Publicado: 29 de mayo de 2024
Colaboradores: Gregg Lindemulder, Matt Kosinski
La detección del fraude es el proceso de identificación de actividades sospechosas que indican que podría estar en marcha un robo delictivo de dinero, datos o recursos. Normalmente lo realiza un software de detección del fraude que monitoriza las transacciones, las aplicaciones, las API y el comportamiento de los usuarios.
Desde el robo de tarjetas de crédito a las estafas en inversiones, la apropiación de cuentas y el blanqueo de dinero, el fraude es un problema generalizado. La Asociación de Examinadores de Fraude Certificados (ACFE) estima que las empresas estadounidenses pierden una media del 5 % de sus ingresos brutos anuales a causa del fraude.1 La Comisión Federal de Comercio (FTC) descubrió que los consumidores estadounidenses perdieron más de 10 mil millones de dólares a manos de estafadores en 2023.2
Debido al importante impacto del fraude en las personas y en la economía, la detección del fraude se considera una capacidad esencial en las industrias que realizan muchas transacciones, como el comercio electrónico, la banca, los seguros, la administración pública y la sanidad.
La detección del fraude es importante por los costes y consecuencias que las empresas afrontan sin ella. Además de las pérdidas financieras, las actividades fraudulentas pueden causar daños a la reputación, interrupciones comerciales y pérdida de productividad. Las empresas que no ofrecen protección contra el fraude también se arriesgan a experiencias negativas por parte de los clientes que pueden afectar a la fidelidad y provocar pérdidas.
Más allá de los beneficios empresariales, la detección del fraude también puede ser exigida por la ley. Los proveedores de seguros, las instituciones financieras y otros pueden enfrentarse a mandatos normativos para detectar y prevenir el fraude. El incumplimiento podría acarrear sanciones y multas. Por ejemplo, los reguladores federales estadounidenses multaron al Bank of America con 225 millones de dólares por un sistema de detección del detección del fraude defectuoso durante la pandemia del COVID-19.3
Dentro del contexto más amplio de la planificación de la ciberseguridad, la detección del fraude a menudo se considera un componente importante para defenderse de la ciberdelincuencia.
Muchas organizaciones cuentan con un equipo dedicado a la prevención del fraude. Antes de implementar un sistema de detección del fraude, este equipo suele realizar una evaluación de la gestión de riesgos. Esta evaluación ayuda a determinar qué áreas funcionales de la empresa podrían ser el objetivo de diferentes tipos de fraude.
El equipo de prevención del fraude asigna puntuaciones de riesgo a cada riesgo de fraude para determinar cuáles plantean las mayores amenazas y deben priorizarse. Las puntuaciones de riesgo suelen medir la probabilidad de que ocurra una amenaza y el daño que podría causar.
A continuación, el equipo evalúa las medidas de prevención y las soluciones de detección del fraude que puede utilizar para hacer frente a estas amenazas en función de su tipo y gravedad. Las técnicas de detección del fraude más comunes incluyen la monitorización de transacciones, el análisis de datos estadísticos y la inteligencia artificial.
Monitorización de transacciones
Para muchas empresas, el lugar más obvio para buscar posibles fraudes es entre las transacciones financieras. Las herramientas de monitorización de transacciones automatizan el proceso de detección del fraude mediante la monitorización y el análisis de los flujos de trabajo de datos de transacciones en tiempo real. Estas herramientas pueden realizar la verificación de identidad y la autenticación de cuentas para interrumpir las transacciones fraudulentas a medida que se producen.
Las herramientas de monitorización de transacciones también pueden utilizar la detección de anomalías para descubrir patrones o comportamientos inusuales que requieren una investigación más profunda. Variables como la frecuencia de compra, el número de transacciones, la ubicación geográfica de los usuarios y el valor monetario de las transacciones ayudan a distinguir la actividad normal de la posible conducta fraudulenta.
