Post actualizado el día octubre 29, 2026 by DeiviSanzPlay
Cuando alguien me pregunta qué algoritmo de detección fraude conviene montar en un negocio que empieza a recibir pagos online, la respuesta corta es incómoda: depende de cuánta etiqueta histórica tengas. La respuesta larga es la que importa aquí, porque he visto equipos quemar meses entrenando modelos de machine learning cuando un puñado de reglas bien escritas les habría salvado el primer trimestre.
Voy a comparar dos enfoques concretos: el sistema basado en reglas y el modelo supervisado de machine learning. No es una comparación abstracta. Es la decisión que toma cualquier fintech, marketplace o ecommerce cuando el fraude empieza a doler de verdad.
Reglas: el algoritmo de detección fraude que funciona sin datos
Una regla es una condición explícita. Si el pedido supera cierto importe y la dirección de envío no coincide con la de facturación y la tarjeta es nueva, se retiene para revisión. Nada más.
La ventaja es brutal en las primeras fases: no necesitas histórico, puedes explicar cada bloqueo al equipo de atención al cliente y ajustas el umbral en cinco minutos. Yo he visto un marketplace de segunda mano frenar una ola de contracargos simplemente limitando la primera compra de cuentas con menos de un día de antigüedad. Cero modelos, cero pipelines.
El problema aparece cuando tu catálogo de reglas crece. Llega un punto en el que nadie recuerda por qué existe la regla 47, dos reglas se contradicen y el porcentaje de falsos positivos se dispara. Ese es el techo real de este algoritmo de detección fraude: escala mal con la complejidad del negocio.
Machine learning: potente, pero hambriento de ejemplos etiquetados
Un modelo supervisado aprende patrones que tú no habrías escrito. Detecta combinaciones sutiles entre dispositivo, geolocalización, velocidad de tecleo y comportamiento de navegación. En volúmenes altos, la mejora frente a reglas es notable.
Pero hay una limitación que casi nadie menciona en las demos: esto no funciona para fraudes nuevos. Un modelo entrenado con patrones de hace dos años no reconoce una técnica que apareció el mes pasado. Y si tu negocio recibe pocos intentos de fraude al mes, no tienes suficientes ejemplos para entrenar nada serio. Un modelo con doscientos casos positivos es ruido con buena presentación.
Otro coste oculto: la explicabilidad. Cuando bloqueas a un cliente legítimo y te pregunta por qué, «el modelo lo decidió» no es una respuesta aceptable ni para él ni para un regulador.
Por qué gana el enfoque híbrido con reglas al mando
Aquí va mi opinión, y la defiendo: en la mayoría de negocios pequeños y medianos, un algoritmo de detección fraude basado en reglas bien mantenidas supera a un modelo de machine learning mal alimentado. Y casi todos los modelos están mal alimentados al principio.
La razón es simple. Las reglas son auditables, rápidas de desplegar y no requieren un científico de datos a jornada completa. El machine learning gana cuando acumulas volumen suficiente de casos etiquetados y puedes reentrenar con frecuencia. Antes de eso, añade complejidad sin garantizar mejora.
Lo que sí recomiendo es usar el modelo como capa secundaria: que puntúe el riesgo y que las reglas decidan qué hacer con esa puntuación. Así conservas el control y aprovechas la señal estadística. Las fuentes sobre gestión de riesgo de fraude en comercio electrónico coinciden en que la combinación de ambos enfoques reduce falsos positivos frente a cualquiera de los dos por separado.
Un caso concreto que me tocó de cerca
Un cliente dedicado a la venta de entradas para eventos detectó un patrón extraño: compras con tarjetas distintas desde la misma IP en intervalos muy cortos. Su modelo de machine learning no lo marcaba como sospechoso porque cada transacción, vista aislada, parecía normal. Una regla simple —más de tres tarjetas diferentes desde una misma IP en una hora— cortó el problema en una tarde.
Ese es el tipo de lección que no aparece en los papers. El algoritmo de detección fraude más sofisticado no sustituye el conocimiento del negocio; lo complementa.
Cómo decidir en tu caso
Si estás empezando, escribe reglas. Si ya tienes miles de transacciones etiquetadas y un equipo técnico estable, plantéate el modelo. Si estás en medio, híbrido. Y revisa ambas cosas cada trimestre, porque el fraude cambia de forma y tu algoritmo de detección fraude debería cambiar con él.
Perfiles verificables: Sitio web
Publicado el 29 de October de 2026. Última revisión: 29 de October de 2026.
