PSCU: Elastic reduce el riesgo al bloquear fraudes por millones de dólares en cooperativas de crédito

Durante años, la Oficina de Riesgos Empresariales de la organización ha operado con la plataforma de base de datos Jade heredada. La arquitectura solo le permitía a PSCU ingestar logs de algunas fuentes de datos seleccionadas con el fin de detectar amenazas internas, como el robo de fondos por parte del personal de PSCU, el personal de proveedores asociados y empleados de la cooperativa de crédito. Por empezar, era difícil comprender los datos en silos en hojas de cálculo de Excel y visualizarlos en Power BI. Con el paso del tiempo, la base de datos creció e ingestar datos se volvió cada vez más difícil, dado que llevaba un día cargar los datos del día anterior.

Una demora de 24 horas en la ingesta de datos es demasiado, en particular, en lo que respecta a identificar el fraude financiero. Por este motivo, un contratista de la organización sugirió que PSCU migrara esos logs a Elasticsearch, que permite lidiar con cualquier cantidad o tipo de datos. PSCU siguió este consejo y realizó la transición al Elastic Stack en 2018. Comenzó a agregar más y más fuentes de datos, como los inicios de sesión en línea de los miembros, las direcciones IP y de domicilio, y el historial de contactos con el centro de llamadas, entre otras cosas, para monitorear y visualizar mejor los logs, con el fin de combatir el fraude financiero.

Pocos días después de desplegar Elastic, PSCU bloqueó actividades fraudulentas por USD 35 000. Hasta la fecha, PSCU ha prevenido fraudes por USD 35 000 000 en solo 18 meses tras el despliegue de su sistema impulsado por Elastic, llamado “Linked Analysis”.

Luego de la transición a Elastic, Jonathon Robinson, gerente de Inteligencia en Fraude en PSCU, descubrió que Elasticsearch podía gestionar tantas fuentes de datos como PSCU requería, con facilidad. Por eso, expandió los casos de uso de Elastic más allá de la solución de detección de fraudes internos original y agregó más logs de una cantidad creciente de fuentes de datos de naturaleza financiera, con el fin de prevenir el fraude externo en sus 1500 cooperativas de crédito miembro en todo el territorio de los Estados Unidos.

Con una cantidad mayor de fuentes de datos, se creó una primera capa nueva de prevención de fraude financiero para detenerlo antes de que se produzca. Antes, PSCU solo podía identificar actividades fraudulentas después de que ocurrieran o mientras estaban ocurriendo. “Gracias a Elastic, ahora identificamos el fraude antes de que se cometa, para poder detenerlo”, dice Robinson.

Posteriormente, la trayectoria de PSCU con Elastic evolucionó. Dado que PSCU ya tenía los datos en su sistema, el avance lógico para PSCU consistía en proporcionar perspectivas operativas para las operaciones del centro de contacto. Además, Elastic sentó las bases para que PSCU implementara un nuevo protocolo de gestión de emergencias que aprovechara Kibana y Elastic Maps para alertar a las cooperativas de crédito sobre catástrofes naturales inminentes. De esta manera, PSCU puede ajustar su soporte al cliente localizado durante eventos tales como huracanes e incendios forestales, para asegurarse de que los miembros puedan acceder a su dinero y crédito.

PSCU ha mantenido su compromiso original de detectar, prevenir y mitigar el fraude en todo momento. Hasta la fecha, esta misión continua les ha ahorrado a las cooperativas de crédito decenas de millones de dólares.

Robinson explica de qué manera Linked Analysis develó una red de fraude con tarjetas de crédito reciente, que inicialmente parecía involucrar dos tarjetas de crédito de la misma cooperativa de crédito. Robinson lo detectó cuando una tarea de Machine Learning reportó anomalías.

En un momento particular, al revisar una alerta, el equipo de Robinson usó la función de gráficos de Elastic para identificar 35 tarjetas adicionales vinculadas a través de números de teléfono y la fusión de la dirección de facturación original registrada con esas dos tarjetas. El equipo descubrió que la misma red de fraude estaba estafando a varias cooperativas de crédito, no solo a aquella en la que se originó la alerta. El equipo de PSCU pudo informar rápidamente a las cooperativas de crédito afectadas, deshabilitar las tarjetas, impedir que se usen para hacer compras y ahorrarles a los usuarios finales la frustración e incomodidad de tener que reemplazar una tarjeta de crédito comprometida.

