IA para el procesamiento de devoluciones: cómo predecir qué devoluciones son fraudulentas

El fraude en devoluciones costó a los minoristas estadounidenses un estimado de 24.500 millones de dólares en 2025, según la National Retail Federation. Por cada 100 dólares en mercancía devuelta, aproximadamente 15,14 dólares eran fraudulentos. El problema está creciendo más rápido que el comercio electrónico en general porque los estafadores se han vuelto sofisticados, y la mayoría de los minoristas todavía dependen de políticas de devolución generales que tratan a todos los clientes de manera idéntica.

Un minorista de artículos deportivos con aproximadamente 80 millones de dólares en ingresos anuales en línea compartió que estaba perdiendo alrededor de 1,9 millones de dólares al año por fraude en devoluciones antes de implementar un sistema de detección basado en IA. Después de 14 meses con el sistema en funcionamiento, las pérdidas confirmadas por fraude se redujeron a aproximadamente 620.000 dólares. El modelo no detectó todo, pero señaló lo suficiente como para reducir las pérdidas en dos tercios.

Los patrones de fraude más comunes

El wardrobing es la forma más prevalente, donde los clientes compran ropa o accesorios, los usan una vez (a menudo para una foto en redes sociales o un evento) y los devuelven. Las señales incluyen devoluciones de artículos de alto valor dentro de 2-3 días, devolución de artículos con etiquetas recolocadas (a veces detectable a través de datos sobre el estado de la etiqueta si tu almacén lo registra) y patrones repetitivos del mismo cliente.

El fraude de bracketing ocurre cuando los clientes piden intencionalmente múltiples tallas o colores con la intención de devolver la mayoría. Esto no siempre es fraudulento (algunos minoristas lo fomentan), pero se convierte en un problema cuando se combina con wardrobing o cuando los artículos devueltos muestran signos de uso. La señal distintiva es la tasa de devolución: los que hacen bracketing legítimo devuelven el 60-70% de los pedidos con múltiples artículos, mientras que los fraudulentos a menudo devuelven más del 90% con artículos que no pueden revenderse como nuevos.

El fraude de recibos y el cambio de precios implican devolver artículos comprados con descuento para obtener un crédito a precio completo, o devolver un artículo más barato en la caja de uno más caro. Estos son más difíciles de detectar sin inspección física, pero la IA puede señalar patrones sospechosos como clientes que consistentemente devuelven artículos que fueron comprados durante promociones.

El crimen organizado minorista representa un porcentaje menor en volumen pero una mayor proporción en pérdidas monetarias. Son operaciones profesionales que compran productos y los devuelven para obtener crédito en tienda o reembolsos. Las señales de comportamiento son diferentes del fraude individual: múltiples devoluciones a través de diferentes cuentas usando direcciones o dispositivos similares, devoluciones de artículos de alta demanda en grandes cantidades y cuentas nuevas sin historial de compras que realizan grandes devoluciones.

Qué analizan realmente los modelos de IA

Los modelos de detección de fraude que mejor funcionan en devoluciones de comercio electrónico no se basan en un solo factor. Puntúan las devoluciones según una combinación ponderada de señales. El historial de devoluciones del cliente es el predictor más fuerte. Un cliente con una tasa de devolución del 65% en más de 30 pedidos tiene un perfil de riesgo fundamentalmente diferente al de alguien que devuelve su segundo artículo. El modelo rastrea no solo la tasa de devolución, sino la velocidad de devolución (qué tan rápido regresan los artículos), la distribución del valor de las devoluciones (siempre devolver el artículo más caro en un pedido con múltiples artículos) y los patrones estacionales.

Los datos a nivel de artículo también importan. Ciertas categorías de productos tienen tasas de devolución naturalmente más altas (la ropa promedia un 25-30%, mientras que la electrónica se sitúa alrededor del 8-10%). El modelo necesita líneas base específicas por categoría para evitar señalar devoluciones legítimas en categorías con altas tasas de devolución. Dentro de las categorías, artículos específicos con tasas de devolución inusualmente altas de segmentos de clientes específicos pueden indicar un patrón de wardrobing dirigido.

