Estudio de Caso: Plataforma de Pagos

Onboarding más rápido con mejor identificación de riesgo

Esta plataforma de pagos con sede en América del Sur necesitaba bloquear el fraude de identidad sintética en el momento del onboarding sin impedir el acceso de usuarios reales con pocos datos de identidad digital conocidos. Elephant ayudó a calibrar límites de confianza ajustados a la infraestructura regional, bloqueando automáticamente más del 30 % del fraude y reduciendo significativamente el volumen de revisiones manuales, todo ello sin aumentar la fricción para los usuarios legítimos.

El desafío

En mercados donde los datos tradicionales de verificación son inconsistentes o incompletos, incluso los usuarios legítimos pueden parecer sospechosos. Esta empresa de pagos se estaba expandiendo rápidamente en América del Sur, pero no podía escalar su revisión manual ni seguir confiando en reglas rígidas. Los ataques de identidad sintética estaban en aumento y la fricción en el onboarding ya era alta. El equipo necesitaba una mejor forma de distinguir a los nuevos usuarios legítimos, especialmente en ambientes con pocos datos.

Sus objetivos eran claros:

Bloquear el fraude de identidad sintética en el onboarding

Reducir la fricción para usuarios reales

Minimizar la revisión manual

Calibrar los límites de score según las condiciones regionales de datos

Donde los sistemas estáticos fallaron

Las señales más básicas no eran confiables

Muchos usuarios reales tenían datos ausentes, contradictorios o imposibles de verificar, lo que generaba revisiones.

Las reglas no estaban diseñadas para América del Sur

Atributos como dirección y calidad del correo electrónico no estaban calibrados para las características regionales.

Exceso de casos enviados a revisión manual

Usuarios en zonas grises eran desafiados en exceso, sobrecargando a los analistas y creando fricción.

Falta de calibración para usuarios legítimos

El sistema detectaba riesgo, pero no podía reconocer confianza al inicio del proceso.

Cómo el sistema cambió con Elephant

Elephant introdujo una capa de validación con límite en doble, adaptada a los patrones de riesgo regionales. El primer límite bloqueaba a los usuarios de riesgo extremadamente alto. El segundo enviaba a los usuarios de riesgo moderado a validación solo cuando la confianza no podía confirmarse, reduciendo la fricción innecesaria y capturando más de dos tercios del fraude restante.

Qué cambió:

Límites adaptativos entrenados con el comportamiento regional de los usuarios
Señales interpretadas según patrones locales, no globales
Scores de confianza vinculados directamente a resultados, no solo a intuición
Revisiones activadas por falta de confianza, no por reglas generalistas

Evidencia de la inteligencia de señales

Correos electrónicos nunca vistos en los datos de Elephant tenían un 72% más de probabilidad de ser fraudulentos
Teléfonos sin validación del operador presentaban un 142% más de riesgo
Direcciones sin verificación de calle eran 220 % más riesgosas
Correos electrónicos con más de 22 meses resultaron ser 37% más confiables

El verdadero beneficio: precisión sin fricción

Tras la implementación de los scores de confianza, el proceso de onboarding se volvió más preciso en ambos extremos. El fraude se bloqueó antes, las tasas de revisión se estabilizaron y los usuarios reales se registraron más rápido. El equipo ya no tuvo que elegir entre seguridad y escala.

El resultado fue un embudo más eficiente, diseñado para las realidades del onboarding en América del Sur.

31,36% del fraude conocido fue bloqueado automáticamente

Los usuarios de alto riesgo fueron rechazados en el registro sin revisión manual, acelerando el embudo y evitando el abuso de promociones desde el inicio.

67,53% del fraude conocido fue dirigido a validación, no a aprobación

Los scores capturaron la mayor parte del fraude restante, activando fricción solo cuando las señales eran débiles, preservando la experiencia del usuario mientras reducían la exposición.

80% del fraude conocido fue bloqueado o desafiado adecuadamente

En conjunto, los límites calibrados crearon una barrera adaptativa que interceptó 4 de cada 5 registros fraudulentos, sin reglas rígidas ni fricción generalizada.