Para las empresas de ecommerce, la pandemia ha puesto en marcha una trayectoria en línea que continúa produciendo más pedidos y mayores ingresos.
También ha aumentado la cantidad de fraude. Pero la lucha contra el fraude ha cambiado: debido a que los nuevos compradores en línea no se comportan como los clientes típicos, puede ser más difícil diferenciarlos de los estafadores.
La mayoría de los grandes minoristas en línea cuenta con un equipo dedicado a la prevención del fraude con entre 2 y 10 empleados que manejan cientos de miles de pedidos cada semana.
Por mucho que estos negocios quieran cero fraude, esto no es algo realista. La única forma de evitar todos los pedidos fraudulentos sería revisar manualmente cada uno, lo que no es realista ni siquiera para las empresas de tamaño modesto. Pocas empresas tienen los recursos necesarios para revisar tantos pedidos de ecommerce de forma continua, incluso si "toman prestado" personal de otros departamentos (una práctica común durante las temporadas altas).
Por lo tanto, revisar manualmente cada pedido no es algo práctico. Sin embargo, una solución completamente automatizada también plantea problemas y presenta riesgos.
Las soluciones de fraude completamente automatizadas se basan en reglas y filtros que normalmente marcan cualquier cosa, incluso remotamente sospechosa, como fraude. Esto da como resultado tasas de aprobación más bajas, falsos positivos e importantes problemas con la satisfacción del cliente y la gestión de la reputación.
Los consumidores en línea de hoy son mucho más inteligentes que nunca, especialmente los más jóvenes. Conocen el ecommerce y esperan que funcione para ellos. Entonces, cuando se rechaza su pedido válido, tienden a responder de manera devastadora:
Eso ya es bastante alarmante. Ahora, considera que el 90% de los pedidos rechazados no son fraude. Esto significa que las empresas que confían en soluciones de prevención de fraude completamente automáticas están perdiendo ventas y haciendo enojar a sus clientes.
Algunos minoristas intentan simplificar la prevención del fraude con listas de clientes para permitir o rechazar. Estos pueden ser clientes VIP o ejecutivos de la empresa que se supone que deben recibir un trato especial y que sus pedidos se procesen automáticamente. O estos pueden ser clientes que son conocidos por devolver compras en malas condiciones.
De cualquier manera, estas listas son problemáticas. ¿Qué sucedería si un estafador obtiene acceso a la información de la tarjeta de crédito de cualquier persona en una lista de permitidos? El estafador se convierte en un niño en una tienda de dulces sin supervisión.
Las listas de permiso y rechazo evitan todo el proceso de prevención de fraude. Esos pedidos se procesan y aprueban fuera de una base de datos de prevención de fraude. Por lo tanto, tu equipo de protección contra el fraude no tendrá la oportunidad de detectar de forma preventiva si un estafador ha robado la tarjeta de crédito de un VIP y la está usando para hacer compras de alto valor.
La mejor solución para la prevención del fraude es aquella que incorpora revisiones automáticas y secundarias. En pocas palabras, los minoristas necesitan un modelo combinado para obtener la mayor prevención contra el fraude.
Y ahí es donde la mayoría de las empresas se atoran. No saben cómo crear un enfoque equilibrado que sea la solución más eficiente y efectiva.
Afortunadamente, en ClearSale, es lo que mejor sabemos hacer.
Nuestro proceso se basa en las mejores prácticas, la inteligencia de la industria y la experiencia de fraude en todas las industrias, mercados y tipos de pedidos. Si se ha intentado un esquema de fraude, lo hemos visto y hemos aprendido a reconocerlo.
De hecho, hemos desarrollado un modelo estadístico que usa más de 70 variables construidas con más de 300 posibles categorías y puntajes de fraude. Este modelo cubre toda nuestra base de datos de pedidos históricos. Implica un nivel de rigor que le ha dado a nuestro modelo estadístico puntajes más altos en la prueba KS que los modelos de crédito. Y nos permite aprobar automáticamente un gran número de pedidos.
Cuando se trata de identificar qué pedidos deben revisarse manualmente, nuestro sistema señala un posible fraude y determinamos si tiene sentido investigarse más a fondo.
Para ayudar a las empresas a entender mejor cómo tomar decisiones de aprobación basadas en datos y aumentar los ingresos, les mostramos lo que hay tras bambalinas y les revelamos cómo funciona nuestro modelo combinado.
