Optimización de modelos antifraude personalizados con JuicyScoreAI

A menudo resulta difícil para las empresas en línea conformar un equipo interno que no solo vigile todas las tendencias en la gestión de riesgos digitales, sino que también las aplique eficazmente en beneficio de la empresa. Esto se vuelve particularmente desafiante en un entorno de tecnología en constante cambio y de tendencias de mercado en evolución, donde es necesario mantenerse al día con las últimas innovaciones para estar preparado para adaptarse con rapidez.

Para aquellos clientes nuestros que enfrentan dificultades para construir equipos de gestión de riesgos, hemos desarrollado JuicyScoreAI. Se trata de una herramienta completamente nueva diseñada para automatizar el proceso de creación de scoring antifraude personalizado y de selección de variables óptimas. Ofrece una combinación de potentes capacidades analíticas con una interfaz de usuario intuitiva, haciéndola fácil y accesible tanto para usuarios novatos como para expertos en datos experimentados.

¿Qué es JuicyScoreAI?

El objetivo principal de JuicyScoreAI es facilitar el desarrollo y la implementación eficiente de modelos de machine learning. La herramienta automatiza pasos cruciales como el análisis de datos y la selección de variables. Ayuda a las organizaciones financieras a optimizar sus esfuerzos de modelado predictivo. Garantiza estimaciones más precisas y conduce a resultados excelentes. Aquellos que necesiten una iteración y validación rápida de modelos, permitiendo a los usuarios adaptarse rápidamente a nuevos datos o condiciones cambiantes, encontrarán a JuicyScoreAI extremadamente útil.

En palabras más simples, el producto contiene funcionalidad en línea para automatizar el scoring antifraude personalizado basado en la infraestructura de JuicyScore. Sirve para aumentar el valor general de JuicyScore. Además, puede ser útil en caso de dificultades para crear un modelo antifraude personalizado basado en la infraestructura de negocio en línea existente.

¿Quién puede beneficiarse del uso de JuicyScoreAI?

JuicyScoreAI fue diseñado para satisfacer las necesidades de una amplia gama de usuarios. Puede resultar un instrumento efectivo para analistas de datos que necesitan realizar análisis de datos exploratorios rápidos, así como para científicos de datos experimentados que desarrollan modelos predictivos robustos.

Al integrarse con los flujos de trabajo de datos existentes, JuicyScoreAI se convertirá en un elemento crucial en cualquier organización que dependa de la toma de decisiones basada en datos. Por ejemplo, la industria financiera depende drásticamente de los datos. JuicyScoreAI mejora la capacidad de extraer información valiosa de conjuntos de datos complejos. El producto ayudará a los profesionales de riesgo a establecer enfoques más simples y rápidos para construir modelos personalizados.

Características clave de JuicyScoreAI

• Preparación de datos: Los usuarios pueden cargar sus conjuntos de datos directamente en la herramienta. JuicyScoreAI admite múltiples formatos de datos y garantiza que la integridad de los datos se mantenga desde la carga hasta el análisis.
• Análisis de datos: La herramienta realiza automáticamente un análisis estadístico de los datos proporcionados, calculando métricas esenciales como el coeficiente Gini, el estadístico KS, el Valor de Información (IV) y los valores p. Este análisis ayuda a los usuarios a identificar las variables más predictivas y comprender la significancia estadística de sus datos.
• Desarrollo de modelos: JuicyScoreAI ofrece opciones flexibles de desarrollo de modelos, incluidos Modelos Lineales Generalizados (GLM), Árboles de Decisión y Gradient Boosting. Los usuarios pueden seleccionar la técnica de modelado más apropiada en función de los resultados del análisis y adaptar su enfoque para satisfacer necesidades comerciales específicas.

Además, la solución JuicyScoreAI ayuda a los usuarios a identificar rápidamente las variables más relevantes para el negocio para impulsar el crecimiento empresarial. La herramienta puede utilizarse para comparar diferentes métodos de IA para evaluar el riesgo de fraude e involucrar a expertos de JuicyScore en la consultoría de formas de construir modelos personalizados.

¿Cómo funciona JuicyScoreAI?

Cabe señalar que JuicyScoreAI es un producto complementario. Viene como un add-on de la solución JuicyScore ya instalada. Un experto, responsable de riesgos en el negocio en línea, carga los datos basados en flags: una lista de sesiones con valores de fraudulentidad expuestos para sesiones/solicitudes individuales. Con base en el archivo cargado, JuicyScoreAI genera respuestas basadas en 10 variables o llamados índices IDX. Las variables IDX agregadas representan un conjunto de eventos raros y factores de la misma naturaleza. Se recopilan con la ayuda de algoritmos de Deep Machine Learning para formar una sola variable. Posteriormente, esta variable puede usarse para modelar o integrarse en el sistema de toma de decisiones de las organizaciones crediticias.