Como resultado, esta combinación de direcciones, números de teléfono, nombres y demás información de identidad se incluyó en una lista negra, para que PSCU recibiera alertas en caso de que se produjeran actividades relativas a esta red de fraude en el futuro, sin importar en qué parte de la red de la cooperativa de crédito sucedieran.

“La inteligencia que Elastic nos ofreció se utilizó de forma instantánea para proteger a las cooperativas de crédito que sufrieron un gran impacto, pero, gracias a la lista negra creada, también la usaremos para proteger a las cooperativas de crédito a las que brindaremos servicios más adelante”, dice Robinson. “Sin la capacidad de correlacionar estos datos entre las cooperativas de crédito, nunca hubiésemos podido ver los patrones, aunque hubiésemos estado combatiendo a los mismos actores fraudulentos desde varios frentes”.

Luego agregó: “Acabar con el fraude es reconfortante. Esto se debe a que los estafadores continúan intentando usar tarjetas de crédito después de que PSCU las incluyó en una lista negra”.

Machine Learning le permite al equipo de Inteligencia en Fraude satisfacer las necesidades de 1500 cooperativas de crédito. Machine Learning y las alertas le ofrecen al equipo una perspectiva instantánea que no estaría disponible de inmediato al examinar los reportes de forma manual.

En cuanto a la prevención del fraude, las tareas de Machine Learning en PSCU monitorean la actividad que se lleva a cabo antes de pasar una tarjeta de crédito por una terminal de pago. De esta manera, PSCU acabó con el red de fraude. La actividad que PSCU monitorea incluye una combinación de llamadas a centros de datos, actividades en línea y “un conjunto de fuentes de datos diferentes que nos da una pista de lo que está sucediendo con una tarjeta”, dice Robinson.

Por ejemplo, si un cliente suele iniciar sesión desde la computadora de su casa, Machine Learning ayuda a PSCU a identificar intentos de inicio de sesión anómalos o a descubrir direcciones de correo electrónico, números de teléfono, direcciones IP, números del Seguro Social y direcciones residenciales similares utilizadas para abrir cuentas en diferentes cooperativas de crédito o acceder a ellas. Con Machine Learning y las alertas, cuando un cliente parece alejarse de su comportamiento habitual, el equipo recibe una notificación y puede tomar medidas para comunicarse con el miembro individual y, de ser necesario, bloquear una tarjeta o cuenta para detener el fraude sobre la marcha.

Además, con las funciones de gráficos disponibles en Kibana, Robinson y PSCU pueden acabar con el fraude visualizando y explorando las conexiones y relaciones en los datos rápidamente, lo cual no hubiese sido posible en una hoja de cálculo u otras partes de la solución anterior.

Aproximadamente seis departamentos tienen acceso a diferentes sets de datos que se visualizan en Kibana. Algunos datos son fundamentales para un grupo, pero no para otro. Con Kibana Spaces y el control de acceso basado en roles que ofrecen las funciones de seguridad del Elastic Stack, los miembros del personal pueden obtener acceso a determinadas visualizaciones y quedar bloqueados de otras visualizaciones no relacionadas con su trabajo. Se trata de una función fundamental y muy importante en la industria ampliamente regulada de la que PSCU forma parte.

“Por ejemplo, si una persona del centro de contacto inicia sesión, no quiero que vea la pestaña de monitoreo o todo lo demás. Solo quiero que vea aquello a lo que tiene permitido acceder y la información relevante para su trabajo. Con Spaces, puedo hacerlo”.

Spaces, agrega Robinson, también mantiene los datos “organizados y con un aspecto agradable, lo cual es importante para los directivos”.

Sin embargo, en ocasiones esto se vuelve complicado. Por ejemplo, la madre naturaleza puede causar la misma cantidad de estragos financieros o más que los estafadores de cooperativas de crédito. PSCU no puede prevenir huracanes, incendios forestales u otras catástrofes ambientales. Pero con Elastic, se puede asegurar de que los miembros de cooperativas de crédito afectados por la destrucción tengan acceso a su dinero.

Cuando se proyectaba que el huracán Dorian golpeara la costa este de Florida, a fines del verano de 2019, Robinson aprovechó Elastic Maps y agregó una capa de condiciones climáticas de la Administración Nacional Oceánica y Atmosférica (National Oceanic and Atmospheric Administration, NOAA) de los Estados Unidos, así como las direcciones residenciales de los miembros que serían afectados por el huracán. Los resultados les permitieron a las cooperativas de crédito visualizar cuáles de sus tarjetahabientes podrían verse afectados. Con esta información, las cooperativas de crédito pudieron adaptar sus medidas de prevención de fraudes para no bloquear automáticamente las compras que no correspondieran con la actividad habitual de un usuario, como la compra repentina de generadores costosos, madera o gran cantidad de alimentos enlatados.

