nuevos sistemas para detectar y prevenir el fraude - fico.com · © 2011 fair isaac corporation....

© 2011 Fair Isaac Corporation. Página 1

FICO ForumNavegando en la nueva realidad

Nuevos sistemas para detectar y prevenirp y pel fraudeTecnología para luchar contra nuevas amenazas

Martin Warwick

This presentation is provided for the recipient only and cannot be reproduced or shared without Fair Isaac Corporation's express consent.

© 2011 Fair Isaac Corporation. 1

8 de marzo de 2010

Consultor principal

FICO

Agenda

» Perspectiva del fraude en tarjeta de crédito

» Reducción de ataques – analítica avanzada

» Fraude planificado – el fraude que se pierde en las colas de recobro

© 2011 Fair Isaac Corporation. 2 © 2011 Fair Isaac Corporation. Confidencial.2 © 2010 Fair Isaac Corporation. Confidencial.2


Perspectiva del fraude en tarjeta de crédito

Situación con respecto al fraude en generalTendencias actuales¿Cómo podemos romper el ciclo del fraude?¿Qué son los ataques de fraude?

© 2011 Fair Isaac Corporation. 3 © 2011 Fair Isaac Corporation. Confidencial.3

Situación con respecto al fraude en general

» Cifra de fraude en Reino Unido de £38.400 millones

» Sector público: 55%

» Sector privado: 31% Sector públicoS i d

p

» Personas físicas: 10,5%

» Organizaciones benéficas: 3,5%

» El 90% del fraude en el sector privadoes fraude contra grandes empresas

S t fi i £3 600 ill

»Impuestos

»Gobierno Central

»Gobierno Central

»Prestaciones

Personas físicas

»Sitios Web falsos de entradas/billetes

»Música

»Eventos deportivos

Sector privado

»Servicios financieros

»Minoristas

»Viajes

»Fabricantes

»Asistencia sanitaria

Org. benéficas

180.000 organizaciones benéficas registradas con ingresos combinados de £52.000 millones


» Sector financiero: £3.600 millones

» Tarjetas de crédito: £440 millones

» Hipotecas: £1.000 millones

» Seguros: £2.100 millones

»Las tarjetas representan aproximadamente un 1%del problema total


Tendencias actuales en el fraude en tarjeta de crédito

Reino Unido

» Nivel más bajo de la década en fraude en tarjetas en RU

» Casos por tarjeta “perdida” y “

España

» Leve aumento en los dos últimosaños

» Muy pocos casos de “perdida” y “

Fraude en GB

Pérdidas“robada” están ahora bajocontrol

» Correo no recibido - casierradicado

» Menor falsificación pero puederepercutir en la experiencia del cliente

» ¿Se registra una baja tasa de robo de identidad?

“

“robada”

» Tasa de correo no recibido baja

» La falsificación sigue dandoproblemas

» ¿Se registra una baja tasa de robo de identidad?

» Los casos de “Tarjeta no presente " y "Falsificación" componen las pérdidas totales

Pérdidas

Pérdidas por fraudeen España


» “Tarjeta no presente" es la másfrecuente. Pero ya sabíamos queesto es lo que acabaría pasando

» El fraude en transacciones "caraa cara" es la más baja en añospara UK

» El fraude transfronterizo es másde la mitad del problema total

» El fraude por cajero en paísesforáneos sigue preocupando

Seguimos luchando por romper el ciclo del fraude

» ¿Por qué sólo se invierte en prevención en los repuntes?

» ¿Cómo logramos que los b d i d

Falcon Fraud Managerbancos adopten una actitudpreventiva contra el fraude?

» ¿Podemos eliminar losefectos del ciclo de fraude?

» ¿Cómo podemosproporcionar un servicioexcepcional al cliente sin 1

966

1968

1970

972

974

976

978

80

82

84 6 8 0

Post Block fraud at 75% of total fraud

Skimming Fraud takes off

Falcon Fraud Manager

Chip & PIN


excepcional al cliente sin perder el control sobre el fraude?

1 1 19

19

19

19

198

198

1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

2006

2008

2010


¿Cómo podemos romper ese ciclo de fraude?

» ¿Podemos quedarnossentados esperando nuevosataques?

Si i i dFalcon Fraud Manager

» Si se invierte, ¿se puedegarantizar que se rompa el ciclo?

» ¿Es fácil predecir cuál será el próximo ataque de los estafadores?

