Política de Fraude

Última actualización: May 22, 2026

POLÍTICA DE PREVENCIÓN DE FRAUDE DE DATACRED

ID del Documento: DCP-FRAUD-001

Versión: 1.0

Fecha de Vigencia: 22 de mayo de 2026

Clasificación: INTERNA, COMPONENTES DE CARÁCTER PÚBLICO

Responsable: Equipo de Fraude y Riesgo de DataCred

Última Revisión: 22 de mayo de 2026

Próxima Revisión: 22 de mayo de 2027

1. PROPÓSITO Y ALCANCE

2. DEFINICIONES

3. MARCO DE PREVENCIÓN DE FRAUDE: VISIÓN GENERAL

4. TIPOS DE FRAUDE ABORDADOS

4.1 Fraude de Identidad

4.2 Fraude de Documentos Financieros

4.3 Fraude de Manipulación de Puntuaciones

4.4 Fraude de Pago

4.5 Fraude en la Plataforma

5. MECANISMOS DE DETECCIÓN DE FRAUDE

5.1 Detección Automatizada

5.2 Revisión Manual

5.3 Inteligencia de Fraude de Terceros

6. PROCESO DE INVESTIGACIÓN DE FRAUDE

7. ACCIONES DE RESPUESTA AL FRAUDE

8. FRAUDE Y AUTORIDADES LEGALES

9. DENUNCIA DE FRAUDE POR PARTE DEL USUARIO

10. COOPERACIÓN DEL USUARIO EN LA INVESTIGACIÓN DE FRAUDE

11. CONFIDENCIALIDAD DE LA INVESTIGACIÓN DE FRAUDE

12. CARÁCTER DEFINITIVO DE LA DETERMINACIÓN DE FRAUDE

13. POSIBILIDAD DE FALSO POSITIVO

14. DESCARGO TOTAL DE EFECTIVIDAD DE LA DETECCIÓN DE FRAUDE

15. AUSENCIA DE RESPONSABILIDAD POR PÉRDIDAS RELACIONADAS CON FRAUDE

16. QUÉ NO ES LA PREVENCIÓN DE FRAUDE

17. INDEMNIZACIÓN DEL USUARIO POR PÉRDIDAS RELACIONADAS CON FRAUDE

18. DERECHO A MODIFICAR LAS MEDIDAS DE PREVENCIÓN DE FRAUDE

19. RETENCIÓN DE DATOS DE FRAUDE

20. FRAUDE Y DATOS BIOMÉTRICOS

21. LEGISLACIÓN APLICABLE Y JURISDICCIÓN

22. CONTACTO Y PREGUNTAS

DataCred LLC ("DataCred," "nosotros," "nos," "nuestro") opera una plataforma venezolana de puntuación de reputación conductual financiera basada en IA (la "Plataforma"). Esta Política de Prevención de Fraude (la "Política") establece el marco integral que rige el enfoque de DataCred para prevenir, detectar, investigar y responder a actividades fraudulentas en la Plataforma.

El fraude representa una amenaza directa a la integridad del sistema de puntuación de reputación de DataCred, la seguridad de las cuentas de los usuarios, la confiabilidad de los datos de la Plataforma y la confianza que los usuarios depositan en la Plataforma. Esta Política define las medidas que DataCred emplea para combatir el fraude y los derechos, obligaciones y limitaciones aplicables a DataCred y sus usuarios en relación con las actividades de prevención de fraude.

Esta Política aplica a:

1. Todos los Usuarios: Toda persona natural o jurídica que acceda o utilice la Plataforma en cualquier capacidad, incluyendo, entre otros, consumidores, empresas, integradores de API, socios y visitantes.

2. Todas las Actividades: Todas las actividades en la Plataforma, incluyendo, entre otras, la creación de cuentas, verificación de identidad, presentación de documentos, actividad transaccional, eventos de puntuación, uso de API y comunicaciones.

3. Todos los Datos: Todos los datos presentados, almacenados o procesados a través de la Plataforma, incluyendo, entre otros, datos personales, documentos de identidad, documentos financieros, datos de transacciones, datos conductuales y comunicaciones.

4. Todos los Servicios: Todos los servicios ofrecidos por DataCred, incluyendo puntuación de reputación, verificación de identidad, procesamiento de documentos y cualquier servicio auxiliar.

DATACRED NO ES UN BANCO, PRESTAMISTA, INSTITUCIÓN FINANCIERA REGULADA O AGENCIA DE APLICACIÓN DE LA LEY. LAS MEDIDAS DE PREVENCIÓN DE FRAUDE DESCRITAS EN ESTA POLÍTICA SON PARTE DEL MARCO DE SEGURIDAD E INTEGRIDAD DE LA PLATAFORMA DE DATACRED. NO CONSTITUYEN CUMPLIMIENTO NORMATIVO DE NINGUNA REGULACIÓN FINANCIERA ESPECÍFICA, A MENOS QUE SE INDIQUE EXPRESAMENTE LO CONTRARIO.

DataCred es una plataforma privada e independiente de información y reputación financiera. No es el buró ni el registro oficial del Estado, no está autorizada, certificada ni respaldada por la Superintendencia de las Instituciones del Sector Bancario (SUDEBAN), el Banco Central de Venezuela (BCV), el Sistema de Información Central de Riesgos (SICRI) ni ningún otro organismo del gobierno, y no está conectada a ellos. Los puntajes y la información que DataCred ofrece son estimaciones para apoyar decisiones; no constituyen decisiones oficiales ni garantías.

Esta Política se incorpora por referencia a los Términos de Servicio y la Política de Privacidad de DataCred.

DataCred opera bajo la estructura legal del estado de Wyoming, EE. UU. Esta Política está diseñada para cumplir con las leyes y regulaciones aplicables, incluyendo, entre otras:

  • La Ley de la Comisión Federal de Comercio (Sección 5, actos o prácticas injustas o engañosas)
  • La Ley de Disuasión del Robo de Identidad y Suplantación
  • La Ley de Informes Crediticios Justos (FCRA), DataCred no es una agencia de informes crediticios
  • La Ley de Transferencia Electrónica de Fondos (EFTA) y el Reglamento E (cuando corresponda)
  • La Ley de Privacidad del Consumidor de California (CCPA) y la Ley de Derechos de Privacidad de California (CPRA)
  • El Reglamento General de Protección de Datos (GDPR) para usuarios dentro del Espacio Económico Europeo
  • La Ley General de Protección de Datos de Brasil (LGPD)
  • Las regulaciones aplicables contra el lavado de dinero (AML)
  • Las regulaciones aplicables contra la financiación del terrorismo (CTF)
  • Los regímenes de sanciones aplicables (OFAC, UE, ONU)
  • Las leyes aplicables sobre fraude y abuso informático

NADA EN ESTA POLÍTICA CONSTITUYE ASESORAMIENTO LEGAL. DATACRED NO ES SU ABOGADO. USTED DEBE CONSULTAR CON UN ASESOR LEGAL CALIFICADO RESPECTO A SUS OBLIGACIONES LEGALES ESPECÍFICAS.

A los efectos de esta Política, se aplican las siguientes definiciones:

"Creación Masiva de Cuentas (Account Farming)" significa la creación y operación de múltiples cuentas con el propósito de abusar de las funciones, promociones, programas de referencia o mecanismos de puntuación de la Plataforma.

"Toma de Control de Cuenta (ATO)" significa el acceso no autorizado y el control de la cuenta legítima de un usuario por parte de un tercero, típicamente mediante el robo de credenciales, secuestro de sesión o ingeniería social.

"Anomalía Biométrica Conductual" significa una desviación de una línea base biométrica conductual establecida que puede indicar una toma de control de cuenta, acceso automatizado o actividad fraudulenta.

"Fraude de Explosión (Bust-Out Fraud)" significa un tipo de fraude de primera parte donde un usuario establece un perfil de cuenta legítimo con el tiempo, genera confianza y una posición positiva, y luego realiza una serie repentina de transacciones o actividades fraudulentas antes de abandonar la cuenta.

"Comportamiento Inauténtico Coordinado" significa el uso orquestado de múltiples cuentas, identidades o dispositivos para influir artificialmente en las métricas, puntuaciones, clasificaciones o sistemas de la Plataforma a través de medios engañosos.

"Fraude de Primera Parte" significa el fraude cometido por un usuario contra DataCred u otros usuarios utilizando su propia identidad genuina, a diferencia del uso de una identidad robada o sintética.

"Análisis de Grafos" significa el análisis de conexiones y relaciones entre entidades (usuarios, dispositivos, IP, cuentas, documentos) para detectar anillos de fraude, comportamiento coordinado y patrones de fraude complejos.

"Informática Forense de Imágenes" significa el análisis de imágenes digitales y documentos en busca de indicadores de manipulación, falsificación, fabricación o generación por IA, incluyendo análisis a nivel de píxel, análisis de metadatos, análisis de artefactos de compresión y verificación de consistencia.

"Identidad Sintética" significa una identidad ficticia creada mediante la combinación de información real y fabricada (por ejemplo, un Número de Seguro Social real combinado con un nombre y fecha de nacimiento fabricados) con fines fraudulentos.

"Fraccionamiento (Smurfing)" significa la práctica de dividir una transacción o actividad grande en múltiples transacciones o actividades más pequeñas para evitar umbrales de detección o escrutinio.