Todos los índices IDX se crearon como variables Gaussianas. Lo hicimos por varias razones. En primer lugar, están sujetos a evaluación/validación de significancia estadística (lo que significa un nivel clásico de significancia p). En segundo lugar, nos permiten estructurar todo el espacio de probabilidad dependiendo del tipo de eventos de fraude. Puede encontrar información y detalles más valiosos sobre los índices en nuestro artículo sobre la evaluación de riesgos de eventos raros. La respuesta de scoring se basa en esos índices.

Construcción de un modelo: un experto puede seleccionar los índices más apropiados y el algoritmo de machine learning utilizado para construir un modelo específico.

Con base en los 10 índices, obtenemos una distribución del poder predictivo de cada índice. La principal ventaja de JuicyScoreAI es la capacidad de operar datos del cliente y entrenarse con sesiones actuales en tiempo real.

De esta manera, podemos extraer los beneficios de la informatividad de los índices del genericScore (API v15), que representa un conjunto de modelos construidos sobre agregados IDX1-IDX10 y muchas variables auxiliares. Los datos recopilados durante la operación de JuicyScore o JuicyID son la base. Posteriormente, estos datos se utilizan para construir un modelo. Aunque no es genérico ni básico, se adapta perfectamente a casos de negocio específicos. De esta forma, el experto cuenta con una variedad de herramientas para la gestión de modelos. Obtiene un modelo más básico y genérico que se ajusta a todos. Además, el modelo se basa en datos de la empresa, lo que hace que el scoring sea más preciso y certero.

Cada vez que un experto carga sus datos de sesión, puede revisar tres métricas principales para evaluar la informatividad de la variable que puede utilizarse en un modelo.

El índice estadístico p_value se utiliza para interpretar los resultados de las pruebas de hipótesis. Si el p_value es inferior al 5%, esta variable es estadísticamente significativa para la variable objetivo (predecir sesiones fraudulentas). En esencia, un p_value inferior al 5% recomienda que este índice se añada al modelo personalizado. Los criterios de valor Gini incremental y significancia en las estadísticas KS deben considerarse por separado.

El Valor de Información (IV) de cada índice se calcula en la sección de información del modelo. En la cuenta personal, puede encontrar recomendaciones sobre los índices más adecuados para formar un modelo personalizado.

¿Qué tipos de modelos basados en datos se pueden construir?

1. Modelo Lineal Generalizado (GLM). La fórmula puede incluir diversos tipos de datos relacionados con el prestatario (excepto datos personales). Esto incluye, por ejemplo, algunos préstamos emitidos previamente y el ingreso disponible estimado. A diferencia del modelo lineal simple, el modelo lineal generalizado puede manejar tipos de datos más complejos.
2. Árbol de Decisión. El uso de un árbol de decisión ayuda al equipo a evaluar los riesgos existentes de la manera más rápida posible. La simplicidad y la visibilidad son las principales ventajas de este modelo.
3. Gradient Boosting. Este modelo funciona bien cuando los profesionales de riesgo trabajan en conjunto. Se basa en un pronóstico base que tiene en cuenta todos los pasos posteriores y las iteraciones de corrección y mejora del pronóstico, lo que da como resultado predicciones más precisas.

Después de seleccionar el tipo de construcción del modelo, un experto en riesgo recibe una métrica del modelo. La personalización puede variar dependiendo de los objetivos del negocio. Por ejemplo, si un prestamista necesita un ajuste más estricto y filtros para excluir más solicitudes en una estrategia más segura (lo que puede ser particularmente necesario durante fraudes estacionales, por ejemplo, en las próximas vacaciones), un gestor de riesgo puede configurar un modelo personalizado que rechace a la mayor cantidad posible de prestatarios con marcadores de riesgo por encima del promedio de la muestra.

Un experto también puede personalizar el modelo con una política de rechazo más suave para aumentar la tasa de aprobación de las solicitudes. La solución JuicyScoreAI ayuda a configurar un modelo óptimo que tanto aumentará la tasa de aprobación como también rastreará el flujo de solicitudes riesgosas. Además, cada modelo puede ser entrenado. Utiliza el 60% del muestreo de datos para el entrenamiento y el 40% para la prueba de hipótesis y validación.

Cada funcionalidad de JuicyScoreAI está diseñada para agilizar el proceso desde la preparación de datos hasta la implementación del modelo. Al comprender y utilizar estas características, los usuarios pueden mejorar sus capacidades de modelado predictivo y tomar decisiones efectivas basadas en datos. JuicyScoreAI admite varios formatos de datos comunes y proporciona estadísticas detalladas para la toma de decisiones al construir un modelo. Estamos convencidos de que nuestro nuevo producto será útil para las empresas en línea y las ayudará a fortalecer significativamente su posición en el panorama digital moderno.