Según la Asociación de Certificadores de Fraude ACFE, cada año se pierden más de 4,7 billones de dólares en el mundo por actividades criminales y delitos financieros.
El aumento en el número de transacciones digitales, la aparición de más entidades financieras (Fintech), la lentitud con la que muchas veces se logran detectar las anomalías y la creciente participación de personas internas en las organizaciones abriendo puertas a los defraudadores, son algunas de las causas que han llevado a que los fraudes y delitos financieros hayan crecido a tasas superiores al 40 % en el último tiempo, explican los analistas.
“El impacto del fraude financiero en Latinoamérica es aún mayor al de otras regiones en el mundo”, explica Ricardo Saponara, experto internacional, Principal Advisory de Inteligencia de Seguridad y Fraude de SAS para Latinoamérica y Estados Unidos, y conferencista del 15o Congreso de Prevención de Fraude y Seguridad en Barranquilla 2022.
Según Saponara, la tasa de pérdida, es decir, el dinero que nunca se recupera tras un fraude en Latinoamérica es del 67 %, muy por encima del promedio mundial del 54 % y de regiones como Asia, en la que la tasa de pérdida es del 49 %.
“La sofisticación de los fraudes en una región como la latinoamericana exige cada vez más precisión y agilidad en las actuaciones tanto para prevenir como para reaccionar frente a las anomalías que se puedan presentar. Ante este escenario es que soluciones de analítica avanzada basadas en inteligencia artificial y machine learning están tomando un peso aún mayor en las organizaciones para prevenir los fraudes y tratar de reducir el impacto que este fenómeno tiene para sus finanzas”, destacó Saponara.
Enfocada en la prevención de fraudes, la analítica avanzada con capacidades de IA hoy en día está ayudando a las organizaciones a mejorar la aplicación de reglas de negocio, a la detección cada vez más temprana de anomalías, a analizar los vínculos que empleados puedan llegar a tener con bandas organizadas dedicadas a actividades fraudulentas, a analizar datos y situaciones incluso georreferenciadas y en tiempo real.
También a armar puntuaciones híbridas y establecer modelos analíticos que permitan establecer muy rápidamente qué situaciones se pueden tratar de manera automática y cuáles deben ser revisadas de manera específica y con mayor atención. Reduciendo, además, los falsos positivos (situaciones en las que se reportan y muchas veces se bloquean operaciones que no son habituales, pero que no configuran actuaciones de fraude propiamente dichas y sí terminan generando fricciones con los clientes).
Discussion about this post