Fraude de reembolsos y devolvedores en serie: un enfoque de grafo de dispositivos

El fraude de reembolsos es la categoría en la que la mayoría de los minoristas invierte de menos, porque se esconde dentro de una métrica que quieren mantener alta —la aceptación de devoluciones— y porque las pérdidas llegan de un reclamo en un reclamo en lugar de en un único contracargo dramático. Un devolvedor en serie que le cuesta a un comercio unos cientos de dólares al mes no dispara ningún umbral. Mil de ellos, coordinados o no, son una partida contable.

Este artículo trata sobre cómo detectar el extremo coordinado y semicoordinado de ese espectro usando un grafo de dispositivos: la estructura que vincula las cuentas, los métodos de pago y las direcciones de envío que un solo operador usa para industrializar las devoluciones. La audiencia son los equipos de fraude y riesgo de plataformas de e-commerce y marketplaces que ya ejecutan controles de fraude de pagos en el checkout y que ahora miran aguas abajo, hacia el embudo de devoluciones.

¿Qué cuenta como fraude de reembolsos?

El fraude de reembolsos es cualquier reclamo de devolución o reembolso que recupera un valor al que el cliente no tiene derecho, ya sea mediante engaño o abuso de política. Es un espectro, y separar las bandas importa porque la respuesta difiere en cada una.

En el extremo benigno: las devoluciones honestas. Un cliente compró la talla equivocada, el artículo no coincidía con la ficha, llegó dañado. Este es el costo de hacer negocios y aquello que las políticas de devolución generosas están diseñadas para absorber. No quiere combatir esto.

En el medio: el abuso oportunista. Wardrobing: comprar un vestido, usarlo una vez y devolverlo. Abuso del buscador de tallas: pedir cinco tallas con la intención de devolver cuatro, a escala, en cada pedido. Devoluciones en serie donde la tasa de devolución es tan alta que el cliente prácticamente alquila el inventario. Este es un comportamiento individual, por lo general no coordinado, y la respuesta correcta es la política: tarifas de devolución, condiciones de reposición, ventanas más estrictas para las cuentas marcadas.

En el extremo organizado: las redes de fraude. Reclamos de caja vacía (denunciar que el paquete llegó vacío), reclamos de no entrega (DNA) sobre paquetes ya entregados, reclamos falsos de daños con evidencia reciclada, cambiazos de devolver-el-artículo-equivocado (devolver una piedra, quedarse con el teléfono) y dobles cobros de reembolso-y-luego-contracargo. Estas operaciones manejan muchas cuentas, ciclan métodos de pago y direcciones, y tratan el flujo de reembolsos como una fuente de ingresos. Aquí es donde la detección automatizada se paga sola.

El grafo de dispositivos es más valioso contra las bandas del medio y la organizada, porque ambas comparten una propiedad de la que carece la banda honesta: un operador detrás de muchas identidades.

Por qué los controles a nivel de cuenta pasan por alto a los devolvedores en serie

Los controles a nivel de cuenta pasan por alto a los devolvedores en serie porque el abuso se define a nivel de persona, no a nivel de cuenta, y un abusador decidido controla muchas cuentas. Su marca de tasa de devolución en la cuenta A no dice nada sobre el hecho de que las cuentas A, B, C y D son la misma persona en la misma laptop, cada una mantenida justo por debajo del umbral de marcado.

Este es el mismo punto ciego que la detección de multicuentas aborda en el lado del registro, aplicado al lado de las devoluciones. La cuenta es la unidad de análisis equivocada. Un abusador que entienda su umbral de tasa de devolución simplemente distribuirá sus devoluciones entre suficientes cuentas para quedar por debajo de él en cada una. Si su umbral es una tasa de devolución del 40%, maneja cinco cuentas al 35% cada una. Cada cuenta parece aceptable; el operador está devolviendo un tercio de todo lo que pide.

El correo y el método de pago tampoco cierran la brecha. El correo es gratis e infinito. Los métodos de pago son baratos —las tarjetas prepagadas, virtuales y de regalo abundan, y una operación organizada trata una tarjeta quemada como un spammer trata un dominio quemado. La dirección de envío parece más duradera, pero los servicios de reenvío, las direcciones de reexpedición de paquetes y los almacenes de reenvío de carga permiten a un solo operador presentar decenas de puntos de entrega de aspecto distinto.

Lo que sobrevive a todo esto es el entorno de hardware y red desde el que el operador trabaja de verdad. Pueden rotar el correo, la tarjeta y la dirección en cada pedido, pero siguen sentados ante un conjunto finito de dispositivos en un conjunto finito de redes. El grafo de dispositivos es la clave de unión que los datos de cuenta ocultan deliberadamente.

