Detección de fraude en tiempo real: cómo un modelo ML redujo falsos positivos en 45%

El problema del fraude que escala más rápido que los equipos

El fraude financiero en tiempo real es uno de los problemas más exigentes del machine learning aplicado. Las transacciones ocurren en milisegundos, los patrones de fraude evolucionan constantemente, y el costo de los falsos positivos — bloquear transacciones legítimas — es tan real como el costo del fraude en sí.

Cuando llegamos al proyecto, el cliente procesaba más de 2 millones de transacciones por día. Su sistema de reglas estáticas bloqueaba el 4.2% de las transacciones — de las cuales el 78% eran falsos positivos. El costo operativo del equipo de revisión manual era significativo, y la experiencia del cliente era mala.

Por qué los sistemas de reglas fallan en el fraude moderno

Los sistemas de reglas estáticas ("si el monto supera X y la ubicación es Y, bloquear") son buenos para patrones conocidos. El problema es que los defraudadores se adaptan exactamente a esas reglas. Aprenden los umbrales, fragmentan las transacciones, rotan las cuentas.

Un modelo de ML entrenado sobre el comportamiento real de los usuarios puede detectar anomalías que ninguna regla explícita capturaría: una secuencia de transacciones que individualmente parecen normales pero en conjunto son estadísticamente improbables para ese usuario.

La arquitectura del sistema

Implementamos un modelo ensemble que combina gradient boosting para features de transacción individual con una red neuronal que modela el comportamiento histórico del usuario. El scoring ocurre en menos de 80ms por transacción, compatible con el tiempo real.

El feature engineering fue la parte más crítica: ratios de velocidad de transacciones, distancia geográfica respecto al patrón histórico, coherencia entre el perfil del comercio y el perfil del usuario, y señales de red entre cuentas relacionadas.

Los resultados después de 90 días en producción

Los falsos positivos se redujeron un 45% respecto al sistema de reglas. La detección de fraude real mejoró un 31%. El equipo de revisión manual redujo su carga de trabajo en un 38%, pudiendo concentrarse en los casos genuinamente ambiguos.

El modelo se reentrenan semanalmente con los nuevos patrones detectados. No es un sistema estático — es un sistema que aprende junto con la evolución del fraude.