Esta práctica para la gestión de emergencias se ha convertido en la norma durante catástrofes, incluidos los incendios forestales recientes en California.

Además, dado que es posible que las cooperativas de crédito en zonas afectadas estén cerradas, este tipo de preparación le permite a PSCU asumir las operaciones del centro de contacto de las cooperativas de crédito afectadas, para gestionar un gran caudal de llamadas previstas.

PSCU usa Elastic en el contexto del centro de contacto, no solo para emergencias, sino también para otros casos de uso que incluyen la analítica de negocios y la gestión operativa.

El Centro de contacto gestiona llamadas telefónicas en nombre de cientos de cooperativas de crédito, lo cual requiere una coordinación increíble de recursos y el monitoreo de eventos en todas las instituciones financieras. El uso de Machine Learning en tiempo real les permiten identificar cuestiones ocultas en un mar de datos, antes de que se conviertan en un problema.

Por ejemplo, los logs operativos visualizados con Kibana les permiten a los gerentes de cooperativas de crédito saber en tiempo real por qué ingresan demasiadas llamadas a sus centros de contacto en un momento dado. Las visualizaciones de Kibana indican si hay un problema interno, una promoción o una cuestión comercial que está impulsando un exceso de llamadas.

Con estos datos, se pueden adaptar las operaciones de aprovisionamiento de personal del centro de contacto según sea necesario, incluso antes de que aumente el caudal de llamadas. Además, esto les permite a las cooperativas de crédito individuales visualizar perspectivas operativas en Kibana, sin tener que llamar a PSCU para saber qué está ocurriendo en un centro de contacto.

En resumen, la ventaja competitiva de la capacidad de observación que ofrece Elastic le proporciona perspectivas a PSCU que nunca tuvo o pudo brindar a las cooperativas de crédito antes.

“Con estos dashboards de Kibana, les damos la respuesta a los gerentes de cooperativas de crédito en lugar de mostrarles cómo obtener respuestas con una hoja de cálculo de Excel”, dice Robinson. “Ya no necesitan contar con conocimientos tecnológicos”.

Robinson dice que, dieciocho meses después de implementar Elastic, hubo un enorme retorno de la inversión del 48,000 %. Esta cifra representa los millones de dólares que Elastic les ahorró a las cooperativas de crédito en concepto de fraude, menos lo que PSCU ha invertido en infraestructura y en la suscripción a Elastic en el mismo plazo.

Además, Robinson dice que sus jefes “están maravillados” con la cantidad de fraude que el Elastic Stack ha logrado prevenir: USD 35 000 000 y seguimos sumando.

“Toda capa de protección adicional que podamos ofrecerles a nuestras cooperativas de crédito siempre será algo positivo. Por eso, cuando una cooperativa de crédito tiene que pagar pérdidas en concepto de fraude, significa que los dividendos que recibirán los miembros de la cooperativa de crédito serán menores”, dice Robinson. “Con las herramientas que hemos estado usando en los últimos 18 meses, las cooperativas de crédito les están ahorrando dinero a los miembros y están invirtiendo en nuevos servicios para sus miembros”.

Además de la gran cantidad de dólares y centavos ahorrados, Elastic ha ayudado a PSCU a aumentar la satisfacción de los clientes de las cooperativas de crédito miembro.

“Cuando llamamos a un miembro individual de una cooperativa de crédito, no le decimos que alguien gastó USD 1000 con su tarjeta de crédito”. No es bueno escuchar eso. Por el contrario, le preguntamos si ha iniciado sesión desde un determinado lugar y le informamos que no ha ocurrido ningún robo. En definitiva, el tarjetahabiente sabe que la cooperativa de crédito y, en consecuencia, PSCU, lo están cuidando”.

En cuanto a los datos para la prevención de fraudes, Robinson dice que la cantidad de datos que se deben ingestar en Elastic para alimentar este proyecto es infinita. Por eso, PSCU continuará con este proyecto de centralización de datos en tiempo real con Elastic, incorporando más fuentes de datos y modificando las fuentes existentes.