Cómo un grafo de dispositivos vincula el patrón

Un grafo de dispositivos vincula el abuso de reembolsos resolviendo cada cuenta, pedido y reclamo hasta el dispositivo y el entorno de red que lo produjeron, y luego exponiendo los clústeres donde una huella de hardware se abre en abanico entre muchas identidades. Es el mismo análisis de grafo de dispositivos subyacente que se usa para la vinculación de cuentas, orientado al problema de las devoluciones.

El punto de partida es un identificador de dispositivo estable que sobrevive a los intentos de evasión del operador. Las cookies no sirven —cualquiera que haga esto deliberadamente las borra entre cuentas. Una huella digital de dispositivo construida a partir de señales de navegador, hardware, red y comportamiento produce un identificador que persiste a través del almacenamiento borrado, las sesiones de incógnito y la creación de cuentas nuevas. (La mecánica de construir ese identificador se cubre en cómo funciona la huella digital de dispositivos; la versión corta es que se trata de una coincidencia probabilística entre muchas señales, no de un único token almacenado.)

Con un identificador de dispositivo persistente adjunto a cada cuenta y cada reclamo, las aristas del grafo que importan para el fraude de reembolsos se hacen visibles:

Un dispositivo, muchas cuentas. Una sola huella de dispositivo asociada a cinco, diez o cincuenta cuentas es la señal estructural principal. Un hogar que comparte una computadora familiar produce dos o tres cuentas vinculadas; una operación de devoluciones en serie produce decenas, y las cuentas tienen un comportamiento de devolución correlacionado.

Muchos métodos de pago, un dispositivo. La arista inversa. Cuando diez tarjetas distintas —distintos BIN, distintos nombres— transaccionan todas desde el mismo dispositivo, la historia de los "clientes diferentes" se derrumba. Los dispositivos compartidos legítimos ven un conjunto pequeño y estable de métodos de pago; las operaciones de abuso los queman en serie.

Agrupación de direcciones por dispositivo. Las direcciones de reenvío y reexpedición parecen no relacionadas en el campo de dirección, pero convergen en las mismas huellas de dispositivo. El grafo revela que "doce clientes que envían a doce direcciones" es un operador cuyos paquetes se encaminan todos por el mismo almacén de reenvío, pedidos desde las mismas dos laptops.

Correlación de comportamiento en el clúster. Las cuentas de un clúster de dispositivos no solo comparten hardware —comparten comportamiento. Tiempos de pedido similares, categorías de producto similares, motivos de devolución similares introducidos en un lenguaje similar. Un clúster donde cada cuenta presenta reclamos de "el artículo llegó dañado" a una tasa del 30% no es una coincidencia.

El resultado no es una única puntuación de fraude. Es una estructura vinculada: este reclamo proviene de una cuenta que pertenece a un clúster de once cuentas en tres dispositivos que colectivamente han presentado cuarenta y dos reclamos de devolución por un importe conocido en dólares, con una tasa de devolución muy por encima de la base. Esa estructura es lo que hace que la decisión de un revisor manual sea rápida y defendible.

Dónde puntuar: ¿momento del pedido o momento del reclamo?

Puntúe en el momento del reclamo. El fraude de reembolsos se revela en la devolución, no en la compra, y puntuar en el momento del reclamo significa que decide con el contexto completo del historial de devoluciones de la cuenta —y del clúster— en lugar de adivinar en el checkout.

En el momento del pedido sabe muy poco que sea predictivo del abuso de reembolsos. El pedido parece normal; el pago se autoriza; el artículo se envía. Bloquear en el momento del pedido por sospecha de clúster de dispositivos significa bloquear compras legítimas de personas que resultan compartir un dispositivo, lo cual es un mal intercambio —pierde ingresos reales para evitar una devolución que podría no llegar nunca.

En el momento del reclamo, la imagen está completa. Conoce la tasa de devolución de la cuenta, la tasa de devolución del clúster, el tipo específico de reclamo (un reclamo de no entrega sobre un paquete entregado y firmado es categóricamente distinto de una devolución por talla equivocada) y si este clúster de dispositivos tiene un historial del mismo tipo de reclamo. Aquí es también donde el abuso es caro: un reclamo de caja vacía o de no entrega en una red organizada es una pérdida directa de efectivo, y es exactamente el tipo de reclamo que un historial ligado al dispositivo expone.

