{"id":30176,"date":"2024-12-23T13:49:00","date_gmt":"2024-12-23T13:49:00","guid":{"rendered":"https:\/\/www.iprofesional.com\/tecnologia\/419531-el-futuro-de-la-prevencion-de-fraude-en-el-sistema-financiero"},"modified":"2024-12-23T13:49:00","modified_gmt":"2024-12-23T13:49:00","slug":"el-futuro-de-la-prevencion-de-fraude-en-el-sistema-financiero","status":"publish","type":"post","link":"https:\/\/latecordoba.com\/index.php\/2024\/12\/23\/el-futuro-de-la-prevencion-de-fraude-en-el-sistema-financiero\/","title":{"rendered":"El futuro de la prevenci\u00f3n de fraude en el sistema financiero"},"content":{"rendered":"\n
<\/div>\n

El mundo financiero actual se caracteriza por estar cada vez m\u00e1s conectado: el uso de medios de pago digitales<\/strong><\/a>, la digitalizaci\u00f3n de los servicios financieros y los mayores niveles de bancarizaci\u00f3n de la sociedad son s\u00f3lo algunas de las variables que hacen que el volumen de transacciones financieras haya crecido de manera exponencial.\n<\/p>\n

El fraude, en sus m\u00faltiples formas, es uno de los grandes enemigos del sistema financiero. Aunque la falsificaci\u00f3n y las estafas han existido desde siempre, la era digital lo llev\u00f3 a un nuevo nivel de sofisticaci\u00f3n. Se pierden miles de millones de d\u00f3lares como consecuencia de aprobaciones de operaciones inv\u00e1lidas con tarjeta de cr\u00e9dito<\/strong>, transacciones hechas con suplantaci\u00f3n de identidad o ciberataques con ingenier\u00eda social, entre otros delitos.\n<\/p>\n

En este contexto, las empresas deben establecer sistemas y controles para prevenir y detectar fraudes<\/strong>, errores y debilidades de los controles internos. Adem\u00e1s, impulsar la cultura de la prevenci\u00f3n y detecci\u00f3n oportuna para anticipar y mitigar los riesgos que pudieran ocasionar.\n<\/p>\n

La aparici\u00f3n de soluciones basadas en anal\u00edtica avanzada y “machine learning<\/strong>” (ML) permitieron a las entidades financieras depender no solamente de m\u00e9todos basados en reglas duras, caracterizados por una gran cantidad de problem\u00e1ticas como respuesta tard\u00eda para identificar el fraude <\/a>y generar una regla, falsos positivos, procesos lentos, dif\u00edciles de escalar y muy ineficientes, sino tambi\u00e9n incorporar propuestas m\u00e1s eficientes y adaptativas.\n<\/p>\n

Implementar soluciones basadas en modelos de machine learning, por ejemplo, brinda la posibilidad de analizar grandes conjuntos de datos, estructurados y no estructurados, para identificar comportamientos <\/span>e incorporar el concepto de “aprendizaje” basado en datos.\n<\/p>\n

Un enfoque basado en ML puede complementar a los sistemas basados en regla, pero permitiendo aprender y detectar nuevos patrones de comportamiento fraudulento a partir de los datos. Estas t\u00e9cnicas complementarias, brindan mayor flexibilidad<\/strong>, capacidad de escalar, reducir los falsos positivos y adaptarse r\u00e1pidamente a la naturaleza cambiante del desaf\u00edo.\n<\/p>\n

Estas tecnolog\u00edas que facilitan el an\u00e1lisis de datos, la detecci\u00f3n de patrones an\u00f3malos y las predicciones para una mejor toma de decisiones, tienen un punto en com\u00fan: se pueden potenciar gracias al uso de la inteligencia artificial generativa <\/strong>(IAG).\n<\/p>\n

\"Javier<\/p>\n

Javier Minhondo<\/p>\n<\/div>\n

\u00bfQu\u00e9 aporta la inteligencia artificial generativa?<\/h2>\n

Dada la amplia naturaleza de los posibles fraudes, existen casos donde, una vez que una transacci\u00f3n haya sido marcada como potencialmente fraudulenta, necesite pasar por un proceso de revisi\u00f3n<\/strong>. Ese proceso de revisi\u00f3n es realizado por un equipo de analistas que se encargan de obtener datos relacionados a la transacci\u00f3n, analizarlos y finalmente decidir bloquear o no la transacci\u00f3n.\n<\/p>\n

