de l’import de les transaccions. D’aquesta manera es busca oferir una major seguretat minimitzant el bloqueig de transaccions legítimes.

Combinació de fraus habituals i nous. En aquest cas la Intel·ligència Artificial té en compte tant la base de dades històrica de fraus com les alteracions noves que es detectin. Així, la IA aprendrà segons es modifiquin els patrons de comportament, millorant la detecció de possibles fraus, ja que anirà incorporant en els seus models els patrons que permeten identificar noves estafes.

Detecció de chargebacks fraudulents. Quan el client impugna una transacció realitzada amb targeta i sol·licita el reemborsament al seu banc perquè no reconeix el càrrec o perquè ha retornat el producte, es produeix el chargeback. No obstant això, aquesta acció pot ser un frau, ja que, a vegades, el client fa aquestes devolucions del càrrec malgrat haver rebut el producte, generant un perjudici clar al comerç. Davant això la Intel·ligència Artificial, pot utilitzar l’experiència prèvia del client per a alertar al comerç electrònic que estan davant una potencial activitat de risc.

Frau amb targetes. En aquest cas estem parlant de la clonació de targetes de crèdit o robatori d’informació. Habitualment, les compres que es fan amb targetes clonades procedeixen de països on el titular no resideix pel que la Intel·ligència Artificial, pot detectar aquest patró per a alertar del possible frau i del robatori de la informació.

Finalment, des de Shapelets recullen que gràcies a la Intel·ligència Artificial les empreses incrementen no només la capacitat de processament de grans volums de dades, sinó la millora en el rendiment de l’aprenentatge automàtic de manera progressiva, la qual cosa els permet fer prediccions que detectin possibles fraus de forma més ràpida, senzilla i eficaç gràcies a l’històric de les sèries temporals de dades existents.

Review overview
NO COMMENTS

Sorry, the comment form is closed at this time.