DataCred opera un marco de prevención de fraude de múltiples capas que abarca:

Capa de Prevención:

  • Verificación de identidad en la creación de la cuenta y en hitos clave
  • Evaluación de confianza del dispositivo para la gestión de acceso
  • Establecimiento de línea base biométrica conductual
  • Verificación de autenticidad de documentos en el momento de la presentación
  • Monitoreo de transacciones y establecimiento de límites
  • Controles de limitación de velocidad y prevención de abuso
  • Educación y concienciación del usuario
  • Diseño de productos consciente del fraude y endurecimiento de funciones

Capa de Detección:

  • Detección automatizada de fraude en tiempo real mediante modelos de IA/ML
  • Alertas basadas en reglas para patrones de fraude conocidos
  • Análisis de grafos para detección de comportamiento coordinado
  • Informática forense de imágenes para detección de fraude documental
  • Detección de anomalías biométricas conductuales
  • Análisis de patrones entre cuentas y entre sesiones
  • Integración de inteligencia de fraude de terceros
  • Recepción de denuncias de fraude de usuarios y socios

Capa de Respuesta:

  • Investigación automatizada y manual de actividades marcadas
  • Acciones sobre cuentas basadas en el riesgo (advertencias, restricciones, suspensiones, cancelaciones)
  • Medidas de recuperación financiera (contracargos, recuperaciones, decomisos)
  • Derivación a las autoridades para fraude penal
  • Intercambio de inteligencia sobre fraude (dentro de los límites legales)
  • Actualizaciones de modelos y reglas basadas en hallazgos de investigaciones
  • Comunicación y notificación al usuario (cuando corresponda)

El marco de prevención de fraude de DataCred opera a lo largo del ciclo de vida del fraude:

1. Disuasión: Dificultar y hacer poco atractivo el fraude mediante medidas de seguridad visibles, requisitos de verificación de identidad y políticas de cumplimiento claras.

2. Prevención: Bloquear la actividad fraudulenta antes de que ocurra mediante verificación de identidad, evaluación de dispositivos y controles de seguridad proactivos.

3. Detección: Identificar la actividad fraudulenta que no fue prevenida mediante monitoreo automatizado, revisión manual e intercambio de inteligencia.

4. Investigación: Determinar la naturaleza, el alcance y los responsables del fraude detectado mediante análisis forense y recopilación de pruebas.

5. Respuesta: Tomar medidas apropiadas contra el fraude confirmado, incluyendo acciones sobre la cuenta, recuperación financiera y derivación a las autoridades.

6. Mejora: Actualizar los modelos de detección de fraude, las reglas y los controles en función de los hallazgos de las investigaciones para prevenir fraudes similares en el futuro.

El marco de prevención de fraude de DataCred se rige por los siguientes principios:

  • Enfoque Basado en el Riesgo: Las medidas de prevención de fraude se calibran según el nivel de riesgo de actividades, usuarios y contextos específicos. Las actividades de mayor riesgo reciben un mayor escrutinio.
  • Proporcionalidad: Las medidas de prevención de fraude son proporcionales al riesgo que abordan, equilibrando la seguridad con la experiencia del usuario y la privacidad.
  • Mejora Continua: Los modelos, reglas y controles de prevención de fraude se evalúan y mejoran continuamente en función de los resultados de detección, las amenazas emergentes y la retroalimentación.
  • Basado en Datos: Las decisiones de prevención de fraude se basan en datos, análisis y evidencia, no en criterios arbitrarios o bases prohibidas.
  • Transparencia: Esta Política brinda transparencia sobre las prácticas de prevención de fraude de DataCred, sujeto a la necesidad de evitar facilitar la evasión del fraude.
  • Equidad: Las medidas de prevención de fraude se diseñan y aplican sin discriminación por motivos prohibidos y se supervisan para detectar sesgos.

#### 4.1.1 Identidades Sintéticas

El fraude de identidad sintética implica la creación de identidades ficticias mediante la combinación de elementos de información reales y fabricados. DataCred detecta identidades sintéticas a través de:

  • Verificación de Elementos de Identidad: Cotejo de elementos de identidad (nombre, fecha de nacimiento, número de identificación gubernamental, dirección, número de teléfono, correo electrónico) contra fuentes autorizadas y verificaciones de consistencia.
  • Análisis de Elementos de Identidad: Análisis de elementos de identidad en busca de patrones consistentes con la creación de identidades sintéticas (por ejemplo, elementos de identidad creados recientemente, combinaciones inconsistentes, datos históricos faltantes).
  • Reconocimiento de Patrones: Detección de patrones consistentes con la creación de identidades sintéticas, incluyendo el uso de los mismos elementos de identidad en múltiples cuentas, creación rápida de cuentas y patrones de perfil similares entre cuentas.
  • Verificación de Datos de Encabezado Crediticio: Cuando esté permitido y disponible, verificación de elementos de identidad contra datos de encabezado crediticio de agencias de informes crediticios (DataCred no es una agencia de informes crediticios, pero puede utilizar dichos datos con fines de verificación de identidad).
  • Verificación de Identificación Gubernamental: Verificación de documentos de identificación emitidos por el gobierno mediante informática forense de documentos y servicios de verificación de terceros.
  • Verificación de Selfie/Viveza: Verificación de que la persona que crea la cuenta es un individuo real y físicamente presente mediante detección de viveza y comparación facial.

#### 4.1.2 Identidades Robadas

El fraude de identidad robada implica el uso de la información de identidad de una persona real sin su autorización. DataCred detecta el fraude de identidad robada a través de:

  • Verificación de Identidad: Verificación de identidad multifactorial más allá de la información auto-declarada.
  • Análisis de Dispositivo y Conductual: Análisis de la confianza del dispositivo, biométricos conductuales y patrones de acceso en busca de indicadores inconsistentes con el titular legítimo de la identidad.
  • Verificación de Documentos: Verificación de la autenticidad de los documentos de identidad y comparación con documentos genuinos conocidos.
  • Inteligencia de Fraude: Cotejo contra bases de datos de identidades comprometidas conocidas y víctimas de robo de identidad.
  • Detección de Velocidad: Detección del uso de la misma identidad para crear cuentas en múltiples plataformas o múltiples cuentas en DataCred en períodos cortos.
  • Verificación de Puntos de Contacto: Verificación de que los métodos de contacto (correo electrónico, teléfono, dirección) son propiedad o están controlados por la persona que reclama la identidad.

#### 4.1.3 Suplantación

El fraude de suplantación implica asumir la identidad de un individuo específico conocido (a diferencia del uso más amplio de una identidad robada). DataCred detecta la suplantación a través de:

  • Verificación Biométrica: Comparación de los datos biométricos presentados (selfies, grabaciones de voz) contra los datos biométricos registrados, cuando esté disponible.
  • Análisis Biométrico Conductual: Análisis de patrones de interacción para determinar consistencia con la línea base conductual del usuario legítimo.
  • Verificación de Documentos: Verificación de que los documentos de identidad pertenecen a la persona que los presenta.
  • Verificación entre Plataformas: Cuando esté permitido, verificación contra otras plataformas o servicios donde el individuo tenga identidad establecida.
  • Verificación Basada en Conocimientos: Verificación de información que solo el titular legítimo de la identidad conocería.

#### 4.1.4 Documentos Falsos

El fraude de documentos falsos implica la presentación de documentos de identidad fabricados. DataCred detecta el fraude de documentos falsos a través de:

  • Informática Forense de Imágenes: Análisis de imágenes de documentos en busca de indicadores de manipulación digital, incluyendo:
  • Análisis a nivel de píxel para artefactos de manipulación
  • Análisis de metadatos para historial de edición
  • Análisis de artefactos de compresión para calidad de compresión inconsistente
  • Detección de bordes para indicadores de cortar y pegar
  • Análisis de iluminación y sombras para iluminación inconsistente
  • Análisis de perspectiva y geometría para distorsión
  • Análisis de ruido para patrones de ruido inconsistentes en las regiones del documento
  • Análisis de Plantilla de Documento: Comparación de los documentos presentados contra plantillas de documentos genuinos conocidos para verificar la consistencia del formato, diseño, fuente y características de seguridad.
  • Verificación de Características de Seguridad: Verificación de las características de seguridad del documento (marcas de agua, hologramas, microimpresión, características UV, códigos MRZ, códigos de barras) mediante análisis automatizado y servicios de verificación de terceros.
  • Consistencia de Datos: Cotejo de los datos del documento contra otros datos disponibles para verificar consistencia y plausibilidad.
  • Detección de Documentos Generados por IA: Detección de documentos generados o significativamente modificados por inteligencia artificial, incluyendo:
  • Detección de imágenes generadas por IA generativa
  • Detección de documentos manipulados por IA
  • Detección de generación de texto por modelos de lenguaje extenso (LLM) en el contenido del documento
  • Detección de artefactos de modelos de difusión en imágenes de documentos

#### 4.2.1 Estados de Cuenta Bancarios Falsificados/Alterados

El fraude de documentos financieros implica la presentación de documentos financieros falsificados, alterados o fabricados para manipular las puntuaciones de reputación, el estado de verificación o las evaluaciones financieras. DataCred detecta el fraude de documentos financieros a través de:

  • Análisis de Integridad del Estado de Cuenta: Verificación de que los estados de cuenta presentados no han sido alterados mediante:
  • Verificación de integridad a nivel de página (recuento de páginas, secuenciación de páginas, verificación de hash de página)
  • Verificación de consistencia de contenido entre páginas (fuentes, formato, encabezados, pies de página consistentes)
  • Verificación de consistencia numérica (listados de transacciones que coinciden con los saldos iniciales y finales)
  • Verificación de consistencia de fechas (fechas del estado de cuenta consistentes con los períodos de informe, fines de semana/días festivos para fechas de transacciones)
  • Verificación de características de seguridad (integridad del logotipo, detección de marca de agua, verificación de código de barras/código QR)
  • Verificación del Emisor:
  • Verificación de que la institución emisora existe y es legítima
  • Verificación de que la marca, el formato y la plantilla del estado de cuenta de la institución emisora coinciden con los estados de cuenta genuinos
  • Comparación de números de ruta, formatos de número de cuenta e identificadores de institución contra bases de datos verificadas
  • Verificación de la información de contacto y las URL indicadas en los estados de cuenta
  • Análisis de Transacciones:
  • Análisis de montos, fechas, descripciones y patrones de transacciones para verificar plausibilidad
  • Detección de transacciones fabricadas (montos redondos, tiempos consistentes, descripciones genéricas)
  • Cotejo de patrones de transacciones contra el comportamiento bancario esperado
  • Detección de transacciones duplicadas en todos los estados de cuenta
  • Análisis de saldos corrientes para verificar consistencia matemática

