Microsoft combinó aprendizaje automático con optimización para reducir el fraude en el comercio electrónico

Todo filtro antifraude debe equilibrar el riesgo de dejar pasar pedidos fraudulentos con el de rechazar pedidos legítimos, y un filtro ajustado para detener el fraude tiende a bloquear también a clientes legítimos.

El sistema de Microsoft combinó aprendizaje automático secuencial para detectar tanto el fraude conocido como el emergente con una capa de optimización que sopesaba la pérdida por fraude, los falsos positivos y los ingresos en juego. Eso le permitió elevar la tasa de aceptación bancaria al tiempo que reducía la tasa de pérdida por fraude.

Entre 2016 y 2018, el proyecto redujo la pérdida por fraude de Microsoft en 0,52 puntos porcentuales, lo que generó unos 75 millones de dólares en ahorros anuales y más de 1000 millones de dólares en ingresos adicionales gracias al mayor número de compras legítimas que se procesaron. El trabajo fue finalista del Premio Franz Edelman 2019 de INFORMS.

Marcar el fraude y mantener en marcha el pedido legítimo

Modelar tanto el fraude como la pérdida por ventas legítimas pone de manifiesto el costo real de cada decisión errónea.

Los modelos secuenciales detectan nuevos patrones de fraude que las reglas estáticas pasan por alto.

Elevar la tasa de aceptación de compras legítimas aumenta los ingresos al tiempo que reduce las pérdidas por fraude.

Una optimización explícita sustituye un umbral ajustado manualmente que rechazaba en exceso.

Un sistema antifraude evaluado solo por las pérdidas rechaza en exceso; añadir el costo de una venta legítima perdida abarata la decisión en su conjunto.

El sistema se desplegó en las tiendas en línea de Microsoft y se convirtió en una referencia sobre cómo los minoristas en línea combinan el aprendizaje automático con la investigación de operaciones en la gestión del fraude. Fue nombrado finalista del Edelman 2019 y documentado en un artículo de una revista de INFORMS.