» ¿Se puede predecir una 1966

1968

1970

972

974

976

978

80

82

84 6 8 0

Post Block fraud at 75% of total fraud

Skimming Fraud takes off

Falcon Fraud Manager

Chip & PIN


» ¿Se puede predecir unatendencia a 10 años con muchas subidas y bajadas?

» ¿Muestran los planes a cortoy medio plazo de los bancosaumentos en las pérdidas porfraude?

1 1 19

19

19

19

198

198

1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

2006

2008

2010

¿Qué son los ataques de fraude?

Phishing SMishingPharming

SkimmingDumpster

Diving

TroyanosMonster Zeus


Troyanos

Kill Zeus Botnet

BotnetsBotnets

Dispositivosincrustados en

puntos de venta

Hacking


Defraudadores con un Modus operandi cambiante, se necesitaanalítica avanzada para detectar y evitar los ataques

A continuación se describen los avances tecnológicospara detectar y prevenir el fraude antes

Reducción de ataques – analítica avanzada


para detectar y prevenir el fraude antes

Somos animales de costumbres

» Nuestros clientes tienden a gastar más o menos lo mismo cada semana.

» Cajeros favoritos cerca del trabajo o casa

» Comercios/códigos postales favoritos para transacciones

Las transacciones recurrentes establecen patrones normales» Las transacciones recurrentes establecen patrones normales

» Por lo tanto, el gasto no frecuente puede ser arriesgado

» Las listas de comportamiento ordenadas nos ayudan a captar el patrónde ese “animal de costumbres”



Definir el comportamiento del cliente es clave

Comprenda el patrón de gasto de sus clientes en "Tiempo real"

##

Detectar más fraude

R d i l i


$$

$$

$$$$**

££

$$

##

££

Reducir el impactopara el cliente en el punto de venta

¿Qué pasa con la otra mitad del proceso de transacción que se realiza?

~10 MillonesPerfiles de comercios

repartidos por el mundo

» Construir el perfil del comercio para el ataque de fraude nos da una imagencompleta de la situación

SIC = 5947ID comercio = 0010113948


completa de la situación

» Combinar el perfil del comercio con el del titular de la tarjeta de crédito

» Pasar ambos perfiles por el modelo de redes neuronales para determinar la puntuación de fraude


Predicción de fraude en tarjetasde crédito

¿Qué aportan los perfiles de comercios?

» Se trata de restar valor a las tarjetas ante los defraudadores

El d fil d» El uso de perfiles de comercios aumenta en casiun 15% el número de cuentas fraudulentasdetectadas a un ratio de 10:1 de cuenta por falsopositivo (AFPR)

N tá d l


Modelo de tarjetas de crédito europeo

» No está nada mal comocolofón

» Esto supone €1,5 millonesde pérdidas brutas que no irá a los defraudadores y que en total ascienden a €10 millones al año

Beneficios que aportan los perfiles de comercios

» Restar valor a las tarjetas frente al fraude

» Mejorar la experiencia de los clientes en el punto de venta

» Formar una imagen completa desde el punto de venta sobre la actividad del cliente y el fraude

» Lo más importante es que funciona

» Un emisor británico utilizó los perfiles de comercios como base de su estrategia

t l f d í l

Innovación analítica

Pérdidaspor fraude


contra el fraude porque quería ser los mejores en su clase

Un emisor británico registró una reducción del 75% en fraude desde elotoño del año pasado gracias a la definición y uso de perfiles de comercios


»¿Qué pasa con los ataques de fraude que se producen en tiempo real?

» El Skimming en cajeros sigue siendo un problema frustrante

» La capacidad de los defraudadores de copiar las bandas magnéticas y utilizarcopiar las bandas magnéticas y utilizartarjetas en cajeros de otros países sigueafectando a nuestros resultados

» Queríamos definir el perfil del ataque de fraude en el que un estafador está ante un cajero con una bolsa de "plástico blanco"

» Queríamos encontrar el cajero queutilizaban los estafadores sin tener que


utilizaban los estafadores sin tener queinvestigar todos

» Queríamos que esto fuera en "tiempo real"

» Pero analizar todos los cajeros no era factible con respecto al rendimiento

Buscar ataques en "tiempo real" con perfiles inteligentes

» ¿Hace falta realizar un seguimiento de cada cajero paradetectar indicios de fraude?» Los perfiles inteligentes hacen seguimiento a los cajeros más

problemáticosproblemáticos

Definición íntegra de perfiles de los cajeros

Perfilesinteligentes


Queremos detectar el ataque en cuanto empiece


»Perfiles inteligentes: Identificación automática de entidades

» La identificación automática de entidades identifica y define los perfilesde las entidades relevantes asociadas con comportamientos que no se pueden detectar en la cuenta