#### 4.2.2 Confirmaciones Falsas de Pago Móvil

En el contexto venezolano, se pueden presentar capturas de pantalla o registros de confirmación de Pago Móvil como prueba de pago o actividad financiera. DataCred detecta confirmaciones falsas de Pago Móvil a través de:

  • Verificación de Formato y Plantilla: Verificación de que los registros de confirmación coinciden con los patrones de formato, diseño y contenido genuinos de Pago Móvil.
  • Consistencia de Datos: Cotejo de los datos de confirmación contra patrones de transacción conocidos, incluyendo identificadores bancarios, formatos de número de teléfono, formatos de documentos de identidad y patrones de números de referencia.
  • Verificación de Marca de Tiempo: Análisis de marcas de tiempo para verificar plausibilidad y consistencia.
  • Informática Forense de Imágenes: Aplicación de técnicas forenses de imágenes para detectar manipulación.
  • Verificación Cruzada: Cuando sea posible, verificación del estado de la transacción a través de canales bancarios autorizados o servicios de verificación de terceros.

#### 4.2.3 Capturas de Pantalla Manipuladas de Zelle

Se pueden presentar capturas de pantalla de pagos de Zelle como prueba de actividad financiera. DataCred detecta capturas de pantalla manipuladas de Zelle a través de:

  • Verificación de Formato: Verificación de que las capturas de pantalla coinciden con los patrones de formato, diseño y contenido genuinos de Zelle.
  • Informática Forense de Imágenes: Detección de manipulación de capturas de pantalla, incluyendo la alteración de montos, nombres de destinatarios, fechas e indicadores de estado.
  • Consistencia de Datos: Cotejo de los datos de la captura de pantalla contra los parámetros de transacción esperados.
  • Análisis de Metadatos: Análisis de metadatos de la captura de pantalla para detectar historial de edición y contexto de creación.
  • Verificación de Transacciones: Cuando sea posible, verificación del estado de la transacción a través de canales bancarios autorizados.

#### 4.2.4 Registros Fabricados de Binance

Se pueden presentar registros de intercambios de criptomonedas de Binance (y otros intercambios) como prueba de actividad financiera. DataCred detecta registros fabricados de Binance a través de:

  • Verificación de Formato y Plantilla: Verificación de que los registros coinciden con los patrones de formato, diseño, contenido y características de seguridad genuinos del intercambio.
  • Verificación de Transacciones: Cuando el acceso a la API esté autorizado, verificación de la existencia de la transacción a través de las API del intercambio.
  • Verificación en Cadena de Bloques: Cuando corresponda, verificación de la existencia de la transacción en la cadena a través de exploradores de cadena de bloques.
  • Informática Forense de Imágenes: Detección de manipulación en formatos de captura de pantalla o documentos exportados.
  • Consistencia de Datos: Cotejo de los datos de la transacción entre múltiples documentos presentados para verificar consistencia.
  • Correlación con Datos de Mercado: Correlación de los precios y volúmenes de transacción reclamados con datos de mercado reales para verificar plausibilidad.

#### 4.2.5 Facturas/Recibos Falsos

Se pueden presentar facturas y recibos fabricados como prueba de ingresos, gastos o actividad comercial. DataCred detecta facturas/recibos falsos a través de:

  • Verificación del Emisor: Verificación de que la empresa emisora existe y es legítima.
  • Análisis de Formato y Plantilla: Análisis del formato, diseño y características de la factura/recibo para determinar consistencia con documentos genuinos del supuesto emisor.
  • Consistencia de Datos: Cotejo de los datos de la factura (fechas, montos, partidas, cálculos de impuestos) para verificar consistencia y plausibilidad.
  • Análisis Secuencial: Análisis de los números de factura/recibo para verificar plausibilidad secuencial.
  • Verificación de Contacto: Verificación de la información de contacto, direcciones y canales de comunicación indicados en las facturas/recibos.
  • Verificación Cruzada: Cuando sea posible, verificación de la validez de la factura/recibo con el supuesto emisor.

#### 4.3.1 Comportamiento Inauténtico Coordinado

El comportamiento inauténtico coordinado implica el uso orquestado de múltiples cuentas, identidades o dispositivos para influir artificialmente en las puntuaciones de reputación. DataCred detecta el comportamiento inauténtico coordinado a través de:

  • Análisis de Grafos: Análisis de grafos de conexión entre cuentas, dispositivos, IP y transacciones para detectar grupos coordinados, incluyendo:
  • Uso compartido de dispositivos entre múltiples cuentas
  • Direcciones IP compartidas entre múltiples cuentas (en patrones inconsistentes con el uso legítimo)
  • Redes de transacciones que forman circuitos cerrados o patrones circulares
  • Elementos de identidad comunes entre cuentas aparentemente no relacionadas
  • Correlación temporal de eventos de creación de cuentas, actividad y transacciones
  • Análisis de Patrones:
  • Detección de actividad repetida, sistemática o sincronizada entre cuentas
  • Análisis de la sincronización de actividades para detectar patrones coordinados (mismo segundo, mismo patrón, misma secuencia)
  • Detección de patrones de actividad inconsistentes con el comportamiento orgánico e independiente del usuario
  • Análisis de los ciclos de vida de las cuentas para detectar patrones consistentes con operación agrícola o orquestada
  • Análisis de Red:
  • Identificación de rangos de IP, ASN y regiones geográficas asociadas con actividad coordinada
  • Detección de patrones de uso de proxy/VPN/TOR en grupos de cuentas
  • Análisis de compartición de huellas digitales de dispositivos entre cuentas
  • Identificación de vías y patrones de registro comunes

#### 4.3.2 Transacciones Falsas

Las transacciones falsas implican la presentación de datos de transacciones fabricados o generados artificialmente para inflar señales de reputación positiva. DataCred detecta transacciones falsas a través de:

  • Verificación de Transacciones: Verificación de la existencia de la transacción a través de los canales de verificación disponibles.
  • Análisis de Contrapartes: Análisis de las contrapartes de la transacción para verificar legitimidad e independencia.
  • Análisis de Patrones: Análisis de patrones de transacción (montos, tiempos, frecuencia, descripciones) en busca de indicadores de fabricación.
  • Detección de Transacciones Circulares: Detección de transacciones circulares donde los fondos o el valor se mueven en un circuito cerrado.
  • Detección de Autotransacciones: Detección de transacciones donde el usuario realiza transacciones con sus propias cuentas o entidades controladas.
  • Detección de Valor Anómalo: Detección de transacciones con valores, frecuencias o patrones inconsistentes con el perfil e historial del usuario.
  • Análisis de Tiempos: Detección de patrones de sincronización de transacciones inconsistentes con la actividad orgánica.

#### 4.3.3 Cultivo de Reputación

El cultivo de reputación implica esfuerzos sistemáticos para construir señales de reputación positiva a través de medios artificiales. DataCred detecta el cultivo de reputación a través de:

  • Análisis de Velocidad: Detección de una mejora inusualmente rápida de la puntuación de reputación inconsistente con los patrones de actividad legítimos.
  • Análisis de Patrones: Análisis de patrones de actividad en busca de indicadores de comportamiento sistemático y no orgánico.
  • Análisis entre Cuentas: Detección de los mismos patrones de actividad o similares en múltiples cuentas.
  • Comparación con Grupo de Pares: Comparación de la trayectoria de reputación del usuario contra grupos de pares legítimos.
  • Puntuación de Naturalidad de la Actividad: Análisis de patrones de actividad en busca de indicadores de "naturalidad" que distinguen el comportamiento humano de la actividad automatizada o sistemática.
  • Evaluación de Valor Agregado: Evaluación de si las actividades que generan señales de reputación positiva proporcionan valor genuino al ecosistema de la Plataforma.

#### 4.3.4 Explotación de Modelos

La explotación de modelos implica intentos deliberados de comprender, manipular o explotar los algoritmos de puntuación de reputación de DataCred para lograr puntuaciones deseadas a través de medios artificiales. DataCred detecta la explotación de modelos a través de:

  • Detección de Sondeo: Detección de sondeos o pruebas sistemáticas del comportamiento del sistema de puntuación mediante acciones repetidas similares con parámetros variables.
  • Detección de Explotación de Casos Límite: Detección de explotación sistemática de casos límite, condiciones de borde o comportamientos de umbral del modelo de puntuación.
  • Detección de Bucles de Retroalimentación: Detección de usuarios que intentan crear bucles de retroalimentación positiva a través de actividad artificial.
  • Detección de Patrones de Ingeniería: Análisis de patrones de actividad para detectar comportamientos de ingeniería del sistema, incluyendo la optimización de acciones únicamente por el impacto en la puntuación sin sustento económico subyacente.
  • Detección de Entradas Adversarias: Detección de entradas diseñadas para manipular las salidas del modelo a través de técnicas adversarias.

