Fraud Analytics: Detección y prevención de fraudes en la era del BigData
Durante el 2012 el nivel de fraude en tarjeta de crédito llego a 11.3 billones de dólares, un aumento de casi un 15% comparado con el 2011, esto demuestra el problema que el fraude representa no solo a las instituciones financieras sino también para la sociedad. Tradicionalmente la prevención del fraude consistía en proteger físicamente la infraestructura, sin embargo con cada vez más medios y canales de pago, la información financiera se ha vuelto cada vez más susceptible a ser hurtada. La siguiente opción para prevenir y controlar el fraude consiste en determinar si una transacción está siendo realizada por el cliente de acuerdo con sus patrones históricos de comportamiento. Este es el enfoque de Fraud Analytics.
En esta presentación se mostrara cómo es posible por medio de Fraud Analytics, determinar la probabilidad que una transacción sea o no realizada por el cliente, utilizando la información de compra de los clientes, sus interacciones con la entidad financiera, y por medio de análisis de redes sociales. Adicionalmente, se discutirán y compararan los resultados de las comúnmente utilizadas reglas de decisión y modelos avanzados de inteligencia artificial.
-------------------------------------
Alejandro Correa Bahnsen
-------------------------------------
Ingeniero Industrial con Maestría en Ingeniería Industrial de la Universidad de los Andes. Candidato a Doctorado en inteligencia artificial de la Universidad de Luxemburgo. Actualmente se encuentra trabajando en SIX, uno de los operadores de tarjeta de crédito más grande de Europa, desarrollando un sistema inteligente para la prevención de fraude.
Experiencia como profesor de analytics y econometría en las universidades de Luxemburgo y de los Andes, respectivamente. Conferencista de analytics en SAS Analytics (Orlando, Las Vegas, Londres, Frankfurt), SAS Global Forum (Orlando, San Francisco), IEEE International Conference on Data Mining (Vancouver, Bruselas, Dallas), IEEE International Conference on Machine Learning and Applications (Miami, Detroit) y European Conference on Data Analysis (Luxemburgo). Fundador de la comunidad Data Science Luxembourg y organizador del workshop IEEE Data Mining Case Studies (Dallas).
8. •Presencia en Suiza, Austria, Bélgica, Luxemburgo y Alemania
•25.1 (m) de tarjetas
•~3 (b) de transacciones
9. Fraud Analytics (Big Data) es el mayor diferenciador a la hora de escoger un producto para la prevención y detección de fraude
Source: CEB Towergroup research, 2013
15. Big data is like teenage sex:
everyone talks about it,
nobody really knows how to do it,
everyone thinks everyone else is doing it,
so everyone claims they are doing it...
21. •Recoger la experiencia de los analistas y convertirlo en una serie de reglas de decisión
•Ejemplos de reglas
•Más de 4 transacciones ATM en una hora
•Más de 2 transacciones en 5 minutos
•Transacción por banda magnética e inmediatamente por otra por internet
Reglas Expertas
22. •Más de 4 transacciones ATM en una hora?
•Más de 2 transacciones en 5 minutos?
•Transacción por banda magnética e inmediatamente por otra por internet?
Si alguna o mas reglas se activan se declina la transacción
Fraud??
Reglas Expertas
23. •Ene2012 – Jun2013 Transacciones por internet
•~20’000,000 Transacciones
•~40,000 Fraudes
•~EUR 2’000,000 en perdidas
Jun13
May13
Apr13
Mar13
Feb13
Jan13
…
…
…
Mar12
Feb12
Jan12
Test
Train
25. Evaluacion Financiera
•Falsos positivos tienen un costo diferente que los falsos negativos
•Fraudes tienen costos desde pocos hasta miles Euros
•Costos administrativos
33. 60%
70%
80%
90%
Solo Banco
País
Toda la información
% Ahorro
% Fraudes
34. •Existe una necesidad por mejores herramientas y tecnologías
•Modelos de Fraud Analytics son considerablemente mejores que las tradicionales reglas de decisión
•Hay que evaluar los modelos de acuerdo con los costos financieros reales
•Compartiendo información ganan todos*
Conclusiones