¿Qué es la tasa de rechazo real?
Cuando un sistema de verificación de identidad detecta a un usuario fraudulento, un documento manipulado u otra información no válida, una de sus funciones más importantes es muy sencilla: rechazarlo. La tasa de rechazo real (TRR) mide la frecuencia con la que un sistema toma correctamente esa decisión.
La tasa de rechazo verdadero (TRR) es un indicador importante para evaluar la detección de fraudes, la verificación de identidad, la autenticación biométrica y otros sistemas que deben distinguir entre entradas legítimas e ilegítimas. Una tasa de rechazo verdadero elevada indica que un sistema identifica y rechaza con éxito los intentos no válidos. Sin embargo, la TRR no puede evaluarse de forma aislada. Las organizaciones también deben comprender cómo los umbrales de seguridad afectan a los usuarios legítimos, a los rechazos erróneos, a las tasas de conversión y a la experiencia general del cliente.
A medida que la IA generativa facilita la creación a gran escala de «deepfakes», identidades sintéticas y documentos de identidad manipulados, comprender estas relaciones cobra cada vez más importancia. Las organizaciones necesitan sistemas de verificación capaces de detectar fraudes sofisticados sin generar dificultades innecesarias a los usuarios legítimos.
Comprender la tasa real de rechazo
La tasa de rechazo real mide la proporción de intentos no válidos o no autorizados que un sistema rechaza correctamente. En la verificación de identidad, por ejemplo, esto podría incluir un documento de identidad fraudulento, un usuario no autorizado que intente acceder a una cuenta o una identidad que no cumpla los criterios de verificación exigidos.
El TRR también se aplica más allá de la identidad y la biometría. En el sector manufacturero, puede describir la capacidad de un sistema de control de calidad para rechazar correctamente los productos defectuosos. En la producción farmacéutica, puede ayudar a evaluar si los productos que no cumplen con los estándares exigidos se identifican y retiran correctamente. En todas estas aplicaciones, el principio subyacente sigue siendo el mismo: el TRR mide la fiabilidad con la que un sistema reconoce algo que no debería aceptarse.
Por lo general, es deseable que el TRR sea elevado, ya que indica que se están detectando correctamente las entradas no válidas. Sin embargo, maximizar el TRR sin tener en cuenta otros indicadores puede generar problemas. Un sistema configurado para rechazar prácticamente todo lo que resulte sospechoso podría lograr una detección eficaz del fraude, pero al mismo tiempo rechazaría a un gran número de usuarios legítimos.
Por eso es necesario tener en cuenta la TRR junto con indicadores como la tasa de rechazo falso (FRR), la tasa de aceptación falsa (FAR) y la tasa de aceptación verdadera (TAR).
Rechazo verdadero frente a rechazo falso
La tasa de rechazo verdadero y la tasa de rechazo falso (FRR) representan dos resultados totalmente distintos. Un rechazo verdadero se produce cuando se rechaza correctamente a un usuario no válido o una entrada no válida. Un rechazo falso se produce cuando se rechaza erróneamente a un usuario legítimo o una entrada válida.
Esto se debe a que TAR y FRR son complementos matemáticos, al igual que TRR y FAR. Concretamente:
- TAR = 1 – FRR
- TRR = 1 – FAR
En otras palabras, si un sistema tiene una tasa de aceptación errónea del 2 %, su tasa de rechazo correcto es del 98 %. Del mismo modo, una tasa de rechazo erróneo del 5 % se corresponde con una tasa de aceptación correcta del 95 %.
Esta relación ilustra por qué las organizaciones no deberían optimizar un sistema de verificación en función de una única cifra. Elevar el umbral de decisión puede dificultar que los usuarios fraudulentos consigan pasar, pero también puede complicar la verificación para los usuarios legítimos. El objetivo es encontrar el equilibrio adecuado entre impedir el fraude y permitir que los usuarios legítimos sigan adelante con la menor fricción posible.