#### 4.4.1 Métodos de Pago Robados

El fraude de método de pago robado implica el uso de credenciales de pago (tarjetas de crédito, tarjetas de débito, cuentas bancarias) sin autorización. DataCred detecta el fraude de método de pago robado a través de:

  • Verificación de Pago: Verificación de la propiedad del método de pago mediante microdepósitos, verificación de cargo o autenticación 3D Secure.
  • Análisis de Dispositivo y Conductual: Análisis de la confianza del dispositivo y biométricos conductuales en busca de indicadores de uso fraudulento del método de pago.
  • Análisis de Velocidad y Patrones: Detección de patrones de uso consistentes con métodos de pago robados (uso rápido, transacciones de alto valor, patrones de prueba).
  • Verificación del Emisor: Verificación a través de los sistemas de detección de fraude del emisor o procesador de pagos.
  • Servicio de Verificación de Dirección (AVS): Comparación de la dirección de facturación proporcionada contra los registros del emisor de la tarjeta.
  • Verificación de CVV: Verificación del código de seguridad de la tarjeta.
  • Detección de Prueba de Tarjetas: Detección de pequeñas transacciones de prueba seguidas de transacciones más grandes, un patrón asociado con la prueba de tarjetas robadas.

#### 4.4.2 Fraude de Contracargo

El fraude de contracargo (también conocido como "fraude amistoso") ocurre cuando un usuario realiza una compra o transacción legítima y luego la disputa con su proveedor de pago para obtener un reembolso mientras retiene el beneficio de la transacción. DataCred detecta y aborda el fraude de contracargo a través de:

  • Análisis de Transacciones: Análisis de patrones de transacciones y disputas en busca de indicadores de contracargos fraudulentos.
  • Revisión de Historial: Revisión del historial de transacciones y contracargos del usuario.
  • Recopilación de Pruebas: Recopilación de pruebas para impugnar contracargos fraudulentos, incluyendo registros de transacciones, registros de entrega/cumplimiento, registros de comunicación y registros de actividad del usuario.
  • Lista Negra de Contracargos: Las cuentas con fraude de contracargo confirmado pueden ser restringidas o canceladas.
  • Acciones de Recuperación: Búsqueda de recuperación a través de mecanismos de disputa del procesador de pagos, cobranzas y acciones legales cuando corresponda.

#### 4.4.3 Fraude de Suscripción

El fraude de suscripción implica el uso de métodos de pago fraudulentos para obtener suscripciones pagadas, o el abuso de períodos de prueba gratuita mediante la creación sistemática de cuentas. DataCred detecta el fraude de suscripción a través de:

  • Verificación de Pago: Verificación de la validez y propiedad del método de pago.
  • Detección de Abuso de Prueba: Detección de patrones consistentes con el abuso de prueba gratuita, incluyendo:
  • Múltiples cuentas que usan el mismo método de pago o similar
  • Múltiples cuentas desde el mismo dispositivo o IP durante los períodos de prueba
  • Cuentas creadas únicamente para la prueba gratuita sin uso legítimo continuo
  • Patrones sistemáticos de migración de prueba a prueba
  • Análisis de Historial de Suscripción: Análisis de patrones de suscripción en busca de indicadores de fraude.
  • Cotejo de Dispositivo e Identidad: Cotejo de cuentas de prueba contra dispositivos, identidades y patrones fraudulentos conocidos.

#### 4.5.1 Creación Masiva de Cuentas (Account Farming)

La creación masiva de cuentas implica la creación y operación de múltiples cuentas con fines abusivos. DataCred detecta la creación masiva de cuentas a través de:

  • Agrupación de Huellas Digitales de Dispositivos: Detección de múltiples cuentas creadas desde el mismo dispositivo o a las que se accede desde el mismo.
  • Agrupación de IP: Detección de múltiples cuentas creadas desde o a las que se accede desde la misma dirección IP o rango de IP.
  • Agrupación de Elementos de Identidad: Detección de elementos de identidad compartidos entre cuentas (patrones de correo electrónico, patrones de número de teléfono, patrones de nombre).
  • Análisis de Patrones de Creación: Detección de patrones de creación de cuentas automatizados o sistemáticos (creación rápida, patrones secuenciales, datos de perfil similares).
  • Análisis de Patrones de Actividad: Detección de patrones de actividad específicos de la creación masiva (actividad legítima mínima, uso sistemático de promociones/referencias, acciones repetitivas).
  • Agrupación Biométrica Conductual: Detección de patrones biométricos conductuales idénticos o casi idénticos entre cuentas, lo que sugiere operación automatizada o mediante scripts.

#### 4.5.2 Abuso de API

El abuso de API implica el uso de las API de DataCred de manera que viole los Términos de Servicio, exceda el uso autorizado o esté diseñado para extraer valor sin un propósito legítimo. DataCred detecta el abuso de API a través de:

  • Análisis de Límite de Velocidad: Detección de violaciones del límite de velocidad y esfuerzos sistemáticos para eludir los límites de velocidad.
  • Análisis de Parámetros: Detección de variaciones de parámetros inusuales, excesivas o de sondeo.
  • Detección de Enumeración de Puntos Finales: Detección de escaneo o sondeo sistemático de puntos finales.
  • Detección de Extracción de Datos: Detección de patrones consistentes con la extracción de datos (paginación excesiva, recuperación completa de datos, extracciones periódicas exhaustivas).
  • Abuso de Lógica de Negocio: Detección de patrones de uso de API que explotan la lógica de negocio para fines no autorizados.
  • Abuso de Autenticación: Detección de uso compartido de claves de API, abuso de rotación de claves o uso no autorizado de claves.

#### 4.5.3 Abuso de Promociones

El abuso de promociones implica el mal uso de ofertas promocionales, programas de referencia, descuentos o créditos. DataCred detecta el abuso de promociones a través de:

  • Análisis de Patrones de Referencia: Detección de autorreferencias, referencias circulares y cultivo de referencias.
  • Análisis de Límites de Promoción: Detección de intentos de exceder los límites de promoción por usuario mediante múltiples cuentas o identidades.
  • Verificación de Elegibilidad: Verificación de que los usuarios cumplen con los criterios de elegibilidad para la promoción.
  • Detección de Conversión Fraudulenta: Detección de conversiones o acciones generadas artificialmente para obtener recompensas promocionales.
  • Detección de Acumulación de Promociones: Detección de combinación o acumulación no autorizada de promociones.

#### 4.5.4 Fraude de Referidos

El fraude de referidos implica la manipulación de programas de referidos para obtener recompensas no autorizadas. DataCred detecta el fraude de referidos a través de:

  • Análisis de Calidad del Referido: Evaluación de la calidad y legitimidad del referido (¿los usuarios referidos demuestran compromiso y valor genuinos?).
  • Detección de Referidos Circulares: Detección de patrones de referidos circulares (A refiere a B, B refiere a C, C refiere a A).
  • Detección de Autorreferidos: Detección de usuarios que se refieren a sí mismos a través de múltiples cuentas.
  • Detección de Referidos Sintéticos: Detección de referidos generados a través de identidades sintéticas.
  • Detección de Patrón Solo por Incentivo: Detección de usuarios referidos que participan solo en la medida necesaria para obtener recompensas por referido.

#### 5.1.1 Detección de Anomalías Basada en ML

DataCred emplea modelos de aprendizaje automático para la detección de fraude, incluyendo:

  • Modelos de Clasificación Supervisada: Modelos entrenados con conjuntos de datos etiquetados de fraude y legítimos para clasificar actividades, cuentas y transacciones como fraudulentas o legítimas. Estos modelos se entrenan con casos de fraude confirmados históricamente y patrones de actividad legítimos, y se reentrenan periódicamente para adaptarse a los patrones de fraude en evolución.
  • Modelos de Detección de Anomalías No Supervisada: Modelos que identifican valores atípicos y anomalías sin requerir datos de entrenamiento etiquetados. Estos modelos detectan patrones de fraude novedosos que no han sido previamente identificados o etiquetados, incluyendo:
  • Modelos de Isolation Forest para identificar puntos de datos anómalos
  • Redes neuronales de autoencoder para detección de anomalías basada en reconstrucción
  • SVM de una clase para detección de novedades
  • Detección de valores atípicos basada en agrupamiento (DBSCAN, OPTICS)
  • Detección de anomalías basada en densidad (LOF, Factor de Valor Atípico Local)
  • Redes Neuronales de Grafos: Modelos de aprendizaje profundo especializados que analizan la estructura de grafos de relaciones entre entidades (usuarios, dispositivos, IP, documentos, transacciones) para detectar:
  • Anillos de fraude y operaciones de fraude organizado
  • Comportamiento inauténtico coordinado
  • Agrupaciones Cuenta-Dispositivo-IP indicativas de creación masiva
  • Anomalías en la red de transacciones
  • Anomalías en las relaciones de identidad
  • Métodos de Ensamble: Combinaciones de múltiples modelos de detección para mejorar la precisión general de detección, reducir las tasas de falsos positivos y proporcionar robustez contra las debilidades de modelos individuales. Los métodos de ensamble pueden incluir:
  • Ensambles de Random Forest
  • Ensambles de potenciación de gradientes (XGBoost, LightGBM, CatBoost)
  • Generalización apilada (metamodelos que combinan salidas de modelos base)
  • Ensambles de votación ponderada
  • Modelos de Aprendizaje Profundo:
  • Redes Neuronales Recurrentes (RNN) y LSTM para análisis de comportamiento secuencial
  • Modelos Transformer para análisis de comportamiento de secuencias largas
  • Redes Neuronales Convolucionales (CNN) para análisis de imágenes de documentos
  • Autoencoders Variacionales (VAE) para detección de anomalías
  • Redes Generativas Adversarias (GAN) para detección adversarial de fraude
  • Modelos de Procesamiento de Lenguaje Natural (NLP): Modelos de análisis de texto para detectar:
  • Patrones de contenido de documentos fraudulentos
  • Patrones de comunicación de estafas y phishing
  • Información proporcionada por el usuario inconsistente o fabricada
  • Texto generado por IA en presentaciones de usuarios
  • Patrones de mensajería coordinados
  • Modelos de Visión por Computadora: Modelos de análisis de imágenes para:
  • Detección de falsificación de documentos
  • Detección de viveza en selfies
  • Detección de ataques de presentación (foto, video, máscara, deepfake)
  • Detección de manipulación de documentos
  • Detección de imágenes generadas por IA

