BigPay

El desafío: la actividad de Mule estaba afectando la experiencia del cliente

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

En algún momento, otras instituciones financieras habían comenzado a rechazar las transacciones legítimas de recarga de BigPay que afectaron la experiencia del cliente. Con el trato justo de la Política de Consumidores Financieros de Malasia aumentando la responsabilidad por la protección del cliente, hubo una necesidad más fuerte de mejorar la detección de fraude y las capacidades de respuesta.

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

Feedzai La plataforma de ya estaba en su lugar. El enfoque fue traducir patrones en lógica de detección. Feedzai El equipo de éxito del cliente de trabajó directamente con los analistas de fraude de BigPay para desarrollar esa capacidad, capacitar sobre el diseño de reglas, alertar a la lógica de pagos entrantes sospechosos y rechazar reglas basadas en la velocidad de financiamiento y el riesgo del beneficiario.

Una vez que el equipo pudo construir e implementar de manera independiente, ejecutaron un análisis de patrones estructurados. Las cuentas de Mule se abrieron predominantemente en el mismo mes en que se utilizaron, y los fondos salieron a través de canales rotativos. La respuesta:

• Fusión de señales entre canales: las reglas evaluaron el proceso de pago completo, la transferencia y la actividad de la tarjeta juntas, para detectar patrones como recargas de terceros seguidas de salidas criptográficas.
• Bloqueo de canales de retiro de efectivo: cada vez que el equipo identificaba una nueva ruta de salida, criptomonedas, cajeros automáticos, remesas, pagos QR, se implementaban reglas rápidamente para reducir la exposición e interrumpir las vías de lavado en evolución.
• Implementación de simulación primero: cada regla se validó antes de la puesta en marcha, comprimiendo las semanas de prueba en horas.

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

Dos factores fueron decisivos. En primer lugar, visibilidad de canales cruzados: la capacidad de conectar eventos de financiamiento entrante con el comportamiento de transacciones salientes dentro de un único marco analítico. Los patrones de mulas solo se vuelven legibles cuando se puede ver todo el viaje. 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 una respuesta más rápida a los patrones de fraude emergentes.

El efecto compuesto fue igualmente importante. A medida que los volúmenes de mulas 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, lo que impulsó volúmenes aún más bajos.

Los resultados: Detección temprana, respuesta más rápida

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

Capturar las mulas antes

Con el monitoreo de transacciones estabilizado, la siguiente capa de defensa genera señales aguas arriba. Feedzai Digital Trust agrega inteligencia de dispositivos, comportamiento de sesión y señales de identidad, señalizando cuentas sospechosas antes de que se muevan los fondos.

II. Construya resiliencia en el flujo

Feedzai El motor de reglas de 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 vivo. 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 multicapa y a la rápida respuesta ante amenazas, BigPay neutralizó un nuevo aumento de la red mula en Malasia en un plazo de 72 horas, lo que redujo la actividad mula general en más del 90 % en 60 días.