¿Cómo se calcula la tasa de rechazo real?
La tasa de rechazo real se calcula dividiendo el número de intentos no válidos rechazados correctamente entre el número total de intentos no válidos:
TRR = Rechazos reales / Total de intentos no válidos
Por ejemplo, supongamos que se prueba un sistema de verificación de identidad utilizando 1.000 intentos que se sabe que son fraudulentos o inválidos por cualquier otro motivo. Si el sistema rechaza correctamente 980 de ellos y acepta erróneamente 20, su tasa de rechazo verdadero sería:
980 / 1.000 = 98 % TRR
Eso también significa que el sistema tiene una tasa de falsa aceptación del 2 %.
Sin embargo, la metodología de las pruebas es importante. Un TRR calculado a partir de una muestra pequeña o poco representativa puede no reflejar con precisión el rendimiento del sistema en el mundo real. Las pruebas deben incluir un conjunto de datos suficientemente amplio y representativo que contenga los tipos de documentos, dispositivos, usuarios, métodos de ataque y condiciones ambientales con los que el sistema probablemente se vaya a encontrar.
Las organizaciones también deberían evaluar el rendimiento a lo largo del tiempo, en lugar de considerar una única prueba como prueba definitiva de la eficacia. Las técnicas de fraude cambian, el comportamiento de los usuarios evoluciona, aparecen nuevos dispositivos en el mercado y los ataques generados por IA siguen mejorando. Por lo tanto, el rendimiento de la verificación debería medirse de forma continua en función de las condiciones cambiantes del mundo real.
Aplicaciones de la tasa de rechazo real
La tecnología TRR encuentra aplicación en diversos escenarios del mundo real, más allá de la seguridad tradicional y la biometría.
En las plataformas digitales, especialmente en el sector del comercio electrónico, el papel de la TRR es cada vez más fundamental. Ante el aumento del fraude en los pagos en línea, estimado en 41 000 millones de dólares a nivel mundial en 2022 y que se prevé que alcance los 48 000 millones de dólares en 2023, el TRR es esencial para identificar con precisión y rechazar el acceso no autorizado a cuentas financieras o datos sensibles.
TRR garantiza que solo los productos que cumplen estrictos criterios de calidad lleguen al mercado en entornos industriales. Esto reviste especial importancia en sectores como la automoción o la fabricación de productos electrónicos, donde un solo componente defectuoso puede tener consecuencias de gran alcance.
Aplicaciones de la tasa de rechazo real en el aprendizaje automático
En el ámbito del aprendizaje automático, el TRR es esencial para perfeccionar algoritmos y modelos. Garantiza que estos sistemas aprendan a identificar y rechazar con precisión los valores atípicos o los datos erróneos, mejorando así su capacidad de toma de decisiones. Esta aplicación resulta especialmente crucial en sistemas en los que la precisión es fundamental, como la detección de fraudes o el análisis predictivo.
El papel de la TRR en el reconocimiento facial
La tecnología de reconocimiento facial depende en gran medida de la TRR para garantizar su precisión y fiabilidad. Esta tecnología debe identificar correctamente a los usuarios autorizados y concederles acceso, al tiempo que mantiene una defensa sólida frente a los intentos de acceso no autorizados.
Una alta tasa de reconocimiento (TRR) en estos sistemas significa que pueden diferenciar eficazmente entre rasgos faciales similares y evitar casos de identificación errónea, lo cual es fundamental para mantener la seguridad y la confianza de los usuarios.
Por qué es importante la tasa de rechazo real para la prevención del fraude
Para los equipos encargados de la lucha contra el fraude y la gestión de riesgos, el TRR ofrece un indicador importante de la eficacia con la que un sistema identifica las actividades ilícitas. Un TRR bajo significa que se están aceptando erróneamente más intentos fraudulentos, lo que podría exponer a una organización a la apropiación de cuentas, el fraude en los pagos, el robo de identidad, el riesgo normativo y el daño a la reputación.