» Estos perfiles tienen un tamaño fijo (cientos o miles de filas) y están» Estos perfiles tienen un tamaño fijo (cientos o miles de filas) y estánconstantemente reciclando las identidades menos arriesgadas

CNPID del

comercio

Tasa en tiempo real de autorizaciones denegadas

09281932... 128/hora

92398711… 98/hora

93291908 14/hora

CNPID del

comercio

Tasa en tiempo real de autorizaciones denegadas

09281932... 128/hora

92398711… 98/hora

93291908 14/h


93291908... 14/hora

232098… 15/hora

93291908... 14/hora

232098… 15/hora

La identificación automática de entidades observa valores atípicos en lasentidades incluidas dentro del ámbito de la prevención del fraude

Rendimiento en nuestra prueba de laboratorio

PIN de débito FalconSegmento de clientes individuales con US Debit Expanded 1.0

Perfiles íntegros cajeros:

» 424.000 cajeros

Perfiles inteligentes:

» 800 entidades cajerovs

40

50

60

70

R

Falcon punto ref. Perfiles íntegros cajeros Perfiles inteligentes

j

» 30 variables

j

» 20 variables


0

10

20

30

0 10 20 30 40AFPR

AD

R

Resultado muy similar en la detección utilizando el perfil inteligente en comparación con el perfil íntegro del cajero


Rendimiento de la producción con el modelo de débito británico

Volvemos al objetivo de jalejar a los estafadores de las tarjetas

Los perfiles inteligentesimpulsan el rendimiento de la detección en un 10% en el tráfico de cajeros entre países.


p

Las innovaciones analíticas son incrementales sin tener que cambiar sus estrategias de fraude específicas

Cambio constante de los ataques de fraude

» Intentar averiguar en quéconsistirá el próximo ataque de fraude podría ser contraproducente

Ataques de fraude en continua evolución

Phishing SMishingPharmingcontraproducente

» Usar la analítica para encontrarun posible nuevo ataque podríaaumentar las pérdidas

» Debemos iniciar el proceso de detección en cuanto se inicia el ataque

Skimming Dumpster Diving

Troyanos

Pharming

Kill Zeus Botnet

Monster Botnets

Zeus Botnets

Dispositivos

incrustados en POS

Hacking


ataque

» Por lo tanto, no es importanteel tipo de ataque en esta fase, sino el hecho de que ha empezado.


Ajustarse el ataque cuando se produzca

» Generación de los modelos con información genuina sobre fraude quepermanecen estáticos hasta que se vuelven a generar

» Los defraudadores cambian de tácticas según reducimos susbeneficiosbeneficios

» Debemos adaptarnos en tiempo real

En

dir

ecto

el entorno puede cambiar (p.ej. cambiar a Chip y PIN)


Datos históricos para los modelos

Generaciónde modelos

Calidad y embalaje

Implantaciónen clientes

Modelo en producción

rendimiento

Modelo antiguo

Nuevo modelo vs. antiguo

De

tec

ció

n

De

tec

ció

n

real

Nuevo modelo en producción

De

tec

ció

n

Analítica ajustable - Modelos de valores atípicosauto-calibrables

Puntuaciónajustable

» Transacción ),|( stxqw ii

Actualizarponderaciones

ajustables

Revisar

umbral

Puntuaciónajustable


Tablas defraude yno fraude

Revisiónde caso

Pendiente de patente

Proporciona los comentarios recibidos de nuevos ataques defraude en un modelo ajustable para detectar el fraude antes


La analítica ajustable detecta los cambios en los ataques de fraude

Una vez más se trata de reducir el atractivo de lastarjetas para los estafadores

Un aumento del 2% en la detección de cuentas

Más presión sobre nuevosataques de fraude


Combinar estos avances alejará a los defraudadores de sustarjetas y se traducirá en beneficios por impedimento de comisión de fraude

Los perfiles de calibración mejoran la experienciadel cliente

» Los perfiles de calibración no se ajustande acuerdo a los patrones de fraude

» Buscan patrones de comportamientorealesreales

» Los perfiles de calibración vuelven a escalar los modelos conforme a lastendencias actuales, los niveles de gasto, velocidad y el comportamiento en el uso de tarjetas

