Artículos

  • Prevenir el fraude de identidad y sintético en préstamos al consumo

    El fraude de identidad en los préstamos al consumo presiona la gestión de riesgos desde varios ángulos. Aumenta la exposición reputacional, las pérdidas por fraude, y el riesgo crediticio. También daña la confianza de los clientes y añade carga operativa.

    Publicado el:: 2026-04-11 14:56:32

  • Gestión de atributos y modelos: cómo hacer seguimiento de la estabilidad sin debilitar tu estrategia de decisión

    Agregar más atributos a un modelo no siempre mejora la calidad de la decisión. Si los predictores están mal agrupados, tienen poca representación, o son inestables con el tiempo, pueden degradar el rendimiento del modelo y generar riesgo para la estrategia de decisión en general. Este artículo explica cómo gestionar atributos y modelos teniendo en cuenta la estabilidad, y por qué el binning y la categorización de predictores siguen siendo una forma práctica de mantener las decisiones automatizadas explicables, trazables y fiables.

    Publicado el:: 2026-04-11 14:32:45

  • Cómo usar un Rule Engine para adaptar tu estrategia antifraude

    Un rule engine te da control sobre la lógica antifraude. En lugar de depender de comprobaciones genéricas, puedes combinar datos de terceros, listas de bloqueo de IP, y tus propias señales de transacción para definir reglas que encajen con tu perfil de riesgo. Este artículo muestra cómo adaptar las reglas antifraude para ecommerce, incluyendo comprobaciones de direcciones IP, análisis de velocity, y condiciones personalizadas que ayudan a señalar actividad sospechosa antes de que se convierta en una pérdida.

    Publicado el:: 2026-04-11 14:13:13

  • Implementación de motores de decisión para la gestión del riesgo en préstamos al consumo

    Los motores de decisión para préstamos al consumo necesitan un orden de reglas claro, control flexible y trazabilidad total. Este artículo explica cómo estructurar la lógica de decisión para que los equipos puedan gestionar el riesgo, ahorrar costes y adaptarse rápidamente a medida que cambian los datos.

    Publicado el:: 2026-04-11 14:00:07

  • El conflicto entre las técnicas de minimización de datos y el auge de los perfiles sintéticos fraudulentos

    Los controles de privacidad reducen los datos que las empresas pueden recopilar, pero también dificultan la detección del fraude con perfiles sintéticos. Este artículo explica dónde aparece esa compensación en los pagos online, cómo los estafadores usan técnicas de minimización de datos para ocultar actividad y por qué se necesita una lógica de detección más sólida cuando hay menos señales disponibles.

    Publicado el:: 2026-04-10 17:36:00

  • Investigación antifraude en lending: cómo detectar, rastrear y validar el riesgo

    El fraude en lending rara vez empieza con una sola señal clara. Suele aparecer como un patrón: un cambio de concentración, un grupo de entidades relacionadas, o un cambio brusco de comportamiento en solicitudes y transacciones. Un proceso sólido de anti-fraud ayuda a los equipos a dimensionar el caso desde el inicio, validar lo que muestran los datos y decidir qué hacer después.

    Publicado el:: 2026-04-10 17:33:34

  • Private State Tokens en la antifraude online: qué cambian y dónde encajan

    Private State Tokens son una señal que preserva la privacidad para la confianza online. Pueden ayudar a separar usuarios reales de abuso automatizado sin depender del fingerprinting tradicional, que cada vez es más difícil de usar a medida que los navegadores endurecen los controles de privacidad.

    Publicado el:: 2026-04-10 17:31:37

  • Evaluación del riesgo de comercios para BNPL y préstamos al consumo

    Los comercios están en la primera línea del fraude en BNPL y la financiación en el punto de venta. Un proceso escalable de riesgo de comercios debe separar lo que puede automatizarse de lo que sigue necesitando revisión humana, y luego mantener la supervisión después de la aprobación.

    Publicado el:: 2026-04-07 12:52:07

  • Fuentes de datos que puedes usar

    Este artículo explica cómo integrar APIs RESTful externas en los flujos de decisión de Decisimo. Cubre los requisitos mínimos de API y los formatos de respuesta admitidos, JSON o XML. También enumera tipos comunes de datos de terceros, como antifraude, validación de direcciones y perfilado de correo electrónico, así como la opción de llamar a servicios de datos internos. Por último, explica las plantillas de integración disponibles y cómo cada respuesta de la API se almacena como JSON en los atributos de salida del flujo para la lógica de decisión posterior.

    Publicado el:: 2026-04-06 20:55:53

  • Cómo monitorizar scorecards sin perder las señales que importan

    Un scorecard puede verse saludable en un dashboard y aun así desviarse de formas que cambian las decisiones. La clave es monitorizar más de una métrica: cambios, estabilidad de atributos, estabilidad de bins, poder predictivo, orden de ranking y el comportamiento alrededor de los cutoffs.

    Publicado el:: 2026-04-06 00:33:59