En los últimos años muchas compañías de telecomunicaciones han cambiado su foco de servicios tradicionales, como los de voz y mensajería, a la venta de dispositivos. La gran mayoría de estas ventas se realizan bajo un modelo de suscripción postpago que es altamente susceptible de atraer potenciales intentos de fraude. Además, este problema se ha visto agravado últimamente por el rápido crecimiento de los canales digitales, donde aumentan exponencialmente las posibilidades de fraude para hacerse con los últimos dispositivos mediante un pequeño desembolso inicial.
Ante el aumento progresivo e imparable de los intentos de fraude en todo el mundo, las empresas de telecomunicaciones dan cada vez más prioridad a las inversiones en su identificación y prevención. Una reciente encuesta a 232 ejecutivos senior del sector de las Telecomunicaciones en EMEA demostró que aumentar la protección contra el fraude es una prioridad para 3 de cada 4 (75%). Esta cifra pone de relieve lo crítico que se ha vuelto el problema del fraude y el interes de los líderes empresariales en buscar soluciones.
El fraude en el sector de las Telecomunicaciones es un problema complejo y con muchas aristas, pero para muchas empresas el fraude en las nuevas suscripciones representa la mayor parte. La forma más efectiva de combatir esta amenaza es usar tecnologías como la Inteligencia Artificial (IA) y el Machine Learning (ML). Estas tecnologías disruptivas permiten detectar el fraude de una forma precisa y fiable manteniendo la experiencia de cliente.
Comprender el fraude en las suscripciones Telco
Un ejemplo simple de fraude en las suscripciones podría ser aquel en el que un defraudador obtiene un dispositivo móvil (ya sea utilizando su propia identidad, una identidad robada o creando una identidad) y luego no efectúa ningún pago posterior. Ese mismo dispositivo lo puede revender con un beneficio considerable ya que sólo ha tenido que pagar el primer plazo.
Un volumen importante de este tipo de fraude se clasifica erróneamente como coste de riesgos y no como fraude por lo que puede tener un efecto negativo en los costes de recobro
Detectar el fraude en la suscripción es un reto, especialmente en el caso del fraude de primera persona. En este caso, los defraudadores usan sus propios documentos de identidad para pasar las comprobaciones de verificación de identidad. Esto hace que sea prácticamente imposible para los sistemas tradicionales de detección de fraude reconocer y prevenir este tipo de fraude, ya que depende de la capacidad de identificar la intención de pago. Un volumen importante de este tipo de fraude se clasifica erróneamente como coste de riesgos y no como fraude por lo que puede tener un efecto negativo en los costes de recobro, ya que las empresas intentan recuperar una deuda que el defraudador no tiene ninguna intención de pagar. Su identificación y clasificacion temprana permite anticipar los plazos, evitar costes y eventualmente aumentar el importe recuperado.
Otro tipo común de fraude de suscripción implica el uso de 'mulas', o individuos que facilitan sus documentos de identidad a los defraudadores a cambio de un compensación. Es el llamado fraude de terceras personas que ocurre cuando el defraudador utiliza datos de identidad robados a una víctima inocente, o cuando se combinan diversos aspectos de una identidad robada con datos fabricados para crear una identidad artificial. Estas identidades permiten a los defraudadores hacer múltiples suscripciones sin que el dueño real de la identidad sea conocedor de la situación. Los defraudadores pueden solicitar así tantos dispositivos como sea posible antes de que se incluya esa identidad en una lista negra. Este tipo de defraudadores se alimenta, a menudo, de estudiantes internacionales o de viajeros, que pueden verse tentados a facilitar sus datos de identidad poco antes de abandonar un país.
¿Por qué aumenta el fraude en las suscripciones de Telecomunicaciones?
En los últimos años, ha habido un aumento considerable en la cantidad filtraciones de datos. Durante 2022 hubo cerca de 1.800 brechas de datos, que expusieron datos identificativos de millones de clientes. Gran parte de estos datos acaban a la venta en la dark web.
Con semejantes volúmenes de datos de identidad, pagos y cuentas disponibles en la red, empieza a ser relativamente fácil para los defraudadores comprar suficientes datos para crear identidades artificiales. Esto es algo que tiene un impacto en distintas industrias, sobre todo digitales, pero que es especialmente relevante para la venta de dispositivos asociada a un contrato, ya que los elevados márgenes que se obtienen por cometer un fraude en este tipo de contratos lo hacen más atractivo para los defraudadores.
