Todos los artículos Fraud & ATO

Cómo Airbnb usa fricción selectiva en lugar de bloquear — y cómo hacerlo en tu negocio

Cuando alguien paga una reserva de Airbnb con una tarjeta robada, tarde o temprano el titular real desconoce el cargo. El blog de ingeniería de Airbnb explicó en 2018 que la empresa asume el costo de esos contracargos en lugar de pasárselo a los anfitriones. Frenar las reservas con tarjetas robadas le importa directamente a su propio bolsillo.

La respuesta obvia es bloquear todo lo que parezca riesgoso. El problema es que “parece riesgoso” es un puntaje, no un hecho. Por encima de cualquier umbral hay reservas de huéspedes reales: alguien que paga desde otro país, una primera reserva a medianoche, una tarjeta que se usa por primera vez. Si las bloqueas, pierdes a un cliente que no hizo nada malo.

Airbnb eligió un camino intermedio. En el artículo “Fighting Financial Fraud with Targeted Friction”, David Press, científico de datos del equipo de confianza de Airbnb, describió cómo la empresa aplica pasos extra, llamados fricciones, solo a las reservas que sus modelos marcan, y cómo decide dónde trazar la línea.

Qué construyó Airbnb

El método, tal como lo describen el artículo y el resumen que publicó InfoQ, tiene cuatro partes.

Un modelo entrenado con casos pasados. Airbnb califica las transacciones con modelos de machine learning entrenados con ejemplos de comportamiento confirmado como legítimo y confirmado como fraude. El modelo no decide nada por sí solo: produce un puntaje.

Fricción en lugar de un muro. Por encima del umbral, algunas transacciones se bloquean directamente, pero en la mayoría de los casos el usuario tiene la oportunidad de completar una verificación adicional. Los ejemplos del artículo son cosas que un titular real puede hacer y que alguien con un número de tarjeta robado normalmente no:

  • Microautorización. Se hacen dos cargos pequeños a la tarjeta y el usuario confirma los montos, que solo ve quien tiene acceso a la cuenta de esa tarjeta.
  • 3-D Secure. El banco emisor autentica a su propio cliente.
  • Estado de cuenta. El usuario sube un estado de cuenta de la tarjeta.

Un costo explícito para cada error. El artículo define cuánto cuesta cada resultado. Un falso positivo es una reserva buena que recibió fricción: algunos usuarios buenos no completan el paso y no usan Airbnb. Un falso negativo es un fraude que quedó por debajo del umbral: cuesta el pago completo más gastos extra, como comisiones del procesador y el riesgo de más rechazos de tarjetas. Un verdadero positivo es un fraude que la fricción frenó. El umbral se elige para minimizar el total de esos costos, no para atrapar la mayor cantidad de fraude posible.

Un precio medido para cada fricción. Esta es la parte que casi todos se saltan. Para saber cuántos usuarios buenos pierde cada fricción, Airbnb hizo pruebas A/B con su plataforma de experimentos. Asignó usuarios con puntajes bajos, muy poco probables de ser estafadores, para que vieran la fricción en la misma etapa del embudo donde la verían los sospechosos. El abandono en ese grupo es el costo de la fricción con clientes buenos, medido en lugar de adivinado.

Los números

El artículo de Airbnb incluye un ejemplo numérico que compara bloquear con aplicar fricción. Preferimos enviarte a la fuente antes que parafrasear sus cifras: léelo en el artículo de Airbnb. Lo importante aquí es la forma del argumento: la comparación se hace en dinero, y el costo con clientes buenos se cuenta en la misma escala que el fraude evitado.

Qué se puede copiar y qué no

Lo que no se copia: Airbnb tiene años de reservas etiquetadas, un equipo de ciencia de datos y su propia plataforma de experimentos. Un negocio con unos miles de registros al mes no puede entrenar un modelo así, y sus pruebas A/B serán pequeñas. Algunas fricciones de Airbnb, como las microautorizaciones, además dependen de su forma de cobrar.