Esto ha cobrado especial importancia a medida que evoluciona el fraude de identidad. La IA generativa permite a los atacantes crear documentos de identidad falsos o manipulados muy convincentes, mientras que los «deepfakes» pueden utilizarse para suplantar a usuarios legítimos durante la verificación biométrica. Los estafadores también pueden recurrir a ataques de presentación o intentar introducir imágenes sintéticas directamente en una sesión de verificación, en lugar de presentar a una persona real ante una cámara física.
Por lo tanto, un sistema de verificación moderno debe evaluar algo más que si una imagen o un rostro parecen convincentes. La autenticidad del documento, la coincidencia biométrica, la verificación de que el sujeto está vivo, la detección de ataques de inyección, la información del dispositivo, las señales de comportamiento y otros indicadores contextuales pueden contribuir a determinar si se debe confiar en una interacción.
El impacto empresarial de las tasas de rechazo
Si bien no detectar un fraude conlleva evidentes riesgos financieros y de seguridad, rechazar a usuarios legítimos también tiene su propio coste. Una tasa elevada de falsos rechazos puede obligar a los clientes auténticos a repetir el proceso de verificación, a enviar información adicional, a ponerse en contacto con el servicio de atención al cliente o a abandonar por completo el proceso de registro.
Para las empresas que gestionan procesos de alta digital o de pago, esos fallos pueden traducirse directamente en una pérdida de conversiones e ingresos. Un cliente potencial que tenga dificultades repetidas para cargar un documento de identidad puede, sencillamente, marcharse. Un titular de cuenta legítimo al que se le impida completar una transacción puede perder la confianza en el servicio. A gran escala, incluso un aumento relativamente pequeño de los rechazos innecesarios puede generar miles de solicitudes de asistencia o revisiones manuales adicionales.
Por lo tanto, el reto para los equipos de gestión de riesgos no consiste simplemente en maximizar la detección del fraude, sino en distinguir con precisión a los usuarios legítimos de los fraudulentos. Una verificación eficaz debe generar dificultades cuando el riesgo lo justifique, en lugar de aplicar el mismo nivel de control a todas las interacciones.
¿Qué factores influyen en la tasa de rechazo real?
Hay diversos factores tecnológicos, ambientales y relacionados con el usuario que pueden influir en la tasa de reconocimiento de transacciones (TRR). La calidad de la imagen y del sensor reviste especial importancia en los sistemas que se basan en la captura de documentos o en la biometría. Una iluminación deficiente, los reflejos, la imagen borrosa, las cámaras de baja resolución o la colocación incorrecta de los documentos pueden dificultar que un sistema distinga entre entradas legítimas y fraudulentas.
El rendimiento de los algoritmos es igualmente importante. Los modelos de verificación deben ser capaces de detectar indicadores significativos de fraude, al tiempo que tienen en cuenta las variaciones naturales que se producen entre los usuarios legítimos y los documentos de identidad. Esto resulta cada vez más difícil, ya que los estafadores utilizan la IA generativa para crear documentos manipulados más realistas y llevar a cabo ataques biométricos.
El comportamiento de los usuarios también puede influir en los resultados. Las personas pueden sostener los documentos en distintos ángulos, utilizar teléfonos inteligentes más antiguos, capturar imágenes con poca luz o interactuar de forma diferente con los sistemas de verificación debido a su edad, a una discapacidad o a otras circunstancias. Los sistemas que no están diseñados para adaptarse a variaciones razonables corren el riesgo de rechazar de forma desproporcionada a determinados usuarios legítimos. Medir las tasas de rechazo en diferentes grupos de usuarios, tipos de documentos, dispositivos y entornos puede ayudar a las organizaciones a identificar estas disparidades.
¿Cómo pueden las organizaciones reducir las tasas de error?
