Cada vez son más las compañías de ventas online que optan por ofrecer servicios de aplazamiento de pagos para mejorar su experiencia de cliente y aumentar las tasas de conversión. Si tenemos en cuenta que el 78% de los consumidores afirman que su opinión sobre una marca mejora cuando le ofrecen la posibilidad de aplazar sus pagos, está claro que esta opción se ha convertido en un parte esencial del panorama de pagos del ecommerce.
Según se desprende de un estudio realizado por Experian entre más de 3.000 consumidores, tres de cada cuatro encuestados aplazaron algún pago en el último año y un 11% lo hace semanalmente. Esto demuestra lo generalizado y popular que se ha hecho este método de pago. Pero este crecimiento meteórico del aplazamiento de pagos también ha captado la atención de los estafadores.
En el corazón de las estrategias de aplazamiento de pagos, o BNPL por sus siglas en inglés (acrónimo de “buy now, pay later”), se encuentra la velocidad y la facilidad con la que los consumidores pueden financiar sus compras. Pero estos mismos atributos de velocidad y facilidad hacen que esta forma de financiación sea más susceptible de intentos de fraude.
Por qué el fraude es un problema en el aplazamiento de pagos
Hay tres razones principales por las que las plataformas BNPL son especialmente vulnerables al fraude. La primera de ellas se debe a la forma en que están estructurados los pagos aplazados. Los clientes pagan inicialmente una pequeña cantidad -normalmente el 25%- del precio de los bienes o servicios. Esto hace que la plataforma resulte atractiva para los defraudadores, que pueden acceder a bienes por una pequeña fracción de su precio.
Las plataformas de aplazamiento de pagos están diseñadas para que las decisiones de crédito se tomen en cuestión de segundos, sin fricción ni retrasos. En comparación con una solicitud tradicional de préstamo o tarjeta de crédito, este proceso tiene muchos menos pasos de autenticación de identidad donde excepcionalmente se incluye una autenticación de doble factor y un ligero analisis de solvencia. Esta simplicidad en el proceso perrmite que los estafadores puedan acceder a las credenciales de acceso de los clientes a través de complejos ataques de phising y, así, impersonar al solicitante para cometer el fraude.
Muchos países están planteando normativas para regular el aplazamiendo de pagos, pero su aplicación aún puede tardar años. Sin un marco regulatorio en vigor, los proveedores de BNPL tienen que desarrollar sus propios métodos para realizar comprobaciones de identidad y de solvencia. El reto es equilibrar la rapidez y sencillez del proceso con una adecuada prevención del fraude, que depende en gran medida de la precisión de la solución contra el fraude que utilice cada entidad.
¿Qué tipos de fraude afectan a los proveedores de BNPL?
La mayoría de los casos de fraude que afectan a los proveedores de pagos aplazados implican algún tipo de usurpación de identidad. Los estafadores obtienen esta información a través de ataques del phising o bien comprándola en la dark web. Esto les permite crear identidades ficticias, en las que mezclan datos reales con datos falsos para crear nuevas cuentas de pago o gestionar cuentas existentes.
Échemos un vistazo más detallado a alguno de los tipos de fraude más comunes:
- Robo de identidad - Comparado con el tiempo y esfuerzo requeridos para crear una identidad ficticia, es mucho más fácil para los estafadores tomar el control de una cuenta existente. Esto les permite cambiar los detalles de la dirección de entrega y hacer compras solicitando un límite de crédito mayor que el establecido por el cliente.
- Compra Ahora, Paga Nunca - Esto ocurre cuando un cliente legítimo usa sus propios datos o cuando un defraudador usa datos robados para pasar los controles de seguridad para acceder a bienes y servicios con un plan de aplazamiento de pagos. Una vez que el comercio ha entregado el producto, el defraudador desaparece sin completar los pagos restantes.
- Devoluciones de recibos - Cuando se reclama un pago directamente al banco del cliente, el resultado es, normalmente, la devolución del recibo. En algunos casos se trata de clientes legítimos que abusan de este sistema con la intención de quedarse el producto y que se les reembolse su importe, lo que se conoce como un “fraude amistoso”. Sin embargo, las devoluciones también son una táctica usada comunmente por estafadores profesionales.