Análisis estadístico de datos
La detección del fraude no siempre se realiza en tiempo real. El análisis de datos estadísticos puede detectar el fraude mucho después de que se haya producido mediante la auditoría de los datos históricos.
Los investigadores de fraude utilizan técnicas como la minería de datos, el análisis de regresión y el análisis de datos para identificar y aislar patrones de fraude en grandes conjuntos de datos. Las distribuciones de probabilidad y el cotejo de datos pueden ayudar a los investigadores a determinar dónde y cuándo se ha producido ya un fraude o es probable que se produzca en el futuro.
Al añadir métricas de fraude y puntos de datos a las tablas, gráficos y otras visualizaciones, los investigadores pueden ayudar incluso a los usuarios no técnicos a entender las amenazas de fraude en sus organizaciones.
Inteligencia artificial
Muchas organizaciones utilizan ahora la inteligencia artificial y el machine learning para acelerar y mejorar sus capacidades de detección del fraude.
Una red neuronal, que es un tipo de modelo de machine learning, puede monitorizar transacciones, analizar datos y detectar (o predecir) comportamientos fraudulentos con mayor rapidez y eficacia que las técnicas tradicionales de detección del fraude.
Además, los algoritmos de machine learning pueden mantenerse al tanto de la evolución de las tendencias de fraude aprendiendo continuamente de nuevos datos. Un estudio estima que el número de organizaciones que utilizan estas tecnologías para luchar contra el fraude casi se triplicará en 2026.4
Fraude con tarjetas de crédito: uno de los casos de uso más comunes para la detección del fraude. El fraude con tarjeta de crédito se produce cuando un usuario no autorizado obtiene la información de la tarjeta de crédito de otra persona y la utiliza para adquirir bienes o servicios o retirar fondos. A menudo, el usuario autorizado de la tarjeta descubre el robo y se le devuelve el cargo. El comerciante pierde tanto el producto o servicio como el coste de compra, y el banco emisor podría cobrar una comisión por cargo.
Apropiación de cuentas: este tipo de fraude puede ser el resultado de un robo de identidad, piratería o un correo electrónico de phishing exitoso. Un delincuente obtiene las credenciales de inicio de sesión de una cuenta de usuario y utiliza esa cuenta para realizar transacciones fraudulentas. Entre los objetivos figuran cuentas bancarias, comercios en línea, proveedores de servicios de pago, servicios gubernamentales y sitios de apuestas en línea.
Fraude de pago: término general para las transacciones fraudulentas que se realizaron utilizando información de pago robada o falsificada. Los estafadores pueden utilizar cheques falsos, transferencias electrónicas de fondos secuestradas, información robada de tarjetas de crédito o cuentas de usuario falsas para cometer fraudes en los pagos.
Blanqueo de dinero: el blanqueo de dinero es el proceso de "lavar" fondos obtenidos ilegalmente para que puedan utilizarse con fines legítimos, sin forma de rastrear los fondos hasta su origen delictivo. Los estafadores suelen utilizar el blanqueo de dinero para ocultar el dinero que han robado de transacciones fraudulentas.
Fraude interno: cualquier persona dentro de una organización que esté familiarizada con sus sistemas de TI, procesos, datos y protocolos de seguridad podría ser una amenaza interna. Los empleados, contratistas, socios comerciales y proveedores podrían cometer fraudes internos para obtener beneficios monetarios o robar propiedad intelectual.
IA generativa
Las herramientas deIA generativa pueden proporcionar a los estafadores contenido convincente para engañar al software de detección de fraudes y a los investigadores de fraudes. Los delincuentes pueden utilizar la IA generativa para generar documentos empresariales, correos electrónicos, mensajes de voz, vídeos, solicitudes de cuentas, textos y otros contenidos que parezcan legítimos.
A medida que se amplíe el fraude de la IA generativa, las organizaciones tendrán que desarrollar nuevas estrategias para defenderse de esta amenaza.
