Mario Cardoso: «La prevención del fraude no debería estar al final del funnel como una función que simplemente dice sí o no.»

Creo que la clave está en alejarnos de la idea de que todos los jugadores deberían pasar por el mismo nivel de seguridad. El objetivo no debería ser eliminar completamente la fricción, sino asegurarnos de que se aplique allí donde realmente aporta valor.

Si un jugador se comporta de forma consistente y presenta un perfil de bajo riesgo, hay muy pocas razones para seguir sometiéndolo a comprobaciones a lo largo de todo el recorrido. Por otro lado, cuando detectamos señales que indican un mayor riesgo, es ahí donde debemos sentirnos cómodos introduciendo controles adicionales.

Así que, para mí, el equilibrio viene de una toma de decisiones basada en el riesgo: un riesgo bajo debería significar una experiencia fluida, mientras que un riesgo mayor debería justificar un mayor nivel de escrutinio.

Y esto nos lleva directamente a algo que se ha vuelto cada vez más importante para nosotros: saber quién es realmente el jugador, más allá de simplemente comprobar un documento de identidad.

Para mí, Know Your Player es realmente la evolución del KYC tradicional.

Un documento puede decirnos que alguien es una persona determinada, pero no necesariamente nos indica si el comportamiento que estamos observando es coherente con esa identidad.

Por eso analizamos una perspectiva mucho más amplia: información del dispositivo, historial de la cuenta, patrones de comportamiento, comportamiento de pago, señales de IP y geolocalización, conexiones entre cuentas y, cada vez más, la forma en que el jugador interactúa con la plataforma.

Lo importante es que ninguna de estas señales debería ser necesariamente decisiva por sí sola. Es la combinación de señales y el contexto que las rodea lo que nos permite comprender mucho mejor el riesgo.

Y eso también significa que, a menudo, podemos detectar algo sospechoso sin pedir inmediatamente a un jugador legítimo que vuelva a demostrar su identidad.

Diría que las señales de comportamiento y relacionales están adquiriendo especial importancia.

Aspectos como la reutilización de dispositivos en múltiples cuentas, cambios inusuales de comportamiento, velocidad de las acciones, patrones de pago, vínculos entre cuentas o inconsistencias entre la información declarada por el jugador y su comportamiento real.

Lo que me parece especialmente interesante es que estas señales nos permiten pasar de un enfoque muy binario, verificado o no verificado, hacia una evaluación del riesgo mucho más dinámica.

Por ejemplo, puedes tener un documento de identidad perfectamente válido, pero si el mismo dispositivo, instrumento de pago o patrón de comportamiento aparece en toda una red de cuentas, eso te está diciendo algo completamente diferente.

Y aquí es donde los falsos positivos se vuelven críticos, porque si actuamos ante cada anomalía individual, podemos empezar muy rápidamente a tratar a clientes legítimos como si fueran defraudadores.

Creo que los falsos positivos deberían tratarse como un problema de negocio, no solo como un problema de riesgo.

Desde una perspectiva de Risk, bloquear el fraude es obviamente importante. Pero si al mismo tiempo estamos bloqueando a jugadores legítimos, estamos creando otra forma de pérdida, a través de depósitos abandonados, una menor retención y un deterioro de la confianza.

Por eso creo que la calidad de la decisión es más importante que simplemente aumentar el número de alertas.

Tenemos que preguntarnos: ¿hasta qué punto estamos seguros de que este comportamiento es realmente sospechoso?

Aquí es donde mejores datos, una mejor segmentación y mejores modelos pueden marcar una diferencia significativa. En lugar de crear una regla que diga «este comportamiento equivale a fraude», podemos analizar el perfil de riesgo general y determinar si realmente está justificado introducir fricción adicional.

Y esta es también un área en la que la IA y el machine learning pueden marcar una verdadera diferencia, porque permiten a los equipos de Risk identificar patrones que son mucho más difíciles de detectar únicamente mediante reglas tradicionales.

La mayor ventaja, desde mi punto de vista, es la capacidad de identificar patrones a una escala y velocidad que serían muy difíciles de alcanzar manualmente.

Los defraudadores no cambian necesariamente una sola cosa cada vez. Cambian dispositivos, métodos de pago, comportamientos, cuentas y, en ocasiones, redes enteras. El machine learning puede ayudarnos a identificar relaciones entre esas señales y detectar patrones que no resultan evidentes cuando analizamos cada cuenta de forma individual.

Pero no creo que la IA deba sustituir al equipo de Risk. Debería potenciar su capacidad para tomar decisiones.

Otro aspecto importante es que los modelos tienen que evolucionar junto con las amenazas. Un modelo que era muy efectivo hace seis meses puede no serlo tanto hoy porque los defraudadores se adaptan.

Y por eso creo que el siguiente paso no consiste únicamente en mejorar la detección del fraude. Se trata de garantizar que los insights que estamos generando estén conectados con el resto del negocio.

Creo que existe una enorme oportunidad en este ámbito.

Si Acquisition analiza el CPA y la conversión, pero Risk analiza la calidad y el comportamiento de esos jugadores una vez que llegan, podemos acabar optimizando para el resultado equivocado.

Un canal puede parecer extremadamente exitoso porque genera muchos registros y primeros depósitos, pero si una proporción desmesurada de esos jugadores acaba generando pérdidas por fraude, abuso de bonus o riesgo de pagos, entonces el valor real de ese canal es muy diferente.

Por eso creo que tenemos que pasar de preguntarnos «¿cuánto nos ha costado adquirir a este jugador?» a «¿cuál es la calidad y el lifetime value del jugador que hemos adquirido?».

Y eso requiere que Acquisition y Risk trabajen con los mismos datos e, idealmente, con algunos de los mismos KPI.

En última instancia, la prevención del fraude no debería estar al final del funnel como una función que simplemente dice sí o no. Debería ayudar al negocio a entender qué jugadores, comportamientos y fuentes de adquisición están generando realmente un valor sostenible.