#### 5.1.2 Señalización Basada en Reglas

DataCred emplea un conjunto integral de reglas de detección de fraude, incluyendo:

  • Reglas de Velocidad: Detección de actividad que excede los umbrales de velocidad normales (por ejemplo, más de X cuentas creadas desde el mismo dispositivo en Y horas, más de X presentaciones de documentos en Y minutos).
  • Reglas de Umbral: Detección de actividad que excede los parámetros de umbral normales (por ejemplo, el valor del documento excede el X% de la mediana del perfil del usuario, el valor de la transacción excede el X% del promedio).
  • Reglas de Combinación: Detección de combinaciones específicas de eventos asociados con fraude (por ejemplo, cuenta nueva + presentación inmediata de un documento de alto valor + solicitud de procesamiento acelerado).
  • Reglas de Secuencia: Detección de secuencias específicas de eventos asociados con fraude (por ejemplo, creación de cuenta -> fallo de verificación de identidad -> nueva presentación de identidad -> fallo de verificación -> abandono de cuenta).
  • Reglas de Cotejo: Detección de inconsistencias entre puntos de datos (por ejemplo, ingresos declarados vs. documentos financieros presentados, ubicación declarada vs. geolocalización de IP, fecha de emisión del documento de identidad vs. fecha de creación de la cuenta).
  • Reglas Geográficas: Detección de actividad desde o asociada con regiones geográficas con riesgo de fraude elevado.
  • Reglas Basadas en Tiempo: Detección de actividad en horas inusuales (por ejemplo, creación de cuentas fuera del horario laboral, anomalías en los tiempos de las transacciones).
  • Reglas de Comportamiento: Detección de comportamiento inconsistente con los patrones normales del usuario (por ejemplo, un usuario que siempre accede a través de la aplicación móvil que de repente usa un navegador de escritorio para operaciones sensibles).

#### 5.1.3 Análisis de Grafos para Comportamiento Coordinado

DataCred utiliza técnicas de análisis de grafos para detectar fraude organizado:

  • Grafos de Relaciones de Entidades: Construcción y análisis de grafos donde los nodos representan entidades (usuarios, dispositivos, direcciones IP, documentos, transacciones, elementos de identidad) y las aristas representan relaciones (propiedad, acceso, presentación, transacción, uso compartido).
  • Detección de Comunidades: Identificación de grupos de nodos densamente conectados que pueden representar anillos de fraude, granjas de cuentas u operaciones coordinadas.
  • Detección de Subgrafos Anómalos: Detección de subgrafos con propiedades estructurales inconsistentes con los patrones de uso legítimos.
  • Análisis de Similitud de Nodos: Identificación de nodos con patrones de conexión altamente similares, lo que sugiere operación automatizada o coordinada.
  • Detección de Sincronización Conductual: Detección de entidades que exhiben patrones de comportamiento sincronizados, lo que sugiere coordinación.
  • Análisis Temporal de Grafos: Análisis de cómo evolucionan los grafos de relaciones de entidades a lo largo del tiempo para detectar patrones coordinados emergentes.

#### 5.1.4 Informática Forense de Imágenes para Detección de Manipulación de Documentos

DataCred utiliza técnicas avanzadas de informática forense de imágenes para detectar la manipulación de documentos:

  • Análisis de Nivel de Error (ELA): Análisis de artefactos de compresión JPEG en imágenes de documentos para identificar regiones con diferentes niveles de compresión, lo que indica manipulación.
  • Análisis de Metadatos: Análisis de metadatos de imágenes de documentos (datos EXIF, historial de edición, software de creación, información del dispositivo) para detectar inconsistencias.
  • Análisis a Nivel de Píxel: Análisis de patrones de píxeles en busca de artefactos de manipulación, incluyendo:
  • Detección de clonación (regiones de píxeles idénticas que indican copiar y pegar)
  • Detección de empalme (patrones de ruido inconsistentes, artefactos de borde)
  • Detección de remuestreo (artefactos de interpolación por escalado)
  • Análisis de espacio de color (perfiles de color inconsistentes entre regiones)
  • Análisis Geométrico: Análisis de consistencia geométrica (perspectiva, iluminación, sombras, reflejos) para detectar indicadores de imágenes compuestas.
  • Identificación de Impresora/Escáner: Análisis de artefactos de impresora y escáner para verificar las afirmaciones de origen del documento.
  • Verificación de Firma Digital: Verificación de firmas digitales y sellos electrónicos en documentos digitales.
  • Verificación de QR/Código de Barras: Verificación de códigos QR y códigos de barras para verificar la codificación, el formato y la consistencia de los datos esperados.

#### 5.1.5 Detección de Anomalías Biométricas Conductuales

DataCred analiza patrones biométricos conductuales para la detección de fraude:

  • Dinámica de Teclado: Análisis de patrones de escritura (duración de presión de tecla, retardo entre teclas, cadencia de escritura, patrones de error, comportamiento de corrección) para detectar anomalías que indican toma de control de cuenta o entrada automatizada.
  • Dinámica del Ratón: Análisis de patrones de movimiento del ratón (velocidad, aceleración, trayectoria, patrones de clic, comportamiento de desplazamiento) para detectar anomalías que indican comportamiento automatizado o mediante scripts.
  • Dinámica de Pantalla Táctil: Análisis de patrones de interacción táctil (velocidad de deslizamiento, geometría del gesto, patrones de presión, tiempo de pulsación) para detectar anomalías.
  • Patrones de Navegación: Análisis de patrones de navegación de páginas (secuencias de navegación, tiempos de permanencia, patrones de interacción) para detectar anomalías que indican comportamiento no humano.
  • Comportamiento de Sesión: Análisis de patrones de comportamiento a nivel de sesión (duración de la sesión, secuencias de acciones, patrones de tiempo de inactividad) para detectar anomalías.

#### 5.2.1 Revisión por Analista de Fraude

Los analistas de fraude revisan los casos señalizados utilizando una combinación de:

  • Interfaz de Revisión de Casos: Una interfaz especialmente diseñada que presenta todos los datos relevantes, banderas, alertas y pruebas de respaldo para cada caso.
  • Salidas de Reglas y Modelos: Revisión de qué reglas y modelos activaron la señalización, incluyendo puntuaciones de confianza y factores contribuyentes.
  • Revisión del Perfil del Usuario: Revisión integral del historial de la cuenta del usuario, patrones de actividad y datos del perfil.
  • Examen de Documentos: Examen directo de los documentos presentados para detectar indicadores de autenticidad que los sistemas automatizados pueden haber señalizado o pasado por alto.
  • Análisis de Dispositivo e IP: Revisión de los datos de confianza del dispositivo, información de IP e indicadores de riesgo asociados.
  • Revisión de Patrones Históricos: Revisión de la actividad histórica del usuario para detectar patrones de comportamiento que pueden no ser evidentes a partir de señales individuales.
  • Comparación con Grupo de Pares: Comparación del comportamiento y las características del usuario contra grupos de pares.
  • Análisis entre Cuentas: Revisión de cuentas, dispositivos, IP y elementos de identidad relacionados.

#### 5.2.2 Muestreo Aleatorio

DataCred realiza un muestreo aleatorio de cuentas y actividades para la revisión de fraude, incluyendo:

  • Revisión Aleatoria de Cuentas: Selección aleatoria de cuentas para una revisión integral de fraude.
  • Revisión Aleatoria de Transacciones: Selección aleatoria de transacciones y actividades para la revisión de fraude.
  • Revisión Aleatoria de Documentos: Selección aleatoria de documentos presentados para la verificación de autenticidad.
  • Muestreo Estratificado: Muestreo dirigido de segmentos de mayor riesgo mientras se mantiene la cobertura aleatoria de la población más amplia.

El muestreo aleatorio proporciona:

  • Validación de la efectividad de la detección automatizada
  • Detección de fraude que los sistemas automatizados pueden haber pasado por alto
  • Datos de calibración para modelos y reglas de detección
  • Estimaciones estadísticas de la prevalencia del fraude

#### 5.2.3 Investigación de Denuncias de Usuarios

DataCred investiga las denuncias de fraude presentadas por los usuarios (según se describe en la Sección 9):

  • Triaje de Denuncias: Evaluación de la urgencia, gravedad y credibilidad de la denuncia.
  • Recopilación de Pruebas: Recopilación de datos, registros, documentos y comunicaciones relevantes.
  • Análisis: Investigación de la actividad denunciada utilizando datos y herramientas disponibles.
  • Determinación: Evaluación de si la actividad denunciada constituye fraude.
  • Acción: Respuesta apropiada basada en los hallazgos.

#### 5.3.1 Bases de Datos de Fraude

DataCred puede cotejar datos de usuarios y actividades contra bases de datos de fraude de terceros, incluyendo:

  • Bases de Datos de Fraude de Identidad: Bases de datos de identidades comprometidas conocidas, patrones de identidad sintética y víctimas de robo de identidad.
  • Bases de Datos de Reputación de Dispositivos: Bases de datos de dispositivos fraudulentos conocidos, dispositivos comprometidos y puntuaciones de riesgo de dispositivos.
  • Bases de Datos de Reputación de IP: Bases de datos de direcciones IP asociadas con fraude, actividad maliciosa, servicios VPN/proxy/TOR y rangos de alojamiento/centro de datos.
  • Bases de Datos de Reputación de Correo Electrónico y Teléfono: Bases de datos de direcciones de correo electrónico y números de teléfono asociados con actividad fraudulenta.
  • Bases de Datos de Fraude Documental: Bases de datos de plantillas de documentos fraudulentos conocidos, patrones de documentos falsificados y números de documentos comprometidos.
  • Bases de Datos de Fraude de Pago: Bases de datos de métodos de pago robados, patrones de contracargo e indicadores de fraude de pago.

