Lorena Sanchez Garcia - eCommerce DAY GLOBAL Online [Live] Experience - ROADMAP BY CCCE

2. Lorena Sánchez García
Global Head Paga con Rappi
ESPACIO
PARA
FOTO
EXPERTO/A

3. Payments & Fraud Challenge

5. Los fraudulentos son como Wally:
Les gusta esconderse.

6. Los usuarios fraudulentos se ocultan
en la plataforma como si fueran
usuarios buenos.
Necesitamos adaptar nuestros flujos,
acciones y análisis para las acciones
de los usuarios fraudulentos.

7. Los fraudulentos son como Wally:
Les gusta moverse de lado a lado.
Cuando conseguimos encontrarlo, cambia
su forma de operar y vuelve a ocultarse.
Se adapta.

8. TODAS las transacciones y usuarios del ecosistema
son analizadas de forma automática o manual por el equipo
de Prevención de Fraude.

9. Artificial intelligence
Expert team
Manual check
• We analyze more than 5000 variables per payment
• More than 300 MM of accumulated transactions
• Real-time risk allocation
• Cutting-edge technology
• 5 years of experience
• More than 80 Data Scientists
• engineers, economists, mathematicians and
statisticians
specialized analysts
Geolocation
User
interaction
Behavioural
Analysis
Device Shipping
preferences
Frequently
used cards
Purchase
history
transaction
speed
Fraud
Prevention
We have a fraud prevention mechanism that uses neural networks to prevent fraud

10. Tipos de análisis en todo el ecosistema
¿Cómo es el recorrido de un usuario dentro de Prevencion de Fraude?
1 2
Universo de usuarios
Casos que requieren un análisis más complejo
Scoring
Detecciones
análisis automáticos
Manual Review
análisis manual

11. Niveles de Control
Strong Rules
Reglas duras para capturar las características
riesgosas más evidentes.
● Restricciones (PF/PLD)
● Cruces Usuario / TC / Device
● Blacklist / greylist
1st Score
Red neuronal + reglas post score
● Scoring de pagos por red neuronal (real time)
● Reglas (acumulados, post scoring, etc.)
Second Score
Acciona sobre lo no aprobado por 1st score. Busca
la escalabilidad del flujo de RM.
● Modelos predictivos de scoring offline
● Remedies: validación de identidad
Revisión manual
procesos manuales mediante los cuales toman
la decisión final sobre l aprobación del pago.
● Referencias en bureau
● Validación telefónica
● Agravantes en la cuenta
● Perfil de fraude
Prevención de Fraudes | Online Payments

12. Modelos
Prevención de Fraudes | Online Payments
Machine Learning
Las máquinas aprenden mediante el uso de
algoritmos y con la alimentación de información que
nosotros le brindamos.
Son modelos que se entrenan con millones de datos.
Redes Neuronales
Herramientas del machine learning que se basa e u
conjunto de algoritmos diseñados para reconocer
patrones.
Permiten que una computadora resuelva esos
problemas que son fáciles para un humano,
pero muy complejos para una máquina.

13. Trabajo en conjunto
Las áreas de Scoring y Manual Review se complementan en su análisis

14. Niveles de Control
Prevención de Fraudes | Online Payments
DEVICE ML
DIRECCIÓN DE ENVÍO
TARJETA CRÉDITO /
DÉBITO
FECHA DE REGISTRO
TITULARIDAD / DNI
Variables de mayor importancia en los pagos
EMAIL / USUARIO INFORMACIÓN DE ÍTEM
NÚMERO DE TELÉFONO

15. Niveles de Control
Prevención de Fraudes | Online Payments
APROBACIÓN PF
RECHAZO PF
✔
APROBACIÓN BANCARIA RECHAZO BANCARIO

18. 60x 37% 67%
Cifra1. Cifra2. Cifra3.

19. Antes / Después.
13% 50%
Antes / Después.
12 60
Antes / Después.
0.5 2k

20. Lorena Sanchez Garcia
lorena.sanchez@rappi.com