Para reducir las tasas de error, lo primero es reconocer que la verificación de la identidad rara vez se consigue de forma óptima con un único indicador. Un documento que parezca sospechoso, por ejemplo, puede justificar una verificación adicional en lugar de un rechazo inmediato. La combinación del análisis de documentos con la verificación biométrica, la verificación de vida, la inteligencia de dispositivos, el análisis del comportamiento y los indicadores de riesgo contextuales puede ofrecer una visión más completa de una interacción.
Las organizaciones también pueden utilizar umbrales basados en el riesgo para determinar cuándo es necesaria una verificación adicional. Una interacción rutinaria desde un dispositivo conocido puede requerir muy poca fricción adicional, mientras que una transacción inusual o un cambio significativo en el comportamiento podría activar una verificación reforzada. Esto permite a las empresas concentrar las medidas de verificación más estrictas allí donde el riesgo es mayor.
Los procesos de reserva son igualmente importantes. Cuando los usuarios legítimos no pueden completar con éxito un método de verificación, ofrecer una vía alternativa puede evitar que un resultado incierto se traduzca en la pérdida de un cliente. Las organizaciones también deben evaluar continuamente los datos de verificación para identificar fuentes recurrentes de rechazos erróneos y ajustar los modelos, los flujos de trabajo y las instrucciones para los usuarios en consecuencia.
¿Cuál es una buena tasa de rechazo real?
No existe un valor de referencia universal para la tasa de rechazo de usuarios (TRR) que se aplique a todas las organizaciones o casos de uso. El umbral adecuado depende de las consecuencias que conlleva aceptar a un usuario no válido en comparación con las consecuencias de rechazar a uno legítimo.
Una transacción financiera de alta seguridad, por ejemplo, puede justificar un umbral mucho más estricto que una interacción de bajo riesgo. Las organizaciones que operan en entornos altamente regulados también pueden tener niveles de tolerancia al riesgo diferentes a los de las empresas en las que la comodidad del usuario tiene mayor importancia.
En lugar de perseguir una tasa de error de transacción (TRR) teóricamente perfecta, las organizaciones deberían determinar unas tasas de error aceptables en función de su exposición específica al fraude, los requisitos normativos, los objetivos de experiencia del cliente y su capacidad operativa. A continuación, la TRR debería evaluarse junto con la tasa de error de fraude (FAR), la tasa de error real (FRR), la tasa de error de transacción (TAR), las tasas de conversión, los volúmenes de revisión manual y otras métricas que revelen el impacto más amplio de las decisiones de verificación.
Tomar decisiones más precisas en materia de identidad
La tasa de rechazo real sigue siendo un indicador importante de la eficacia con la que un sistema identifica y rechaza las entradas no válidas. Sin embargo, este indicador cobra mucho más valor cuando se analiza en el contexto general.
En lo que respecta a la verificación de identidad, el objetivo no es simplemente rechazar el mayor número posible de actividades sospechosas, sino distinguir el fraude del comportamiento legítimo con la precisión suficiente para que las organizaciones puedan reforzar la seguridad sin causar molestias innecesarias a los usuarios legítimos. Para ello, es necesario evaluar continuamente múltiples señales, supervisar el rendimiento y ajustar las decisiones de verificación a medida que evolucionan tanto el comportamiento de los usuarios como las técnicas de fraude.
A medida que los «deepfakes», las identidades sintéticas, la manipulación de documentos y otros ataques basados en la inteligencia artificial se vuelvan cada vez más sofisticados, ese equilibrio cobrará aún más importancia. Las organizaciones que comprendan no solo su «tasa de rechazo real», sino también por qué se acepta o se rechaza a usuarios legítimos y fraudulentos, estarán en mejores condiciones para reducir el fraude y, al mismo tiempo, mantener la experiencia fluida que esperan sus clientes.
Si te interesa saber más sobre cómo Microblink puede ayudarte con el TRR, solicita hoy mismo una demostración para todas tus necesidades de verificación.