#### 5.3.2 Inteligencia de Fraude Compartida

DataCred puede participar en acuerdos de intercambio de inteligencia sobre fraude, incluyendo:

  • Grupos de Intercambio de Fraude de la Industria: Participación en grupos de intercambio de inteligencia sobre fraude específicos de la industria, sujeto a obligaciones de confidencialidad y protección de datos.
  • Intercambio de Indicadores de Fraude: Intercambio de indicadores de fraude (IP, dispositivos, patrones, firmas, no datos personales) con socios de confianza.
  • Detección de Fraude entre Plataformas: Coordinación con otras plataformas para detectar operaciones de fraude entre plataformas.

La participación de DataCred en el intercambio de inteligencia sobre fraude está sujeta a:

  • Cumplimiento de las leyes de protección de datos y privacidad
  • Obligaciones de confidencialidad con los usuarios
  • Cumplimiento de las leyes antimonopolio y de competencia
  • Limitaciones contractuales sobre el uso y divulgación de datos

#### 5.3.3 Servicios de Reputación de Dispositivos

DataCred puede utilizar servicios de reputación de dispositivos de terceros que proporcionan:

  • Puntuaciones de Riesgo del Dispositivo: Evaluación general del riesgo de los dispositivos basada en observaciones históricas en múltiples plataformas.
  • Inteligencia del Dispositivo: Información sobre las características, configuraciones y estado del dispositivo.
  • Datos de Asociación de Fraude: Información sobre asociaciones entre dispositivos y actividad fraudulenta conocida.
  • Indicadores de Compromiso: Indicadores de que un dispositivo puede estar comprometido, infectado o bajo control no autorizado.

El proceso de investigación comienza cuando una actividad, cuenta o patrón es señalizado por:

  • Detección Automatizada: Señalizado por modelos de ML, sistemas basados en reglas, detección basada en firmas u otros mecanismos automatizados.
  • Detección Manual: Señalizado por el personal de DataCred durante la revisión rutinaria, muestreo aleatorio o búsqueda proactiva de amenazas.
  • Denuncia del Usuario: Señalizado a través de la denuncia del usuario de actividad sospechosa.
  • Denuncia de Terceros: Señalizado a través de informes de terceros, incluyendo fuentes de inteligencia de fraude, autoridades legales o plataformas asociadas.
  • Descubrimiento de Auditoría: Señalizado a través de actividades de auditoría interna o externa.

Los casos señalizados se clasifican según:

  • Gravedad: El impacto potencial del fraude si se confirma (pérdida financiera, integridad de la plataforma, daño al usuario, implicaciones regulatorias).
  • Confianza: El nivel de confianza de la detección (indicadores fuertes vs. señales débiles, patrón confirmado vs. anómalo pero poco claro).
  • Urgencia: La sensibilidad temporal de la respuesta (fraude activo en curso vs. patrón histórico que requiere investigación).
  • Complejidad: La profundidad de la investigación probablemente requerida (verificación simple vs. análisis forense multi-entidad).

Resultados del Triaje:

  • Prioridad Baja: Actividad señalizada con indicadores débiles, registrada para análisis de tendencias y entrenamiento de modelos, no se requiere acción inmediata.
  • Prioridad Media: Actividad señalizada con indicadores moderados, en cola para revisión por analista dentro de los ANS estándar.
  • Prioridad Alta: Actividad señalizada con indicadores fuertes, escalada para revisión inmediata por analista.
  • Prioridad Crítica: Fraude activo en curso, amenaza inminente o compromiso confirmado, que desencadena una respuesta inmediata.

Al inicio de la investigación, se recopilan las pruebas relevantes:

  • Análisis Forense: Recopilación y preservación de registros, datos, documentos y comunicaciones relevantes de manera forensemente sólida.
  • Análisis de Documentos: Examen forense detallado de los documentos presentados para detectar indicadores de autenticidad y manipulación.
  • Análisis de Dispositivos: Recopilación y análisis de datos de huellas digitales del dispositivo, historial de confianza del dispositivo e indicadores de riesgo del dispositivo asociados.
  • Análisis de Patrones de Comportamiento: Análisis de patrones de comportamiento del usuario, incluyendo patrones temporales, secuenciales y de interacción.
  • Análisis de Relaciones: Análisis de relaciones entre entidades a través de técnicas de análisis de grafos.
  • Verificación de Terceros: Verificación de información a través de servicios de terceros, cuando esté permitido y disponible.
  • Análisis de Patrones Históricos: Revisión del historial completo del usuario en la Plataforma para detectar patrones o indicadores no evidentes a partir de eventos aislados.

Con base en las pruebas recopiladas, la investigación produce una de las siguientes determinaciones:

Fraude Confirmado:

  • Existe evidencia clara de intención o actividad fraudulenta
  • La cuenta y las entidades asociadas se clasifican como fraudulentas
  • Se toman las acciones de respuesta apropiadas (Sección 7)
  • Se generan indicadores de inteligencia de fraude para la prevención futura
  • Se puede realizar una derivación a las autoridades (Sección 8)

Fraude Sospechado:

  • La evidencia sugiere fraude pero no es concluyente
  • Se requiere investigación o monitoreo adicional
  • La cuenta puede estar sujeta a monitoreo mejorado o restricción pendiente de investigación adicional
  • Se puede contactar al usuario para obtener información adicional
  • La investigación continúa

No Hay Fraude:

  • Se determina que la actividad es legítima (falso positivo)
  • No se toma ninguna otra medida
  • La señalización y la resolución se registran para la mejora del sistema
  • La retroalimentación del modelo de detección se registra para entrenamiento

Falso Positivo:

  • La detección automatizada señalizó incorrectamente actividad legítima como fraudulenta
  • Se analiza la causa raíz del falso positivo
  • Las reglas, modelos o umbrales de detección pueden ajustarse para evitar la recurrencia
  • Se notifica al usuario de la resolución (si la cuenta estaba restringida)

Con base en la determinación, se toman las acciones de respuesta apropiadas (detalladas en la Sección 7).

Para fraude de baja gravedad o infracciones por primera vez:

  • Advertencia formal emitida al usuario
  • Documentación de la infracción en los registros de la cuenta del usuario
  • Período de monitoreo mejorado iniciado
  • Actividades prohibidas específicas identificadas y advertidas
  • Explicación de las consecuencias de infracciones repetidas

7.2 Restricción de Cuenta (Funcionalidad Limitada)

Para preocupaciones de fraude moderado:

  • Restricciones de Funciones: Funciones específicas se deshabilitan o limitan, incluyendo, entre otras:
  • Capacidades de presentación de documentos
  • Capacidades de intercambio y exportación de datos
  • Acceso a API
  • Integraciones de terceros
  • Funciones de comunicación
  • Funciones de puntuación o calificación
  • Funciones de referencia o promocionales
  • Límites de Transacciones: Los límites de transacciones o actividades se reducen, incluyendo:
  • Valores máximos de transacción
  • Límites de frecuencia de transacciones
  • Límites de actividad acumulativa
  • Límites de nuevos destinatarios
  • Restricciones geográficas
  • Requisitos de Verificación: Se requieren pasos de verificación adicionales, incluyendo:
  • Autenticación multifactorial mejorada para todas las operaciones
  • Reverificación de documentos
  • Reverificación de identidad
  • Verificación del origen de los fondos
  • Diligencia debida mejorada
  • Períodos de Espera: Períodos de espera obligatorios antes de que ciertas acciones puedan completarse

7.3 Suspensión de Cuenta (Temporal, Pendiente de Investigación)

Para preocupaciones significativas de fraude que requieren investigación:

  • Suspensión Total de la Cuenta: Todo el acceso y la funcionalidad de la cuenta se suspenden
  • Preservación de Datos: Todos los datos de la cuenta se preservan para la investigación
  • Notificación al Usuario: Se notifica al usuario de la suspensión y la base general (cuando la notificación no comprometa la investigación)
  • Cronograma de Investigación: La investigación procede dentro de un plazo razonable
  • Levantamiento de la Suspensión: La suspensión puede levantarse con o sin restricciones, o puede dar lugar a la cancelación

7.4 Cancelación de Cuenta (Permanente, por Fraude Confirmado)

Para fraude confirmado:

  • Cierre Permanente de Cuenta: La cuenta se cancela permanentemente
  • Revocación de Acceso: Todos los privilegios de acceso se revocan permanentemente
  • Gestión de Datos: Los datos del usuario se manejan de acuerdo con las disposiciones de cancelación de los Términos de Servicio y la ley aplicable
  • Cancelación de Cuentas Asociadas: Las cuentas que se determine que están asociadas con la actividad fraudulenta también pueden ser canceladas
  • Bloqueo de Dispositivos: Los dispositivos asociados pueden ser bloqueados permanentemente de la Plataforma
  • Señalización de Identidad: Los elementos de identidad asociados pueden ser señalizados para la prevención de fraude
  • Notificación al Usuario: Se notifica al usuario de la cancelación y la base (cuando corresponda)
  • Derechos de Apelación: Se informa al usuario de cualquier derecho de apelación aplicable

7.5 Penalización de Reputación (Marca de Fraude en la Cuenta)

Para fraude confirmado o sospechado:

  • Marca de Fraude Interna: La cuenta se marca internamente como asociada con fraude
  • Impacto en la Puntuación: Las marcas de fraude pueden afectar las puntuaciones de reputación (la actividad fraudulenta no se puntúa positivamente)
  • Intercambio de Inteligencia: Los indicadores de fraude pueden compartirse con redes de inteligencia de fraude (cuando esté permitido)
  • Señalización entre Cuentas: Las cuentas y entidades relacionadas pueden ser señalizadas
  • Registro Permanente: Las marcas de fraude se retienen permanentemente con fines de seguridad

Para fraude que resulte en pérdida financiera para DataCred u otros usuarios:

  • Contracargo: Cuando corresponda, se inician contracargos de pago
  • Recuperación: Los fondos, créditos o beneficios obtenidos fraudulentamente se recuperan
  • Cobro de Deudas: Los montos pendientes resultantes del fraude pueden perseguirse mediante cobranzas
  • Decomiso de Créditos: Cualquier crédito o saldo legítimo puede ser decomisado para compensar las pérdidas por fraude
  • Compensación: Los montos adeudados al usuario fraudulento pueden compensarse con las pérdidas por fraude
  • Acción Legal: Se puede iniciar una acción civil para recuperar las pérdidas por fraude

Para fraude penal, según se describe en la Sección 8.