Lo que sí se copia:

  • Una respuesta intermedia. Entre permitir y bloquear debe haber un paso, y casi siempre más de uno.
  • El paso debe corresponder al riesgo. Una verificación ligera para tráfico un poco raro, una más fuerte donde hay dinero de por medio.
  • Los errores tienen precio. Anota cuánto te cuesta un fraude que se te escapa y cuánto te cuesta perder a un cliente bueno. El umbral correcto sale de esos dos números, no de una corazonada.
  • Prueba la fricción primero con usuarios buenos. Una muestra pequeña de usuarios de bajo riesgo te dice cuánta gente pierde un paso antes de mostrárselo a todos los dudosos.

Cómo hacerlo en tu negocio

Prynt Control está construido alrededor de este patrón. Prynt nunca bloquea por su cuenta: devuelve una decisión y un paso sugerido, y tu código decide qué ve el usuario.

  1. Empieza en modo espejo. Durante los primeros 14 días Prynt solo observa. El día 14 te muestra, caso por caso, lo que habría frenado. Es tu primera mirada a cuántos de los usuarios marcados eran clientes reales, antes de que nadie viera un paso extra. Las reglas también pueden correr en modo evaluación antes de activarlas.
  2. Elige el momento con una decisión por caso de uso. Registro, prueba gratis, bono o promoción, inicio de sesión, pago, asiento extra: cada uno tiene una decisión lista con tres resultados, permitir, pedir un paso extra o bloquear. Un registro riesgoso y un pago riesgoso merecen respuestas distintas.
  3. Usa la escalera de fricción para el paso extra. En lugar de un sí o un no, la respuesta dice qué paso pedir: ninguno, luego captcha, luego verificar correo, luego tarjeta o passkey, y al final bloquear. Igual que las fricciones de Airbnb, cada paso es fácil para una persona real y más difícil para un bot o para alguien que maneja muchas cuentas. La mayor parte del tráfico riesgoso debería caer en un escalón bajo; bloquear debería ser raro.
  4. Ponle precio a tus errores. Para cada caso de uso, anota cuánto cuesta un fraude que se escapa (un contracargo, una prueba gratis abusada, un bono pagado) y cuánto vale un registro o una venta perdida. Si un paso pierde más clientes buenos de lo que vale el fraude que frena, bájalo en la escalera: en la consola puedes fijar el paso más alto para cada caso de uso.
  5. Mide cada paso con usuarios buenos. Muéstrale un paso a una porción pequeña y aleatoria de usuarios de bajo riesgo durante una semana y compara cuántos lo completan frente a los que no vieron nada. Es el experimento de Airbnb a tu escala: un número aproximado, pero real.
  6. Devuelve los resultados. Cuando un caso resulte ser fraude o legítimo, repórtalo con POST /v1/outcomes. Esas etiquetas son las que permiten que las decisiones mejoren con el tiempo, igual que el modelo de Airbnb aprende de los casos confirmados. Reporta también el resultado de cada paso con POST /v1/control/steps: un dispositivo que lo pasó no vuelve a verlo en ese caso de uso durante 30 días, salvo que aparezca algo más grave, y uno que falló recibe un escalón más.

La fricción solo funciona si las señales detrás casi nunca marcan a personas reales. Publicamos las nuestras en la página de precisión: en nuestro laboratorio, Prynt marcó como bot a 0 de 240 personas reales y detectó el 89 % de las herramientas de automatización sigilosa (238 de 268). Los resultados de laboratorio no son resultados de campo, y esa es una razón más para empezar en modo espejo y medir.

La parte honesta

La fricción selectiva no es gratis. Cada paso pierde algunos usuarios buenos, y el punto de Airbnb fue justamente medir esa pérdida en lugar de suponer que era cero. No vas a tener los datos de Airbnb ni su plataforma de experimentos, y tus mediciones tendrán más ruido. Pero el hábito es el mismo a cualquier tamaño: pide un paso en lugar de cerrar la puerta, elige el paso más ligero que funcione y revisa cuánto te cuesta con la gente que quieres conservar.

Prynt no está afiliado a Airbnb; este artículo describe el trabajo que Airbnb publicó.

Try it free

Prynt is device intelligence with a free plan: 5,000 identifications a month, visitor IDs with confidence and bot detection — no credit card. Upgrade to Pro for VPN, proxy, tampering and behavioral signals.

Sigue leyendo