En la práctica, eso significa ejecutar las smart signals y la consulta al grafo de dispositivos como parte del flujo de trabajo de devoluciones y reclamos, no solo en el checkout. El veredicto alimenta una respuesta graduada en lugar de un bloqueo binario:

• Riesgo bajo: aprobar el reembolso automáticamente. La inmensa mayoría de las devoluciones. No añada fricción a los clientes honestos.
• Riesgo elevado (patrón de abuso individual): mover la cuenta a un nivel de política más estricto —tarifas de devolución, exigencia de pruebas, ventanas más cortas— sin acusar a nadie. El wardrobing y las devoluciones en serie son problemas de política, y la política es la herramienta proporcionada.
• Riesgo alto (señales de red organizada): derivar a revisión manual con el contexto completo del clúster de dispositivos adjunto. Exigir prueba del reclamo (fotos, confirmación del transportista). Retener el reembolso pendiente de revisión en lugar de emitirlo automáticamente.

El grafo de dispositivos no toma la decisión final sobre ningún reclamo individual. Hace que el contexto del revisor sea completo, y convierte un flujo de reclamos que parecen individualmente inocentes en un patrón legible.

Qué señales de dispositivo importan más para el abuso de devoluciones

Las señales que discriminan el abuso de reembolsos son las que revelan a un operador detrás de muchas identidades y un entorno detrás de muchos reclamos —vinculación de dispositivos, contexto de red y consistencia de comportamiento en un clúster.

La vinculación de dispositivos es el cimiento, como se describió antes: el identificador persistente que conecta cuentas, tarjetas y direcciones. Sin él, nada más en el grafo tiene anclaje.

El contexto de red añade una segunda dimensión. La capa de IP intelligence distingue una conexión residencial de un centro de datos, una VPN o un proxy residencial. Las operaciones de devoluciones organizadas a menudo trabajan desde infraestructura de hosting o rotan por proxies para que sus cuentas parezcan geográficamente diversas —y esa infraestructura es en sí misma una señal. Un clúster de cuentas que comparte un dispositivo y además transacciona desde IP de proxy es un patrón más fuerte que la vinculación de dispositivos por sí sola.

La consistencia de comportamiento es la tercera. Los reclamos de una operación de devoluciones genuina llevan huellas lingüísticas y procedimentales —el mismo fraseo en los campos de motivo de devolución, los mismos tipos de reclamo, los mismos tiempos relativos a la entrega. Cuando los reclamos de un clúster de dispositivos son uniformes en su comportamiento, esa uniformidad es evidencia de una sola mano.

La razón para combinar estas señales en lugar de depender de una sola: cada una es evadible de forma independiente, pero la coherencia entre todas ellas es difícil de fingir. Un operador puede falsificar una señal de dispositivo, o encaminarse por un proxy residencial, o variar el lenguaje de sus reclamos —pero hacer las tres cosas de forma consistente en docenas de cuentas, en cada pedido y cada reclamo, es lo bastante caro como para dejar de ser rentable. Es el mismo principio de coherencia ambiental que subyace a la inteligencia de dispositivos en general, aplicado a la economía específica de las devoluciones.

Qué cambia esto a nivel operativo

Adoptar una visión de las devoluciones basada en el grafo de dispositivos cambia tres cosas. Primero, la unidad de análisis pasa de la cuenta al operador, que es el único nivel al que las devoluciones en serie son siquiera visibles. Segundo, las decisiones de reembolso ganan historial —un reclamo por primera vez de una cuenta en un clúster abusivo de larga vida se trata con el contexto que aporta el clúster, no como una hoja en blanco. Tercero, la respuesta se vuelve graduada y defendible: niveles de política para el abuso individual, revisión manual con pruebas para las redes organizadas, y ninguna fricción añadida para la mayoría honesta.

Nada de esto requiere acusar a los clientes ni bloquear las devoluciones de forma rígida. Requiere saber qué reclamos provienen de las mismas manos, y tratar un patrón coordinado de forma distinta a uno aislado.

Tracio proporciona la identidad de dispositivo persistente y la vinculación por grafo de dispositivos de las que depende este enfoque —un identificador de visitante estable que sobrevive a las cookies borradas y a las cuentas nuevas, el contexto de red de IP intelligence, y las smart signals que sacan a la luz la agrupación de cuenta-a-dispositivo y de pago-a-dispositivo. El veredicto y las señales subyacentes se devuelven en menos de 50 ms en el punto del reclamo, con el clúster vinculado disponible para el revisor.

¿Quiere ver cómo un grafo de dispositivos expone a los devolvedores en serie en sus propios datos de devoluciones?

Inicie su prueba gratuita — 2,500 verificaciones gratis, sin tarjeta de crédito. Solicite una demo para recorrer la detección de fraude de reembolsos contra su embudo de devoluciones y su modelo de política concretos.