Para operaciones de fraude significativas o sistémicas:

  • Bloqueo de Cuentas Asociadas: Las cuentas que se determine que están asociadas con la operación fraudulenta se bloquean
  • Actualizaciones del Modelo de Detección: Los modelos de detección de fraude se actualizan en función de los hallazgos de la investigación
  • Implementación de Reglas: Se implementan nuevas reglas de detección para prevenir fraudes similares
  • Intercambio de Inteligencia: Los indicadores de fraude se comparten con redes de inteligencia de fraude (cuando esté permitido)
  • Comunicación al Usuario: Los usuarios afectados o la comunidad de usuarios en general pueden ser informados sobre la operación fraudulenta y los pasos de protección (cuando corresponda)
  • Endurecimiento de Funciones: Las funciones de la Plataforma pueden modificarse para prevenir abusos similares

DataCred denunciará el fraude confirmado a las autoridades legales competentes cuando:

1. Se Confirma Fraude Penal: Se ha confirmado fraude que involucra actividad delictiva a través de la investigación de DataCred, incluyendo, entre otros:

  • Robo de identidad y fraude de identidad
  • Falsificación y fraude de documentos
  • Fraude de pago y delitos financieros
  • Fraude y abuso informático
  • Operaciones de fraude organizado
  • Ciberdelincuencia y hacking

2. Existe Obligación Legal: DataCred está legalmente obligada a denunciar tipos específicos de fraude.

3. El Daño al Usuario es Significativo: El fraude ha causado o es probable que cause un daño significativo a los usuarios.

4. El Patrón Sugiere una Amenaza Más Amplia: El patrón de fraude sugiere una amenaza más amplia para la Plataforma u otras plataformas.

DataCred cooperará con las investigaciones de fraude de las autoridades, incluyendo:

  • Provisión de Pruebas: Proporcionar datos, documentos y pruebas relevantes a las autoridades en respuesta a un proceso legal válido.
  • Apoyo a la Investigación: Proporcionar apoyo técnico y análisis de expertos a las investigaciones de las autoridades.
  • Testimonio: Cuando corresponda, proporcionar testimonio de testigos o pruebas periciales en procedimientos legales.
  • Solicitudes de Preservación: Preservar datos en respuesta a solicitudes de preservación de las autoridades.

DataCred puede divulgar datos del usuario a las autoridades para la investigación de fraude SIN notificación al usuario cuando:

1. La notificación comprometería la investigación (alertar al sospechoso).

2. La notificación está prohibida por ley u orden judicial.

3. Existen circunstancias de emergencia (daño inminente, fraude en curso).

4. El usuario es el sujeto de la investigación de fraude y la divulgación lo alertaría.

Las derivaciones a las autoridades se realizan a través de procedimientos establecidos:

1. Revisión del Caso: El caso de fraude confirmado es revisado por el equipo de fraude y el asesor legal de DataCred.

2. Decisión de Derivación: Se toma la decisión sobre si la derivación a las autoridades es apropiada.

3. Paquete de Pruebas: Las pruebas relevantes se compilan y organizan para la revisión de las autoridades.

4. Presentación de la Derivación: La derivación se presenta a la agencia legal apropiada (FBI IC3, autoridades locales, autoridades internacionales a través de los canales apropiados).

5. Seguimiento: DataCred puede dar seguimiento a las derivaciones según corresponda y puede ayudar en la investigación.

Los usuarios pueden denunciar fraude sospechado a través de los siguientes canales:

Correo Electrónico:

[email protected]

Denuncia en la Plataforma:

Utilice la función de denuncia disponible en la Plataforma (cuando esté disponible)

Línea de Asunto:

"Fraud Report" seguido de una breve descripción

Al denunciar fraude sospechado, los usuarios deben incluir:

1. Su Información: Su nombre completo y identificador de cuenta (si corresponde).

2. Descripción del Fraude Sospechado: Descripción clara del fraude sospechado, incluyendo qué sucedió, cuándo sucedió y quién estuvo involucrado (en la medida de lo conocido).

3. Pruebas: Cualquier prueba de respaldo, incluyendo capturas de pantalla, documentos, comunicaciones, registros de transacciones u otros materiales relevantes.

4. Impacto: Cómo le ha afectado el fraude sospechado a usted o a otros.

5. Cronología: Fechas y horas clave relacionadas con el fraude sospechado.

6. Participación de Terceros: Cualquier tercero que pueda tener información o pruebas relacionadas con el fraude.

DataCred tratará todas las denuncias de fraude como confidenciales en la medida permitida por la ley y la necesidad operativa. Las identidades de los denunciantes pueden mantenerse confidenciales, sujeto a:

  • Divulgación requerida por ley o proceso legal
  • Divulgación necesaria para la investigación
  • Divulgación necesaria para la derivación a las autoridades
  • Renuncia a la confidencialidad por parte del denunciante

DataCred mantiene la confidencialidad de los informes de fraude:

  • Acceso Interno: Los detalles del informe son accesibles solo para el personal con una necesidad legítima de acceso (equipo de fraude, equipo de seguridad, asesor legal).
  • Divulgación Externa: Los detalles del informe no se divulgan externamente excepto según lo requerido por la ley, lo necesario para la investigación o con el consentimiento del denunciante.
  • Informes Anonimizados: Cuando se comparten estadísticas o resúmenes de informes de fraude, se anonimizan para evitar la identificación de los denunciantes.

DENUNCIAR FRAUDE DE MALA FE (PRESENTAR A SABIENDAS INFORMES FALSOS O ENGAÑOSOS) ESTÁ ESTRICTAMENTE PROHIBIDO Y PUEDE RESULTAR EN:

  • Restricción o cancelación de la cuenta
  • Acción legal por difamación, proceso malicioso o abuso del proceso
  • Denuncia a las autoridades por presentación de informes falsos
  • Recuperación de los costos incurridos en la investigación de informes de mala fe

Los usuarios que presenten informes de fraude de buena fe, incluso si el informe finalmente se determina como infundado, no serán penalizados.

Al presentar una denuncia de fraude:

  • Confirmación: El denunciante recibirá confirmación de recepción (cuando se proporcione información de contacto).
  • Investigación: DataCred revisará e investigará la denuncia según corresponda.
  • Actualizaciones: DataCred puede proporcionar actualizaciones sobre la investigación cuando sea apropiado y coherente con los requisitos de confidencialidad.
  • Resultado: DataCred puede informar al denunciante del resultado de la investigación, sujeto a restricciones de confidencialidad y privacidad.

LOS USUARIOS DEBEN COOPERAR CON LAS INVESTIGACIONES DE FRAUDE DE DATACRED. La cooperación incluye:

1. Respuesta Oportuna: Responder prontamente a las solicitudes de información, documentos o verificación de DataCred.

2. Información Completa: Proporcionar información completa, precisa y veraz en respuesta a las solicitudes de investigación.

3. Producción de Documentos: Proporcionar los documentos, registros y pruebas solicitados dentro de plazos razonables.

4. Verificación: Participar en procedimientos de verificación de identidad, verificación de documentos u otros procedimientos de verificación solicitados por DataCred.

5. Disponibilidad: Estar disponible para entrevistas, llamadas o videoconferencias según se solicite razonablemente.

6. Consentimiento para la Verificación: Proporcionar consentimiento para que DataCred verifique los documentos y datos presentados con las autoridades emisoras, instituciones financieras u otros terceros relevantes.

7. No Obstaculización: No obstruir, retrasar o impedir la investigación.

8. Preservación de Pruebas: Preservar las pruebas relevantes y no destruir, alterar u ocultar información relacionada con la investigación.

