Cómo impedir el fraude
Cómo funciona
Los parámetros personalizados de juego que se transmiten en el token permiten al sistema antifraude (AFS) agregar datos sobre los usuarios con respecto a cada transacción. Se utiliza información como la fecha de registro, la fecha del último cambio de contraseña, la suma total de los pagos o el tiempo de sesión de juego, para distinguir con la mayor precisión posible entre usuarios fraudulentos y legítimos. Cuantos más datos sobre los dispositivos y patrones de comportamiento de los usuarios proporcione a Xsolla, mejor podrá AFS personalizar sus filtros para detectar actividad fraudulenta en cada grupo de usuarios identificado y en todos sus proyectos.
Para añadir parámetros personalizados, contacte con su gestor de éxito del cliente o envíe un correo electrónico a csm@xsolla.com.
Ejemplos:
- Se puede utilizar la fecha de registro, el tiempo total de juego y el nivel del usuario en un juego en disputas por contracargos para establecer la actividad habitual de un usuario y detectar un posible comportamiento fraudulento.
- Las fechas del último inicio de sesión y del último cambio de contraseña son útiles para detectar cuentas pirateadas.
Parámetros recomendados
Recomendamos transmitir los siguientes parámetros adicionales en el objeto custom_parameters del token:
| Parámetro | Tipo | Descripción |
|---|---|---|
registration_date | string | Fecha de creación de la cuenta de conformidad con la norma ISO 8601. |
last_change_password_date | string | Fecha del último cambio de contraseña de conformidad con la norma ISO 8601. |
total_sum | float | Importe total de los pagos. |
unlocked_achievements | integer | Número de logros desbloqueados. |
user_level | integer | Nivel, reputación o clasificación del jugador. |
pvp_activity | boolean | Si el jugador participa en batallas PvP (jugadores contra jugadores). |
total_bans | integer | Número de veces que el jugador ha sido expulsado del chat/foro. |
total_friends | integer | Número de amigos. |
session_time | string | Duración media de la sesión de conformidad con la norma ISO 8601. |
Caso de uso
El ejemplo que se describe en esta sección presenta un caso de uso del AFS para reducir de forma considerable los casos de fraude.
A finales de mayo de 2022 se lanzó un nuevo juego. Nada más comenzar las ventas, AFS detectó un número importante de defraudadores en el proyecto: la tasa de fraude alcanzó un 4,5 % tras un mes desde el lanzamiento.
Dinámica de la tasa de fraude por meses:
Para reducir la tasa de fraude a un rango aceptable de 0,1-0,3 %, implementamos la rigurosa aplicación AFS para este proyecto. Como resultado, la tasa de aceptación bajó del 96 % al 81,7 % mes a mes y al 70 % algunos días. Este resultado refleja que más usuarios pasaron por comprobaciones adicionales y tuvieron problemas para pagar, especialmente si sus parámetros de pago y patrones de comportamiento eran similares a los de los defraudadores.
Dinámica de la tasa de aceptación por meses:
Para reforzar aún más la protección contra el fraude, se acordó transmitir a AFS los siguientes parámetros de juego de los usuarios:
- tiempo total de juego (
total_hours) - nivel del usuario en el juego (
user_level) - número de personajes del usuario en el juego (
total_characters)
Utilizando los datos proporcionados, modificamos los filtros de AFS con los nuevos parámetros entre el 20 y el 22 de julio, como se muestra en el siguiente gráfico. El resultado fue un aumento del 15 % en la tasa de aceptación diaria, que pasó del ~71,4 % al ~86 %. Además, el número de transacciones fraudulentas bajó de un 4,5 % a un nivel aceptable de ~0,14 %, y se mantuvo en este nivel en los meses siguientes.
Dinámica de la tasa de aceptación por días:
¿Has encontrado una errata u otro error de texto? Selecciona el texto y pulsa Ctrl+Intro.
