BigPay

El desafío: la actividad de mulas de dinero estaba afectando la experiencia del cliente

BigPay es una de las plataformas de dinero electrónico de más rápido crecimiento de Malasia. Las redes organizadas de mulas de dinero habían identificado a BigPay como un objetivo para mover fondos robados. BigPay recibía denuncias de más de 1,000 casos de mulas de dinero por mes, lo que afectaba los procesos y recursos internos.

En un momento, otras instituciones financieras habían comenzado a rechazar transacciones legítimas de recarga de BigPay, lo que afectaba la experiencia del cliente. Con la Política de trato justo al consumidor financiero de Malasia, que aumentaba la responsabilidad en materia de protección del cliente, había una mayor necesidad de mejorar la detección de fraudes y las capacidades de respuesta.

La solución: aprovechar la visibilidad entre canales para una rápida neutralización de amenazas

La plataforma de Feedzai ya estaba implementada. El enfoque consistía en traducir patrones en lógica de detección. El equipo de Éxito del Cliente de Feedzai trabajó directamente con los analistas de fraude de BigPay para desarrollar esa capacidad, brindando capacitación en el diseño de reglas, la lógica de alertas para pagos entrantes sospechosos y reglas de rechazo basadas en la velocidad de financiamiento y el riesgo del beneficiario.

Una vez que el equipo pudo desarrollar e implementar de manera independiente, realizó un análisis estructurado de patrones. Las cuentas de mulas de dinero se abrían predominantemente en el mismo mes en que se usaban, y los fondos salían a través de canales rotativos. La respuesta:

• Fusión de señales entre canales: las reglas evaluaron todo el recorrido del pago, la transferencia y la actividad de la tarjeta en conjunto para detectar patrones como recargas de terceros seguidas de salidas hacia criptomonedas.
• Bloqueo de canales de salida de fondos: cada vez que el equipo identificaba una nueva ruta de salida (criptomonedas, cajeros automáticos, remesas, pagos por QR), se implementaban reglas rápidamente para reducir la exposición e interrumpir las vías de lavado en evolución.
• Implementación con simulación primero: cada regla se validó antes de ponerse en producción, lo cual redujo pruebas de semanas a horas.

Cada salida cerrada produjo datos más limpios y un conjunto de casos más pequeño, lo que hizo que el siguiente análisis fuera más nítido.

Dos factores fueron decisivos. Primero, visibilidad entre canales: la capacidad de conectar eventos de ingresos de fondos con el comportamiento de las transacciones salientes dentro de un único marco analítico. Los patrones de mulas de dinero solo se vuelven legibles cuando se puede ver todo el recorrido. Segundo, velocidad de iteración. La capacidad de simular una regla, validarla, implementarla y observar los resultados en cuestión de horas en lugar de semanas significó que las respuestas a los patrones de fraude emergentes fueran más rápidas.

El efecto compuesto fue igualmente importante. A medida que los volúmenes de mulas de dinero disminuyeron, los casos restantes se volvieron analíticamente tratables. Los tamaños de muestra más pequeños facilitaron la identificación de patrones, lo que impulsó más mejoras en las reglas y redujo aún más los volúmenes.

Los resultados: detección más temprana, respuesta más rápida

La postura antifraude de BigPay se ha fortalecido y ahora está evolucionando de controles reactivos hacia una prevención más predictiva y adaptativa.

Detecte las mulas de dinero más temprano

Con el monitoreo de transacciones estabilizado, la siguiente capa de defensa incorpora señales en etapas anteriores del proceso. Digital Trust de Feedzai agrega inteligencia de dispositivos, comportamiento de sesión y señales de identidad, lo que marca cuentas sospechosas antes de que se muevan los fondos.

II. Construya resiliencia en el flujo

El motor de reglas de Feedzai permite a los equipos de fraude crear lógica de detección a partir de entradas en lenguaje natural, lo que reduce el tiempo desde la identificación de amenazas hasta la implementación de reglas en producción. La priorización de alertas asistida por IA también ayuda a los analistas a enfocarse en los casos más críticos, lo que mejora la velocidad de respuesta y la calidad de la decisión.

Debido a este enfoque de detección de varias capas y a la rápida respuesta ante amenazas, BigPay neutralizó un nuevo pico de actividad de una red de mulas de dinero en Malasia en un plazo de 72 horas y redujo la actividad general de mulas de dinero en más del 90 % en 60 días.