Transformando las experiencias bancarias de los clientes con inteligencia artificial y aprendizaje automático

Mark Crichton, 25 de Septiembre de 2020
Transforming Customer Banking Experiences with AI and Machine Learning

La inteligencia artificial y el aprendizaje automático han impulsado transformaciones significativas en prácticamente todas las industrias durante los últimos años. Al aprovechar la tecnología, las empresas pueden comprender grandes cantidades de datos para impulsar la toma de decisiones inteligente y crear servicios nuevos e innovadores para mejorar las experiencias de los clientes. El sector bancario en particular se ha beneficiado de la IA y el aprendizaje automático, especialmente cuando se trata de luchando contra el fraude , que es una amenaza continua y en constante cambio a la que los bancos deben estar atentos.

Al mismo tiempo, IA y máquina Las tecnologías impulsadas por el aprendizaje también garantizan que la infraestructura de seguridad no comprometa la experiencia del cliente. Por ejemplo, los consumidores quieren estar seguros, sin tener que lidiar con falsos positivos innecesarios o transacciones bloqueadas. Cualquier punto de fricción a lo largo del recorrido del cliente puede causar frustración y obligar a los clientes a mirar a la competencia.
Aquí, analizamos las diferentes formas en que los bancos pueden aprovechar la inteligencia artificial y el aprendizaje automático para mantener a los clientes seguros, mientras se mantiene una experiencia de cliente excepcional.

Análisis de datos y detección de amenazas

Una de las principales fortalezas de la inteligencia artificial y los algoritmos de aprendizaje automático es su capacidad para procesar grandes cantidades de datos en tiempo real. Los algoritmos que se utilizan hoy en día tienen en cuenta cientos de factores, como el dispositivo utilizado, el historial de transacciones, la ubicación del cliente y otros datos contextuales para crear una imagen detallada de cada transacción y analizar el riesgo de esa transacción dentro del contexto del usuario. y organización.

Como tal, este enfoque basado en el riesgo es capaz de detectar patrones complejos en grandes grupos de datos estructurados y no estructurados, lo que hace que las herramientas impulsadas por IA sean significativamente más rápidas que los humanos para detectar amenazas de seguridad nuevas y emergentes, ya sea un pico en el tráfico de una fuente inusual o una transacción sospechosa que puede requerir autenticación adicional.

Por ejemplo, si un cliente desea verificar su saldo bancario desde un dispositivo y una ubicación reconocidos, solo necesitaría cumplir con los requisitos básicos de autenticación para obtener acceso a su cuenta, como ingresar un PIN. Para la actividad de mayor riesgo que se sale del comportamiento normal, como una cantidad de transacción inusualmente grande en una nueva ubicación, se requerirá autenticación adicional, por ejemplo, una huella digital o reconocimiento facial.

Además, dado que la inteligencia artificial y los algoritmos de aprendizaje automático son capaces de analizar puntos de datos mucho más grandes, conexiones entre entidades y patrones de fraude, la prevalencia de falsos positivos puede reducirse drásticamente. Esto significa que menos clientes serán rechazados falsamente por aspectos relacionados con estafas, lo que a su vez minimiza los costos en mano de obra y tiempo relacionados con la asignación de nuevo personal para revisar las transacciones marcadas.

Por lo tanto, al usar IA, los bancos pueden analizar en tiempo real una gran cantidad de información de varias fuentes y canales de datos diferentes, lo que les permite tomar decisiones críticas de seguridad casi instantáneamente y prevenir el fraude, sin comprometer la experiencia del cliente.

Verificación de identidad

Otro ejemplo de cómo los bancos pueden utilizar la IA para mejorar la seguridad y la experiencia del cliente es la verificación de identidad.

Los bancos han confiado durante mucho tiempo en métodos manuales heredados para verificar la identidad de los clientes, como pedirles que ingresen a la sucursal con su identificación. A medida que la banca digital continúa en auge y las filtraciones de datos exponen más información personal en la web, se vuelve más difícil identificar de forma segura a los usuarios sin comprometer la experiencia del cliente.

Combinando legado Verificación de identidad Con métodos de inteligencia artificial y técnicas de aprendizaje automático, los bancos pueden lograr una verificación de identidad amplia y sensible al contexto, lo que evita el fraude de identidad y permite a los clientes abrir cuentas bancarias o sacar nuevos productos sin necesidad de acudir a una sucursal. Esto incluye una serie de comprobaciones, como la captura de documentos de identidad, datos biométricos de referencias cruzadas, como una selfie con una identificación, la ubicación del dispositivo, la comprobación de la cuenta en tiempo real y más.

Mirando hacia el futuro

Está claro que los avances en inteligencia artificial y aprendizaje automático han sido fundamentales para mejorar la seguridad de los consumidores, habilitar nuevos servicios y mejorar la experiencia del usuario. Sin embargo, también sabemos que la inteligencia artificial y el aprendizaje automático por sí solos no serán suficientes para prevenir los ciberataques al sector bancario ahora o en el futuro.

Los ciberdelincuentes siempre están atentos a nuevas vulnerabilidades que puedan explotar y que les proporcionarán el mayor retorno de la inversión. No es de extrañar que los ataques aumenten tanto en los canales en línea como en los móviles, particularmente a medida que la banca remota crece en popularidad.

Los bancos y las instituciones financieras deben estar particularmente atentos cuando operan en nuevos canales u ofrecen nuevos productos, ya que la seguridad está incorporada desde el principio y no se agrega como una idea posterior.

Risk Analytics for Fraud Prevention: Top Use Cases in Banking
White Paper

Risk Analytics for Fraud Prevention: Top Use Cases in Banking

To help banking executives better understand the value of a risk analytics system driven by machine learning, this white paper explains continuous fraud monitoring and dynamic risk assessment in the context of the top use cases in banking.

Download Now


Este artículo, escrito por Mark Crichton, director senior de gestión de productos de seguridad en OneSpan, se publicó por primera vez en Information-Age.com el 23 de septiembre de 2020.

Mark Crichton is the Senior Director of Security Product Management at OneSpan, with over 20 years’ experience in architecting, deploying, developing and strategic consulting within the realm of global IT security and payment security solutions.