» Ejemplo:» El nuevo iPad provoca un repunte en el

comportamiento real


comportamiento real

» La compra minorista de grandes aparatoselectrónicos es cada vez más común

» La calibración de perfiles escaladinámicamente la ponderación de los modelos para ajustarse al comportamiento macro


Reglas de negocioDetectar patrones

de fraudes globales

Conclusiones de casos

Perfiles

AnalistasReglas de negocioDetectar patrones

de fraudes globales

Perfiles


Analistas

Perfiles

Cómo la analítica avanzada encaja con el proceso de detección

Reglas de negocio Analistas

Modelosupervisado

Perfilesmodelo

Perfilesinteligentes

Analiza el escalado de variables en línea

Perfilesde calibración

Modeloajustable Conclusiones de casos

Datos


Datos

Perfilesmodelo

Modelosupervisado

inteligentese es

inteligentes

Analiza el escalado de variables en línea



Modeloajustable Conclusiones de casosModelo

ajustable

Modelosupervisado

Perfilesmodelo

Datos


Datosconsorcio

Puntuación basada en perfiles históricos de fraude/no-fraude

Modelovalores atípicos

Puntuación basada en variables atípicascorrelacionadas con fraude

Datosconsorcio


Variables de perfilRelacionados con

fraudeModelo de

Valoresatípicos

Puntuación basada en variables atípicas correlacionadas con fraude

Modelo devalores atípicos

Datosconsorcio


Quién se centra en los ataques de fraude

» 40 científicos dedicados a la detección de fraude

» Todos licenciados y la mayoríad t d

Equipo dedicado

doctorados

» 38 patentes contra el fraude y 56 pendientes de patente

» 14 clientes avanzan hacia la innovación en detección de nuevostipos de fraude

Patentes para detectar fraude


» Patentes Falcon principales (redes neuronales artificiales basadas en perfiles)

» Patentes EE.UU.: 6,839,682; 6,430,539; 6,330,546 & 5,819,226; Patente EP 669032 describe la tecnología de definición de perfiles a nivel de cuentas utilizada en los modelos de fraude de crédito y débito Falcon y todos los demás modelos de fraude de Fair Isaac

» Patentes de múltiples perfiles

» Patente EE.UU.: 7,263,506 describe el uso de varios niveles de perfiles para la detección de fraude frente a la definición de perfiles con un único nivel de cuenta como se utiliza en los modelos Falcon tradicionales

» Fraud Predictor

» Pendiente de patente en EE.UU. 11/677,517 describe el uso de comentarios sobre fraude al formar perfiles de comercios y su uso para complementar la detección de fraude a nivel de cuentas.

» Compromiso de seguridad en masa

» Patente pendiente en EE.UU. 11/475,722 describe el uso de información recibida sobre fraudes y el comportamiento de pruebas de tarjetas para detectar los puntos en que se compromete la seguridad en masa y su uso

» Perfiles de memoria compartida

» Patente pendiente en EE.UU. 11/446,453 describe el invento de definición de perfiles de memoria compartida y su uso al procesar más de 1.500 millones de transacciones en tiempo real

» Perfiles auto-calibrables

» Patente pendiente en EE.UU. 11/532,859 describe el invento del cálculo de la distribución variable en línea en un entorno de tiempo real para facilitar modelos de supervisión más robustos y nuevas tecnologías en modelos de valores atípicos.

» Perfiles inteligentes

» Patente pendiente en EE.UU. 12/110,261 describe el invento de la definición de perfiles de entidades globales y perfiles inteligentes en los que sólo se define el perfil de las entidades que resulten "interesantes"

» Analítica ajustable

» Patentes EE.UU.: 6,850,606; EE.UU. 12/040,796 Pendiente; Patente EE.UU. 12/189,023 tratan la analítica ajustable aplicada al entorno de puntuación en tiempo real para aprovechar las información recibida de analistas con la que ajustar la puntuación de modelos en tiempo real

Patentes para detectar fraude


Fraude planificado y que se pierde en las

El fraude planificado por parte del titular se suele esconder entre las deudas fallidasDebemos buscarlo y prevenirlo

colas de recobro


El robo de identidad está bajo control, ¿verdad?

» Como industria, observamos el fraudeen solicitudes de terceros y el robo del control de cuentas notificados comorobo de identidadrobo de identidad

» El robo de identidad casi queda fueradel radar de los informes del sector

» ¿Se considera de baja prioridad poreste hecho?