- Abuso de devoluciones - La mayoría de las tiendas online ofrecen algún tipo de política de devoluciones de la que pueden abusar los estafadores, que devuelven el artículo después de haberlo usado o devuelven otro completamente distinto. Este tipo de fraude es difícil de detectar, así que los usuarios utilizan a menudo su propia identidad y luego afirman falsamente que el artículo no se ha entregado, que le faltan componentes o que está dañado.
Los proveedores de pagos aplazados capaces de ofrecer a sus clientes protección avanzada contra el fraude estarán un paso por delante en este mundo tan competitivo. Como se mueven en un entorno poco regulado, es esencial que los comercios se aseguren de que su proveedor de BNPL utiliza la última tecnología para examinar proactivamente a los clientes y mitigar así las pérdidas por fraude.
¿Cómo pueden reducir el fraude los proveedores de BNPL?
La principal razón del éxito del aplazamiento de pagos es que ofrece a los consumidores acceso instantáneo al crédito. Mantener la sencillez del proceso en el momento de la venta es un elemento esencial de este método de pago. Entonces, ¿cómo pueden ofrecer los proveedores de BNPL un servicio sin trabas y contando al mismo tiempo con el mejor sistema posible de prevención del fraude?
Para seguir ofreciendo una experiencia de pago rápida y segura, los proveedores de pagos aplazados necesitan hacer uso de nuevas tecnologías para evaluar el fraude con mayor precisión, pero de una forma pasiva que no interfiera en la experiencia del cliente. Para ello, las empresas recurren cada vez más a la IA, el aprendizaje automático (ML o machine learning) y la huella digital de los dispositivos para examinar discretamente a los clientes potenciales en tiempo real.
El poder del Machine Learning
La potencia analítica de alto rendimiento del Machine Learning permite a los proveedores de BNPL identificar el fraude con mucha más precisión que utilizando únicamente reglas. El aprendizaje automático puede conectar casos previos de fraude con nuevas transacciones en el momento en que se producen para identificar y prevenir el fraude de forma proactiva.
Con la tecnología de Machine Learning, los proveedores de pagos aplazados pueden analizar las transacciones de una forma mucho más eficiente, no solo detectando patrones que los sistemas heredados no habrían detectado, sino reduciendo también la presión de los equipos internos de fraude que revisan las transacciones manualmente, ya que pueden automatizarse una mayor parte de las decisiones.
Otro beneficio importante del Machine Learning es que los modelos pueden entrenarse continuamente para seguir el ritmo de cambio de las amenazas de fraude. Los casos revisados manualmente también pueden añadirse al modelo para que sea capaz de ofrecer recomendaciones más precisas a lo largo del tiempo.
Seguimiento y verificación de dispositivos
La huella digital de los dispositivos es otra tecnología que puede mejorar considerablemente la detección de fraude en los pagos aplazados. La razon es que permite recoger y analizar los datos de identidad única de cada dispositivo que use la plataforma y pueden mejorar considerablemente su capacidad de prevención del fraude.
Mediante la combinanción del Machine Learning y huella digital, los proveedores pueden analizar el comportamiento de los clientes y los datos de los dispositivos en una fracción de segundo, para identificar a los estafadores antes de que hagan la compra. Este proceso se realiza automáticamente para que los clientes legítimos no tengan trabas a la hora de pasar directamente por caja.
El Machine Learning y la huella digital de los dispositivos es la mejor forma de analizar la localización, el sistema operativo, la señal de fecha y hora y otros datos del dispositivo que sirvan para identificar cambios sutíles en el comportamiento del usuario que indiquen riesgo de fraude. Supervisando los inicios de sesión de nuevos dispositivos, cambios en las direcciones IP y reestablecimientos de contraseñas, los proveedores de BNPL pueden detectar comportamientos sospechosos antes de que el defraudador pase a la fase de pago.