Hacerlo de forma manual puede llevar mucho tiempo en el an\u00e1lisis de los datos y luego en hacer un resumen del caso para dejar registro de los motivos por el cual se ha bloqueado una transacci\u00f3n. Aqu\u00ed existe una oportunidad para utilizar IAG: podemos usar los modelos para generar un resumen de actividad <\/span>para que la persona encargada de hacer el an\u00e1lisis de informaci\u00f3n tan solo tenga que leer un breve resumen y no tener que analizar una gran cantidad de datos.\n<\/p>\n

Tambi\u00e9n se puede generar autom\u00e1ticamente una resoluci\u00f3n del caso, indicando por qu\u00e9 se tom\u00f3 la decisi\u00f3n y a partir de qu\u00e9 datos. Como se ve, se usa IAG para reducir la carga cognitiva<\/strong>, reducir los tiempos y dar as\u00ed mayor capacidad de escalar y atender mayor cantidad de casos.\n<\/p>\n

Otro ejemplo del uso de asistentes conversacionales<\/a> para las instituciones financieras es el de asistencia en el proceso de “desconocimiento de transacciones”<\/strong>, una acci\u00f3n en la que muchas veces hay potenciales fraudes.\n<\/p>\n

El objetivo es automatizar la recolecci\u00f3n de informaci\u00f3n mediante asistentes conversacionales<\/strong>, y luego, de manera similar al caso anterior, automatizar los procesos de resoluci\u00f3n. Con la adopci\u00f3n de IAG, las empresas obtendr\u00e1n importantes beneficios como la mejora de la experiencia del usuario y de la calidad del servicio al cliente final; el aumento de la capacidad de escalabilidad y eficiencia; y el recorte del tiempo y la intervenci\u00f3n humana.\n<\/p>\n

Sin duda, la integraci\u00f3n de IAG en las estrategias de prevenci\u00f3n de fraudes abre puertas a nuevas posibilidades, pero tambi\u00e9n presenta desaf\u00edos que requieren experiencia y conocimiento especializado. Recursos, “know how” y experiencias son las claves para que cualquier organizaci\u00f3n pueda identificar los casos de uso que mejor se alinean con sus necesidades del negocio<\/span>.\n<\/p>\n

En este sentido, la calidad y la madurez en el gobierno de datos son esenciales para garantizar procesos gobernados y, por supuesto, resultados que sean tambi\u00e9n de calidad. A su vez, es importante tener la capacidad para monitorearlos, operarlos y hacer ajustes cuando sean necesarios; todo esto sin perder el foco en la privacidad de los datos y en evitar los sesgos o los preconceptos negativos.\n<\/p>\n

Aunque el fraude<\/a> es frecuente en organizaciones de todos los tama\u00f1os, en todos los sectores y lugares, ciertas empresas est\u00e1n expuestas a mayores niveles de riesgo que otras, como los bancos<\/strong>, las empresas de servicios monetarios, las empresas de transferencia de dinero y las empresas manufactureras. Es por eso que el entorno de control y las soluciones deben ajustarse a cada organizaci\u00f3n y adoptar las herramientas tecnol\u00f3gicas necesarias.\n<\/p>\n

El \u00e9xito en la prevenci\u00f3n y detecci\u00f3n temprana del fraude depender\u00e1 de un enfoque \u00e9tico y responsable<\/strong>, apoyado en datos de calidad, modelos robustos y la capacidad de adaptarse a un entorno en constante cambio. Solo aquellas empresas que logren integrar estos elementos de manera eficiente estar\u00e1n en condiciones de hacer frente a los desaf\u00edos que presenta el futuro en el \u00e1mbito financiero.\n<\/p>\n

(*) Arquitecto de soluciones empresariales de Nubiral.<\/strong><\/em><\/p>\n","protected":false},"excerpt":{"rendered":"\n

<\/div>\n

La integraci\u00f3n de la inteligencia artificial generativa en las estrategias de prevenci\u00f3n de fraudes abre puertas a nuevas posibilidades,