Así evita el MIT los falsos positivos en las transacciones con tarjeta de crédito

Pongamos un caso que es tan habitual como extraño cuando nos sucede: utilizamos la tarjeta de crédito para una transacción legítima pero es rechazada. Una de las causas más probables es que las tecnologías de detección de fraude utilizadas por el banco en cuestión han marcado la compra como sospechosa de manera incorrecta. Esta rémora puede estar a punto de acabarse tras la última investigación del Massachusetts Institute of Technology (MIT).  Su equipo ha descubierto una nueva técnica de aprendizaje automático para reducir estos falsos positivos, ahorrar costes a las entidades financieras y agilizar las operaciones con los clientes.

Este nuevo enfoque extrae más de 200 características detalladas para cada transacción individual para identificar mejor cuando los hábitos de gastos de un titular se salen de la norma habitual.  El experimento ya ha sido probado con un conjunto de datos de cerca de 2 millones de compras de un gran banco y se redujeron los falsos positivos en 54% con respecto a los modelos tradicionales. Esto, según estimaciones del Instituto, podría haber ahorrado a la entidad cerca de 190.000 euros. “Podríamos decir que el gran desafío de esta industria son los falsos positivos”, ha asegurado Kalyan Veeramachaneni, investigador principal del laboratorio de información y sistemas de decisión del MIT. “Hay una conexión directa entre la ingeniería de las características y la reducción de este problema”.

Una gran ruptura con el modelo tradicional

El uso del aprendizaje automático para detectar el fraude financiero data de principios de la década de los 90. Los expertos se han dedicado, con el consecuente avance técnico del paso de los años, a entrenar modelos de patrones de comportamiento de transacciones pasadas, llamadas “características”, que señalan las sospechas. Cuando un cliente introduce su tarjeta para realizar un pago, esta da una alerta a ese modelo y si las características coinciden con un determinado comportamiento anómalo se bloquea la venta.  Por ejemplo, si un usuario realiza muchas compras en un día por un valor alto, es posible que la tarjeta quede marcada por la herramienta de detección.

Pero debido a que los hábitos de las personas varían y por eso estos modelos son imprecisos en ocasiones. Según un estudio de Javelin Strategy and Research, se estima que solo una de cada cinco predicciones de fraude es correcta y que los errores pueden costar a un banco cerca de 118.000 millones en ingresos perdidos. Podría ser el caso de clientes que una vez dado el error se abstienen de volver a utilizar esa tarjeta de crédito.