El auge del crédito digital desencadenó un aumento exponencial en losfraudes en América Latina. Según el Panorama de Amenazas de Kaspersky 2023, los ciberdelitos que experimentó un crecimiento alarmante.
El phishing o correos falsos para obtener información confidencial, se sextuplicó en la región, mientras que los ataques de troyanos bancarios se incrementaron en un 50%, alcanzando una frecuencia de 5 ataques por minuto.
Argentina no es la excepción. Un estudio de la Universidad Austral revela que las denuncias por estafas virtuales en el país se duplicaron en 2023, con un promedio de casi 4.800 casos mensuales.
Las consecuencias de hacerse pasar por otras personas y obtener préstamos de manera fraudulenta son graves y van desde el daño a la reputación personal y profesional hasta pérdidas económicas significativas tanto para las víctimas como para las instituciones financieras.
La primera línea de defensa son las personas. Evitar compartir información personal con:
- desconocidos
- verificar la identidad de quien la solicite
- monitorear las cuentas
- proteger los dispositivos son acciones sencillas pero poderosas
No obstante, el usuario final no puede llevar toda la responsabilidad. Los bancos y entidades financieras necesitan implementar una estrategia de "capas de cebolla" para proteger sus datos de manera más efectiva y reducir el riesgo de sufrir un ciberataque.
¿Cuáles son los modelos de scoring?
Cada "capa" representa una medida de seguridad diferente, y todas trabajan en conjunto para crear un escudo protector contra las amenazas.
Al incorporar un scoring de crédito alternativo en este modelo, se agrega una capa adicional de seguridad con sistemas predictivos robustos para la asignación de créditos.
A diferencia de los modelos de scoring tradicionales, se basan en una mayor cantidad y diversidad de datos alternativos que permite construir perfiles de riesgo más precisos y detectar patrones de comportamiento fraudulentos que podrían pasar desapercibidos.
En Findo esta tecnología se construye sobre algoritmos de machine learning para analizar más de 300 parámetros y más de 1000 puntos de datos en tiempo real que pueden detectar anomalías en el comportamiento de los solicitantes de crédito, como por ejemplo, hábitos de pago, tipo de Apps descargadas, historial de compras online, interacciones en redes sociales, etc.
A su vez, toda esta información se valida en múltiples fuentes de datos y se realiza un seguimiento constante de las operaciones crediticias para identificar cualquier actividad sospechosa.
Al prevenir el fraude, no solo se protege a las instituciones financieras, sino también a los consumidores honestos, quienes ven afectados su historial crediticio y su tranquilidad.
Estamos comprometidos a contribuir en la evolución de esta tecnología hacia modelos aún más efectivos con productos y soluciones seguras y confiables, fomentando una economía cada vez más dinámica y sostenible.
*Por Diego Varela, CEO y fundador de Findo