Los datos de dispositivo y sesión añaden otra capa. Si la misma huella digital de dispositivo está asociada con múltiples cuentas que muestran un comportamiento de alta devolución, esa es una señal fuerte de fraude organizado. Los patrones de direcciones IP, las huellas digitales del navegador y los plazos de creación de cuentas alimentan la puntuación de riesgo.

Los patrones temporales son sorprendentemente informativos. Las devoluciones fraudulentas se agrupan en ventanas específicas: justo antes de la fecha límite de la política de devoluciones, inmediatamente después de eventos importantes o festividades (lo que sugiere wardrobing para el evento) y sospechosamente rápido después de la entrega (pedido, recibido y devuelto en 48 horas sin razón aparente).

Construir vs. comprar un sistema de fraude en devoluciones

Las soluciones listas para usar de empresas como Riskified, Signifyd y Forter ofrecen puntuación de fraude en devoluciones como parte de sus plataformas más amplias de prevención de fraude. Funcionan bien para minoristas de mercado medio porque han sido entrenadas con datos de cientos de comerciantes, lo que da a sus modelos una visión más amplia de los patrones de fraude de la que cualquier minorista individual podría desarrollar por sí solo. Los costos típicos oscilan entre el 0,5-1,5% del valor de las devoluciones procesadas a través del sistema.

Construir internamente tiene sentido para grandes minoristas con patrones de fraude únicos o aquellos que procesan suficientes devoluciones (más de 50.000 al mes) para entrenar sus propios modelos de manera efectiva. La construcción típicamente implica un pipeline de ingeniería de características que extrae las señales descritas anteriormente, un modelo de gradient boosting o red neuronal entrenado con devoluciones históricas etiquetadas como fraudulentas o legítimas, y una API de puntuación que evalúa cada solicitud de devolución en tiempo real.

El problema del etiquetado es la parte más difícil de construir internamente. La mayoría de los minoristas no tienen datos históricos limpios sobre qué devoluciones fueron realmente fraudulentas. A menudo es necesario comenzar con un sistema basado en reglas (señalando devoluciones que cumplen ciertos criterios para revisión manual), usar los resultados de la revisión manual para construir un conjunto de datos etiquetado y luego entrenar un modelo con esos datos etiquetados. Este proceso de arranque toma de 6 a 12 meses para generar suficientes ejemplos etiquetados para un modelo confiable.

Qué hacer con las puntuaciones de fraude

El modelo genera una puntuación de riesgo, típicamente de 0 a 100. La pregunta es qué hacer con ella. La mayoría de los minoristas implementan un enfoque de tres niveles. Las devoluciones de bajo riesgo (puntuación inferior a 30) se procesan automáticamente sin fricción. Las devoluciones de riesgo medio (30-70) pasan por el proceso normal pero se marcan para revisión posterior. Las devoluciones de alto riesgo (superior a 70) activan pasos de verificación adicionales antes de que se emita el reembolso.

Esos pasos adicionales pueden incluir requerir fotos del artículo antes de generar una etiqueta de devolución, dirigir la devolución a un equipo de inspección dedicado en el almacén, retrasar el reembolso hasta que el artículo sea recibido e inspeccionado o, en casos extremos, informar cortésmente al cliente de que la devolución no cumple con la política vigente.

La clave es calibrar los umbrales. Si estableces el umbral de alto riesgo demasiado bajo, añades fricción para clientes legítimos, dañando la satisfacción y el valor de vida del cliente. Si lo estableces demasiado alto, se te escapa el fraude. La mayoría de los minoristas comienzan de forma conservadora (umbral en 80-85) y lo reducen gradualmente a medida que ganan confianza en la precisión del modelo.

Para los negocios de comercio electrónico y retail que enfrentan volúmenes crecientes de devoluciones, incluso un sistema básico de puntuación de fraude que detecte los patrones más obvios puede recuperar entre el 1-3% de las pérdidas relacionadas con devoluciones. Cuanto más sofisticada sea tu recopilación de datos y el entrenamiento de modelos, mayor será esa tasa de recuperación. Los minoristas que obtienen los mejores resultados son aquellos que tratan la detección de fraude en devoluciones no como un proyecto puntual, sino como una optimización continua, reentrenando regularmente sus modelos a medida que los patrones de fraude cambian y evolucionan con cada temporada.