Hay una serie de cálculos que ayudan a determinar qué pedidos deben someterse a una revisión secundaria y cuáles deben revisarse automáticamente. Juntos, determinan un punto de corte o una curva como la trazada en esta gráfica.
Veamos cada uno de los cálculos:
La probabilidad de fraude es una puntuación asignada a los valores de los pedidos en función de la experiencia pasada. Las empresas deben contar con información sobre su historial de pedidos para hacer esta determinación. Por ejemplo, se puede saber que por cada 100 pedidos con un valor de $450,000, uno de ellos genera un contracargo. Eso significa que la probabilidad de fraude para un pedido de $450,000 es del 2%.
La pérdida esperada es el producto de la probabilidad de fraude y el valor total del pedido.
Pérdida esperada = probabilidad de fraude X valor total del pedido
Entonces, para ese mismo valor de pedido de $450,000, la pérdida esperada es de $9,000.
$9,000 = 0.02 x $450,000
Si el costo por pedido para una revisión secundaria es inferior a $9,000, quizá desees revisar manualmente los pedidos de ese valor.
El punto de corte de aprobación automática es una variable basada en los cálculos de pérdida esperada para el rango de valores totales de pedido.
Tomando el ejemplo anterior, se calcularía la pérdida esperada para una serie de valores totales de pedido. Supongamos que también haces el cálculo para los pedidos valorados en $100,000 y en $1,000,000, lo que te da un rango o valores totales de pedido. La probabilidad de fraude para cada uno, nuevamente, se basaría en tu experiencia con ese valor de pedido y la pérdida esperada se calcularía para cada uno, como se muestra en la tabla a continuación.
Valor total del pedido
Probabilidad de fraude
Pérdida esperada
Haz los cálculos de pérdida esperada para cada valor de pedido en un gráfico y habrás creado tu punto límite de aprobación. Cualquier pedido que caiga por debajo de la curva debe procesarse automáticamente, y cualquier pedido que esté por encima de la curva debe someterse a una revisión secundaria.
Este modelo no es infalible. Existe el riesgo de que los pedidos aprobados automáticamente resulten ser falsos positivos y que los pedidos que se rechacen automáticamente sean válidos.
Para los pedidos de revisión secundaria, existe un gran riesgo de cancelación. Cuando se marca un pedido para revisión secundaria, se realiza una comparación de los datos con las agencias de crédito y otras fuentes para determinar si los pedidos son válidos. Incluso se puede contactar a los clientes directamente para confirmar su información e informarle al propietario de la tarjeta sobre la compra. Algunos clientes aprovechan la oportunidad para retractarse de la compra. De hecho, cada 1% de análisis manual adicional da como resultado un 0.0115% estimado de ventas canceladas.
Para mitigar estos riesgos, validamos nuestro modelo antes de implementarlo utilizando datos históricos.
La validación de este modelo implica una prueba retrospectiva en la que tomamos una muestra aleatoria de pedidos aprobados previamente y los volvemos a ejecutar a través del modelo para ver qué sucede. Ten en cuenta que ya sabemos cuáles de los pedidos fueron fraudulentos y generaron contracargos.
Luego comparamos los resultados del modelo con los resultados reales del pedido. Si coinciden o están cerca, sabemos que la curva de corte de aprobación automática es válida y que el modelo es válido. Si los resultados son demasiado lejanos, volvemos al principio y observamos qué cálculo puede estar mal.
También podemos usar estos datos para optimizar el corte de aprobación automático y reducir los costos operativos.
A lo largo de cada curva de corte de aprobación automática hay un "punto óptimo" en el que se obtendrá el mayor valor general del proceso. Para encontrarlo, se deberá ajustar la curva de corte de aprobación automática para que esté lo más cerca posible de una curva de pérdida esperada para los mismos valores de pedido. De esta forma, tanto si los pedidos se revisan automáticamente como si no, el costo es el mismo.
Otras consideraciones que afectan la curva de corte de aprobación automática incluyen:
El uso de un modelo combinado para la revisión de pedidos es un proceso complicado que requiere experiencia y análisis Puede fluctuar con las horas pico, la información histórica y los cambiantes objetivos operativos. La clave es ajustar las variables para obtener el mejor valor.
¿Quieres hablar sobre tu modelo estadístico con los expertos de ClearSale?