Falsos positivos
Los sistemas de detección del fraude que generan un exceso de falsos positivos pueden tener consecuencias empresariales negativas. Los clientes legítimos a los que se señale como posibles defraudadores podrían trasladar su negocio a otra parte.
Los falsos positivos pueden ralentizar las operaciones normales, aumentar los costes de investigación del fraude y gravar los recursos limitados. Optimizar las herramientas y los procesos de gestión del fraude para abordar las vulnerabilidades sin afectar a la productividad o los ingresos puede ser un reto.
Transacciones complejas
Las aplicaciones en línea y otras herramientas que simplifican las transacciones complejas también pueden facilitar el paso del fraude.
Las solicitudes digitales de tarjetas de crédito, la aprobación de préstamos, el comercio de divisas y otras transacciones de servicios financieros pueden tener múltiples puntos vulnerables que pueden ser explotados por los defraudadores. Puede ser difícil equilibrar la necesidad de facilitar las cosas a los clientes con la aplicación de salvaguardias en los procesos de backend.
Un panorama de amenazas cambiante
Los estafadores aprenden continuamente de sus errores y adaptan sus métodos para superar incluso los sistemas de detección del fraude más sofisticados. En algunos casos, los grupos de fraude están financiados por organizaciones criminales multinacionales que reclutan hackers altamente cualificados.
En 2024, la red de fraudes con sede en China BogusBazaar creó 75 000 sitios web de comercio electrónico fraudulentos que recaudaron casi 50 millones de dólares en pedidos falsos. Los estafadores también robaron la información de las tarjetas de crédito de más de 850 000 personas.5
La detección eficaz del fraude requiere la capacidad de mantenerse al día con la evolución de las tácticas de fraude y los actores de amenazas.
Normativa sobre protección de datos
Si una organización recopila información de identificación personal (PII) de sus clientes, es probable que esos datos se conviertan en un objetivo para los ciberdelincuentes que quieran utilizarlos para cometer fraudes.
Al mismo tiempo, las leyes de protección de datos pueden poner ciertas limitaciones al acceso a estos datos. Estos mandatos podrían poner a una organización en desventaja si necesita utilizar esos datos personales para detectar comportamientos fraudulentos.
Simplifique la prevención del fraude y cree una experiencia de usuario positiva con una autenticación continua y sin fricciones.
Proteja los datos en nubes híbridas, simplifique el cumplimiento normativo y aplique políticas de seguridad y controles de acceso en tiempo real.
Autenticar clientes, detectar fraudes y proteger contra usuarios malintencionados en todos los canales
Descubra por qué KuppingerCole ha nombrado a IBM Trusteer líder general, líder de producto, líder en innovación y líder de mercado en el ámbito de las plataformas de inteligencia para la reducción del fraude.
Los ataques de phishing utilizan correos electrónicos, mensajes de texto, llamadas telefónicas o sitios web fraudulentos para engañar a las personas y hacer que compartan datos confidenciales, descarguen programas maliciosos o se expongan de otro modo a la ciberdelincuencia.
El scareware es un tipo de engaño de ingeniería social que utiliza el miedo para engañar a las personas y hacerles descargar malware, perder dinero o entregar datos personales.
Notas a pie de página
Enlaces externos a ibm.com
1 ACFE Report to the Nations: Organizations Lost an Average of More Than USD 1.5 Million Per Fraud Case. Asociación de certificadores de fraude. 20 de marzo de 2024.
2 As Nationwide Fraud Losses Top USD 10 Billion in 2023, FTC Steps Up Efforts to Protect the Public. Comisión Federal de Comercio (FTC). 9 de febrero de 2024.
3 Federal Regulators Fine Bank of America USD 225 Million Over Botched Disbursement of State Unemployment Benefits at Height of Pandemic. Oficina para la Protección Financiera del Consumidor. 14 de julio de 2022.
4 2024 Anti-Fraud Technology Benchmarking Report. Asociación de certificadores de fraude.
5 Nearly a million victims hit by massive BogusBazaar campaign. TechRadar. 9 de mayo de 2024.