» Si el robo de identidad está bajocontrol, ¿qué pasa con el fraude


control, ¿qué pasa con el fraudeplanificado desde el inicio?

» ¿Estamos poniendo realmente el fraude planificado en el punto de mira?


¿Qué estamos buscando en la deuda fallida?

A la fuga: coger el dinero cuanto antes y

salir corriendo

Oportunista: si los demás se han salidocon la suya, por qué

no intentarlono intentarlo.


Latente: está dispuestoa seguir con el juego

más tiempo utilizando el dinero de los bancospara realizar pagos

pequeños.

Organizado: porquees dinero fácil y los

delincuentes quierensubir las apuestas.

Punto de referencia del fraude de titulares parapréstamos

EE.UU. Reino Unido Europa Alemania

R bilid d E i f d d 4 5 1 2

Punto de referencia frente al marco de trabajo FPF de FICO Escala del 0 al 5 donde 5 es "el mejor"

Responsabilidad » Equipo prev. fraude creado 4 5 1 2

Identificación » Definición acordada y comprendida 4 5 1 2

Tamaño del problema

» Como % de la deuda fallida recalificada como incobrable 5-15% 5-15% 20-40% 25-50%

Comunicación» Orientación de grupos o

concienciación de todo el grupo

3 4 2 2

Tratamiento» Política para fraude» Reglas para fraudes

M d l d f d

444

544

100

320


» Modelo de fraudes 4 4 0 0

Evaluaciones repetidas

» Evaluación continua del marco de trabajo FPF 4 4 1 2

Desarrollar un marco de trabajo en su banco paradetectar este tipo de fraude


Estrategia de tratamiento del fraude empieza en admisión

Solicitud de un nuevo cliente

Solicitud de un nuevo cliente

Solución admisión

Modelo FPF

Normas parafraudes

Revisión manual


Desarrollar un modelo FPF (del inglés First Party Fraud)

Instalar un motor de reglas Blaze Advisor

Instalar en Originations Manager 4

Instalar en su sistema de procesamiento de solicitudes actual

Revisión manual

Modelo de fraudes por parte de titulares

SEPARACIÓN DE PUNTUACIONES ENTRE FRAUDE Y NO-FRAUDE

Porcentaje

% BuenasSi tiene información útil en la fase del estudio Utilizar las puntuaciones que encajan en la f j d l t d ilib i iti á b iSi hay un alto porcentaje de efectivo durante el En general, las cuentas FPF serán un 130% del límite de crédito y más cuando se recalifica

Esta puntuación anticipada en el estudio del crédito puede permanecer con la cuenta

Guarde el indicador en uno de los 175 UDV a i l d t l l ió t f d

15

20

25

30

La analítica avanzada aumenta la concentraciónde fraude con respecto a buenas transacciones con umbrales de puntuaciones altos

La analítica avanzada disminuye la concentraciónde fraude con respecto a buenas transacciones con umbrales de puntuaciones

% Malasdel crédito sobre el fraude por parte del titular, conviene utilizarla para las decisiones a principio del ciclo de vida y más adelante.

franja del punto de equilibrio permitirá abrir nueva cuentas mientras se sigue vigilando el rendimiento

y p jprimer mes, bloquee la cuenta anteslímite de crédito y más cuando se recalifica como incobrable, por lo que compensa tener un ahorro anticipado.

crédito puede permanecer con la cuenta durante años, por lo que hay que vigilar los "estafadores latentes"

nivel de cuentas e la solución contra fraudes en transacciones.


0

5

10

0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000

Score Cut Off

Mientras se minimizanlos falsos positivos

Mientras se minimizanlos falsos negativos

puntuaciones bajos


Puntos clave a considerar

» Prevenir el fraude siendo los mejores

» Restar valor a las tarjetas ante los defraudadores

» Evitar el fraude sí aporta beneficios

» La diferencia: La analítica ajustable y los perfiles inteligentes

» Busque lo que se oculta entre la deudafallida


» Desarrolle e implante el marco de trabajocontra el fraude

FICO ForumNavegando en la nueva realidad

GraciasRuegos y preguntas

Martin Warwick

This presentation is provided for the recipient only and cannot be reproduced or shared without Fair Isaac Corporation's express consent.


8 de marzo de 2010

Consultar principal

FICO

nuevos sistemas para detectar y prevenir el fraude - fico.com · © 2011 fair isaac corporation....

Documents