Analítica avanzada: La clave para combatir el fraude de los descuentos

Big DataDatos y Almacenamiento

Guy Yehiav, director general y vicepresidente de Zebra Prescriptive Analytics, Zebra Technologies, nos habla de algunas malas prácticas y fraudes que se producen en el sector retail y cómo combatirlo.

El fraude de descuentos ocupa un lugar destacado en la lista de delitos de venta al por menor que más preocupan a los profesionales de protección de activos. El descuento es una práctica perfectamente legítima (excepto cuando se hace de manera fraudulenta, por supuesto), lo que hace difícil separar las transacciones válidas de las ilegales. Cada año, los minoristas pierden millones de euros por descuentos ilícitos.

Muchos retailers están aprovechando las soluciones analíticas avanzadas, como los análisis prescriptivos o informes antiguos basados en excepciones, para detener este fraude. Saben que los datos no pueden ser manipulados y que una solución avanzada puede identificar hasta la más sutil actividad ilegal. Aquí abordaremos tres tipos de fraude de descuento que el análisis avanzado puede identificar antes de que las pérdidas aumenten:

El mal uso de los cupones

La mayoría de los minoristas ofrecen un servicio muy querido por los clientes, pero que comporta algunos riesgos: el reembolso de cupones. Imagine que un cliente se registra en una tienda, olvidando sus cupones en el mostrador. Otra persona puede cogerlos y comprar los artículos con descuento con el objetivo de recibir en efectivo un dinero que no le corresponde.

Las soluciones de analítica avanzada pueden mitigar este riesgo. Una de las medidas más exitosas y sencillas es que el retailer marque los cupones que son reembolsados fuera de un pedido. Esto significa que si los dependientes realizan el reembolso del cupón sin escanear primero el ticket, la solución analítica informará sobre ello. En caso de que los responsables de la tienda realicen un número anormal (calculado estadísticamente) de reembolsos de cupones fuera de pedido, se envía un aviso a protección de activos informándoles de este comportamiento, que puede servir de inicio para una investigación. Algunas soluciones también incluyen como prueba imágenes de circuito cerrado de televisión (CCTV) tomadas en el momento del incidente.

Abuso en las rebajas

Esta actividad es especialmente popular después de las vacaciones, cuando las tiendas rebajan los artículos de temporada, a veces hasta un 80%. Una etiqueta de reducción de precio en cualquier producto supone una tentación para un empleado deshonesto. Existen muchos casos documentados de empleados que colocan estas etiquetas en artículos caros para comprarlos y ahorrar una importante cantidad en el precio final. Entre los productos más populares se encuentran dispositivos electrónicos de alta gama, ropa de diseño, medicamentos y alimentos gourmet. Para evitar sospechas, los empleados delincuentes pueden contar con la ayuda de un compañero que actúa como “cliente” para que todo parezca normal ante las cámaras de seguridad.

Una fortaleza clave de la analítica avanzada es su capacidad de machine learning, conocida como “clustering” (es decir, la agrupación de ciertas entidades como asociados o tiendas en base a comportamientos o características similares). Esta agrupación permite a los profesionales de la protección de activos, comparar las entidades individualmente dentro de cada grupo de comportamiento con el promedio de referencia del grupo para cualquier indicador de rendimiento (KPI).

Machine learning utiliza el punto de referencia del “clúster” para señalar actividades sospechosas como, por ejemplo, una reducción excesiva de precio. Estas soluciones analíticas pueden incluso determinar qué tienda o empleado las procesó.

Abuso en descuentos para empleados

Los descuentos para empleados son muy frecuentes en la industria del Retail. Pocas cosas hacen más felices a los trabajadores que un generoso descuento en sus productos favoritos, aunque esté limitado a una cierta cantidad total de dinero por año o trimestre. Sin embargo, es esencial regular la actividad de los descuentos. Los empleados pueden ser demasiado generosos y compartir este privilegio en forma de tarjeta o código con sus familiares, amigos o incluso con extraños. Es necesario identificar y detener cualquier abuso antes de que los empleados compartan el descuento con más personas en contra de las normas de la organización, o peor aún, que compren con un jugoso descuento bienes que acabarán vendiendo en canales online.

La capacidad de “clustering” antes mencionada puede identificar rápida y fácilmente una actividad sospechosa creando un promedio de gasto de cada empleado. Un pico significativamente superior a la media en la actividad de descuento se marca para su seguimiento por parte de los investigadores de protección de activos. Además de las desviaciones de los puntos de referencia, las soluciones analíticas avanzadas pueden identificar otros indicadores reveladores del uso ilegal del descuento. Veamos algunos ejemplos:

  • Un descuento utilizado en combinación con la tarjeta de fidelidad de otra persona.
  • Un descuento usado en múltiples tiendas con pocos minutos de diferencia.
  • Un descuento aplicado a múltiples artículos individuales durante el turno de un empleado.
  • Un descuento aplicado a una transacción compuesta sólo por artículos de alto riesgo de robo (por ejemplo, dispositivos electrónicos, cosméticos o moda de diseño, etc.).

Para concluir, podemos asegurar que son escasos los intentos de fraude que escapan a la vigilancia de una solución analítica avanzada. Gracias a su robusto análisis, que examina los datos hasta el más mínimo rastro de actividad ilícita, los profesionales de la prevención de pérdidas pueden identificar y resolver los casos con rapidez, antes de que esas pérdidas aumenten hasta niveles críticos.

Autor
Saber más 
Saber más 

Últimos Whitepapers