Neosurf: métodos de pago alternativos – El intercambio de datos es ahora mucho más que una simple herramienta de KYC

Basándose en las lecciones extraídas de la experiencia en el sector financiero convencional, el modelo de Neosurf enfatiza que la creación de un banco de datos maduro sobre el comportamiento del usuario permite a los socios comerciales del sector de juegos de azar gestionar sus operaciones de manera mucho más estricta que en el pasado. Históricamente, los datos se han obtenido de bancos y procesadores para su análisis por parte de proveedores de servicios, pero con escasa aportación de los conocimientos que pueden añadir los Métodos de Pago Alternativos (APM), ya sea mediante el uso de billeteras o vales.

Los datos que pueden identificar y señalar el abuso de bonificaciones, y que pueden detectar tendencias inusuales que puedan indicar un uso fraudulento, son solo dos de las extensiones que los APM establecidos pueden proporcionar; más allá del análisis básico de “Conozca a Su Cliente”. La identificación de billeteras digitales donde el comportamiento abusivo es evidente y puede ser abordado permite a los operadores optimizar el uso de los servicios deseados con confianza. Para lograr un buen nivel de confianza, los datos de las billeteras digitales deben compartirse abiertamente e integrarse en los informes de gestión de cuentas.

Los datos inmaduros tienen un valor limitado, pero los datos maduros y profundos pueden utilizarse de cuatro formas distintas:

• Para informar mejoras en la propuesta al cliente
• Para indicar actividad fraudulenta y análisis KYC adverso
• Para identificar y bloquear el abuso de bonificaciones
• Añadir perspectiva a las oportunidades promocionales y estrategias de comunicación

La ironía de proporcionar datos de primera clase sobre fraude y abuso de bonificaciones es que, anecdóticamente, con frecuencia se traduce en puntuaciones de confianza deficientes en los sitios públicos de medición de confianza, ya que no existen capacidades de filtrado global en los sitios de confianza para excluir puntuaciones y comentarios publicados por defraudadores y abusadores de esquemas de bonificación; aquellos que han sufrido a manos de los indicadores de datos. Aquellos APM con puntuaciones de confianza más bajas pueden ser, paradójicamente, los que están proporcionando los mejores estándares de servicio a la industria, y esta es, de hecho, la imagen que surge cuando se incluyen los datos de encuestas de satisfacción del cliente recopilados internamente.

Ningún proveedor de esquemas de pago, ya sea establecido convencionalmente o alternativo, compartirá sus algoritmos internos en detalle, ya que esto socavaría la integridad del proceso, pero algunos son más transparentes que otros al hacer gala de apertura sobre los datos que recopilan y por qué.

Existe una mezcla de recopilación de datos factuales y de comportamiento, utilizándose los datos factuales inicialmente para satisfacer los requisitos regulatorios de KYC, mientras que los datos de comportamiento se posicionan más en el análisis inteligente; que es donde el volumen y la profundidad de los puntos de datos maduros dictarán el valor de los resultados.

Los elementos de datos factuales verifican aspectos predecibles como direcciones, historiales crediticios y similares; pero es la interpretación de los datos de comportamiento lo que tiene particular relevancia para los operadores.

Los datos de comportamiento se capturan a partir de:

• El momento del proceso de registro
• Los patrones de tiempo en cada paso del registro de la cuenta
• Los metadatos en la imagen enviada como prueba de
• identificación comparada con otros datos cargados
• Los formatos tecnológicos de POA-POI (por expandir)
• El patrón y la frecuencia de carga de valor, con parámetros de volumen y velocidad
• El patrón de juego
• Comportamiento de gasto a lo largo del tiempo, a través del valor y los comerciantes en los que se gasta

Al extraer estos elementos y combinar los resultados, surgen patrones que indican:

• Indicadores de Volumen Valor Velocidad para detectar fraudes y crear acciones a tomar
• Predicciones de comportamiento que desencadenan acciones positivas y preventivas
  • 1. El comportamiento del jugador indica un patrón claro de uso regular en diferentes sitios en diferentes momentos, y dependiendo de sus ganancias y ofertas, cambia de operadores
    2. Comportamiento que es reconocible como actividad fraudulenta/criminal y puede ser detenido en tiempo real
    3. Comportamiento de incorporación y uso de documentos/tipo que indica un potencial riesgo criminal/fraude y pasos creados para detener, aumentar los requisitos de riesgo
• Patrones de comportamiento asociados a influencias externas: clima, ocasiones estacionales y disrupciones. ¡La Covid-19 es una influencia evidente!

En este caso, se crearon los bloques, deteniendo una serie de actividades. Pero aún más importante, se añadió el uso de los datos al análisis para establecer percepciones. Estas percepciones fueron posteriormente compartidas con operadores específicos para que, en conjunto, se pueda implementar un plan de acción proactivo.

Este extracto de un sistema muy complejo comparte algunas percepciones sobre un proceso de alto nivel para buscar consistencias. El resultado de datos de esto y de acciones más profundas es un enfoque sostenible para relacionar comportamientos con registros continuos por geografía, tiempo, valores, etc. El uso del análisis es clave internamente, pero compartir el análisis es aún más valioso para las asociaciones con operadores.

Los comentaristas de la industria enfatizan el valor de proporcionar a los operadores datos maduros y de calidad. Los niveles de satisfacción del cliente con la propuesta de servicio general indican que los datos de tendencias trimestrales oscilan entre el 95% y el 98%, destacando no solo la capacidad de respuesta del equipo de atención al cliente, sino también, y de igual importancia, las capacidades subyacentes de la plataforma impulsadas por el análisis de datos.