Los defraudadores están vendiendo guías y tutoriales de fraude abiertamente en las plataformas de social media
El contexto macroeconomico actual representa un entorno desafiante donde un creciente número de personas busca fuentes de ingresos alternativas y está dispuesta a cometer fraudes para hacer frente a sus gastos. Los defraudadores están anunciando sus ‘servicios’ abiertamente en las plataformas de social media y vendiendo guías y tutoriales de fraude.
A todo esto se suman las expectativas de los clientes sobre la simplicidad y comodidad a la hora de acceder a cualquier tipo de servicio, que están empujando a las compañías de Telecomunicaciones a ofrecer procesos de solicitud rápidos y sencillos para seguir siendo competitivas. Este equilibrio es difícil de alcanzar ya que reducir los controles del fraude puede suponer una oportunidad para los defraudadores. Con este reto sobre la mesa, el uso de modelos de ML para filtrar de forma pasiva a los clientes potenciales aporta una precision adicional en el proceso de deteccion de fraude y no penaliza la experiencia del cliente.
¿Cómo reducir el fraude en los contratos con empresas de telecomunicación con IA y ML?
Estas empresas han confiado tradicionalmente en la identificación del fraude a través de sistemas de prevención basados en reglas. Estos sistemas dependen del histórico de casos y de la comprensión por parte de los analistas de fraude de los nuevos patrones y la rapidez de la entidad en crear nuevas reglas constantemente para identificar solicitudes sospechosas. A medida que se añaden más y más reglas, estos conjuntos de reglas se vuelven más complejos y difíciles de gestionar por lo que puede dar lugar a un gran número de falsos positivos: clientes legítimos que se clasifican incorrectamente como defraudadores. Además, el coste de mantener y gestionar un sistema de reglas cuya complejidad crece indefinidamente se vuelve inmanejable.
En comparación con los sistemas basados únicamente en reglas, el Machine Learning supone un cambio radical en la detección y prevención del fraude. El poder del ML radica en que aprende de casos de fraude anteriores de forma sistemática para establecer conexiones entre indicadores de fraude que no son evidentes para un ser humano. La combinación de los datos de los dispositivos y otros datos capturados durante el proceso con el análisis de ML proporciona un visión completa y profunda de la probabilidad de fraude de los clientes y ofrece una precisión sin precedentes en la identificación de potenciales comportamientos fraudulentos.
Los sistemas de fraude con capacidades de ML evalúan automáticamente a cada cliente a lo largo de su proceso de solicitud
Los sistemas de fraude con capacidades de ML evalúan automáticamente a cada cliente a lo largo de su proceso de solicitud, de modo que los buenos clientes no se ven afectados y los defraudadores son detectados con mayor fiabilidad. Al proporcionar una probabilidad de fraude, las empresas pueden establecer su apetito al riesgo y decidir que casos se deben remitir a una revision manual y cuales pueden ser sancionados automaticamente a revisión manual. La retroalimentacion del sistema con el marcaje de los casos de fraude detectados o posteriormente sufridos permite al sistema ganar precisión y adaptarse continuamente a las últimas tendencias de fraude.
Con suficientes datos de casos de fraude detectados, los modelos de ML pueden identificar las caracteristicas, a veces imperceptibles, asociadas a las identidades artificiales y las ‘mulas’. Estos tipos de fraude son casi imposibles de identificar con reglas creadas manualmente, pero con ML se hace posible detectarlos y bloquearlos antes de que el defraudador finalice la solicitud o incluso antes de incurrir en otros costes asociados al proceso de solicitud (como consultas a base de datos externas, análisis económico-laboral, etc...).
A medida que el fraude de las empresas de telecomunicaciones se vuelve cada vez más complejo – incluso siendo atacadas por sofisticadas redes de fraude con conocimientos tecnológicos que utilizan datos de identidad robados-, los modelos de ML ofrecen una potente solución para detectar el fraude en tiempo real que complementa las capacidades actuales de deteccion de fraude y respetan un proceso de compra fluido y sin fricciones.
Autor: José Luis San Juan, Fraud Product Manager de Experian
Si (
No(