EL INCUMPLIMIENTO DE COOPERAR CON UNA INVESTIGACIÓN DE FRAUDE PUEDE RESULTAR EN:

  • Inferencias adversas derivadas de la falta de cooperación
  • Restricción o suspensión de la cuenta pendiente de cooperación
  • Cancelación de la cuenta por falta de cooperación
  • Decomiso de cualquier crédito, saldo o beneficio en la cuenta
  • Denuncia a las autoridades (cuando corresponda)

LOS USUARIOS CONSINTIENEN EXPRESAMENTE A QUE DATACRED VERIFIQUE LOS DOCUMENTOS Y DATOS PRESENTADOS CON LAS AUTORIDADES EMISORAS, INSTITUCIONES FINANCIERAS, EMPLEADORES U OTROS TERCEROS RELEVANTES COMO PARTE DE LAS INVESTIGACIONES DE FRAUDE. Este consentimiento incluye:

  • Contactar a los emisores de documentos para verificar la autenticidad
  • Contactar a las instituciones financieras para verificar la información de la cuenta y las transacciones
  • Contactar a empleadores u otras partes referenciadas para verificar las afirmaciones
  • Utilizar servicios de verificación de terceros para confirmar la identidad y la validez del documento
  • Cotejar los datos presentados contra bases de datos de terceros

Al usar la Plataforma, los usuarios declaran y garantizan que:

1. Toda la información, documentos y datos presentados a la Plataforma son verdaderos, precisos y completos.

2. Los documentos presentados son genuinos y no han sido falsificados, alterados o fabricados.

3. El usuario tiene la autoridad para proporcionar cualquier dato de terceros presentado.

4. El usuario no presentará información fraudulenta, engañosa o falsa.

5. El usuario cooperará con cualquier investigación de fraude iniciada por DataCred.

DATACRED PUEDE NO INFORMAR A LOS USUARIOS QUE ESTÁN BAJO INVESTIGACIÓN DE FRAUDE O QUE SE HA REALIZADO UNA DERIVACIÓN A LAS AUTORIDADES, CUANDO:

1. Integridad de la Investigación: La notificación comprometería la investigación, incluyendo, entre otros:

  • Permitir al usuario destruir pruebas
  • Permitir al usuario coordinarse con co-conspiradores
  • Permitir al usuario huir o fugarse
  • Permitir al usuario continuar con la actividad fraudulenta
  • Alertar al usuario para que cambie su modus operandi

2. Solicitud de las Autoridades: Las autoridades han solicitado que no se notifique al usuario.

3. Prohibición Legal: La ley aplicable prohíbe la notificación (disposiciones anti-alerta).

4. Orden Judicial: Un tribunal ha emitido una orden que prohíbe la notificación.

Cuando DataCred determina que la notificación no comprometería la investigación:

  • Se puede informar a los usuarios que están bajo investigación (base general, no métodos específicos)
  • Se puede informar a los usuarios del resultado de la investigación
  • Se puede informar a los usuarios de cualquier acción tomada como resultado

En los casos en que la notificación comprometería la investigación:

  • DataCred puede mantener la confidencialidad indefinidamente
  • Los usuarios solo pueden ser informados cuando la investigación esté completa y no exista ningún riesgo adicional
  • En algunos casos, es posible que nunca se informe a los usuarios de los detalles de la investigación (por ejemplo, si revelar los métodos permitiría la evasión)

DATACRED NO DIVULGA A LOS USUARIOS MÉTODOS ESPECÍFICOS DE DETECCIÓN DE FRAUDE, ALGORITMOS, REGLAS, FIRMAS, UMBRALES O INDICADORES, YA QUE DICHA DIVULGACIÓN PERMITIRÍA LA EVASIÓN DE LOS SISTEMAS DE DETECCIÓN DE FRAUDE.

LA DETERMINACIÓN DE DATACRED SOBRE SI HA OCURRIDO FRAUDE ES DEFINITIVA Y VINCULANTE Y SE REALIZA A LA ENTERA DISCRECIÓN DE DATACRED, SUJETA ÚNICAMENTE A LAS DISPOSICIONES DE APELACIÓN PROVISTAS ESPECÍFICAMENTE A CONTINUACIÓN.

Este carácter definitivo es necesario porque:

1. DataCred tiene acceso al contexto completo de la actividad de la Plataforma, incluyendo inteligencia de fraude y señales de detección que los usuarios no tienen.

2. Las determinaciones de fraude requieren experiencia especializada en detección, investigación y análisis de fraude.

3. Permitir apelaciones ilimitadas de las determinaciones de fraude socavaría la efectividad de la prevención de fraude.

4. Las determinaciones de fraude se basan en métodos de detección propietarios que DataCred no puede divulgar por completo.

EN LA MEDIDA EN QUE LOS TÉRMINOS DE SERVICIO DE DATACRED CONTENGAN UN ACUERDO DE ARBITRAJE, LAS DETERMINACIONES DE FRAUDE QUEDAN EXPRESAMENTE EXCLUIDAS DEL ARBITRAJE. Los usuarios no pueden impugnar la determinación de fraude de DataCred a través del arbitraje. Esta exclusión es necesaria porque:

1. La detección de fraude implica métodos propietarios e inteligencia confidencial que no pueden divulgarse en el arbitraje.

2. Las determinaciones de fraude deben tomarse de manera rápida y definitiva para proteger la Plataforma y sus usuarios.

3. El arbitraje de las determinaciones de fraude crearía oportunidades para que los defraudadores descubran métodos de detección.

DataCred puede proporcionar derechos de apelación limitados para las determinaciones de fraude, a su entera discreción:

  • Solicitud de Apelación: Los usuarios pueden presentar una apelación por escrito de una determinación de fraude a [email protected], incluyendo:
  • Nombre completo e identificador de cuenta
  • Explicación de por qué la determinación es incorrecta
  • Pruebas de respaldo que demuestren que la determinación es errónea
  • Cualquier circunstancia atenuante
  • Revisión de la Apelación: DataCred revisará las presentaciones de apelación y podrá:
  • Mantener la determinación original
  • Revocar la determinación (si nuevas pruebas demuestran un error)
  • Modificar la determinación (por ejemplo, reducir de cancelación a restricción)
  • Solicitar información adicional antes de tomar una decisión
  • Limitaciones de las Apelaciones:
  • Las apelaciones se revisan a la entera discreción de DataCred
  • DataCred no está obligada a aceptar o considerar apelaciones
  • DataCred puede denegar apelaciones sin explicación
  • Una apelación por determinación (sin apelaciones repetidas)
  • Las apelaciones deben presentarse dentro de los 30 días posteriores a la determinación
  • La decisión de DataCred sobre la apelación es definitiva

DataCred reconoce que sus sistemas de detección de fraude pueden producir falsos positivos: usuarios y actividades legítimos señalizados incorrectamente como fraudulentos. Los falsos positivos son una limitación inherente de cualquier sistema de detección de fraude. DataCred trabaja continuamente para minimizar las tasas de falsos positivos, pero no puede eliminarlos por completo.

Las determinaciones de fraude por falso positivo pueden resultar en:

  • Restricciones de Cuenta: Los usuarios legítimos pueden tener sus cuentas restringidas basándose en marcas de fraude incorrectas.
  • Suspensiones de Cuenta: Los usuarios legítimos pueden tener sus cuentas suspendidas pendiente de investigación de marcas de fraude incorrectas.
  • Retrasos en Transacciones: Las transacciones legítimas pueden retrasarse o bloquearse basándose en marcas de fraude incorrectas.
  • Impacto en la Reputación: Las marcas de fraude incorrectas pueden afectar las puntuaciones de reputación o las evaluaciones de riesgo internas.
  • Incomodidad para el Usuario: Los usuarios pueden experimentar incomodidad, frustración e interrupción por las acciones de falso positivo.
  • Ansiedad del Usuario: Las marcas de fraude por falso positivo pueden causar ansiedad, preocupación o problemas de reputación al usuario.

Si DataCred determina que una marca de fraude fue un falso positivo:

1. Eliminación de la Marca: La marca de falso positivo se elimina de la cuenta del usuario.

2. Levantamiento de Restricciones: Cualquier restricción o suspensión de la cuenta se levanta.

3. Restauración de la Reputación: Cualquier impacto en la puntuación o reputación se revierte (en la medida técnicamente factible).

4. Mejora del Sistema: El falso positivo se analiza y los sistemas de detección se ajustan para evitar la recurrencia.

5. Notificación al Usuario: Se notifica al usuario de la resolución (cuando se le notificó previamente de la restricción).

6. Compensación: DataCred puede, a su entera discreción, ofrecer compensación por pérdidas demostrables resultantes de acciones de falso positivo.

NO OBSTANTE LO ANTERIOR, LOS REMEDIOS DE DATACRED POR DETERMINACIONES DE FRAUDE POR FALSO POSITIVO SE LIMITAN DE LA SIGUIENTE MANERA:

  • DataCred no es responsable por daños consecuentes resultantes de falsos positivos (ver Sección 15).
  • DataCred no garantiza que los falsos positivos serán detectados o corregidos.
  • DataCred no garantiza plazos específicos de respuesta para la resolución de falsos positivos.
  • La decisión de DataCred sobre si una marca fue un falso positivo es definitiva y a su entera discreción.
  • La compensación por falsos positivos queda a la entera discreción de DataCred y no es un derecho.

DATACRED PROPORCIONA SU MARCO DE PREVENCIÓN DE FRAUDE TAL COMO ESTÁ Y SEGÚN DISPONIBILIDAD, SIN GARANTÍA DE NINGÚN TIPO, YA SEA EXPRESA, IMPLÍCITA O LEGAL. EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, DATACRED RENUNCIA EXPRESAMENTE A TODAS LAS GARANTÍAS, INCLUYENDO, ENTRE OTRAS:

1. Garantía de Detección Integral: DATACRED NO GARANTIZA QUE SUS SISTEMAS DE DETECCIÓN DE FRAUDE DETECTARÁN TODO EL FRAUDE, TODOS LOS INTENTOS DE FRAUDE O TODOS LOS TIPOS DE FRAUDE. EL FRAUDE SOFISTICADO PUEDE EVADIR LA DETECCIÓN.

2. Garantía de Precisión: DATACRED NO GARANTIZA QUE LOS RESULTADOS DE DETECCIÓN DE FRAUDE, LAS MARCAS O LAS DETERMINACIONES SERÁN PRECISOS, COMPLETOS, CONFIABLES O LIBRES DE ERRORES. LOS FALSOS POSITIVOS Y LOS FALSOS NEGATIVOS SON INEVITABLES.

3. Garantía de Prevención: DATACRED NO GARANTIZA QUE SUS MEDIDAS DE PREVENCIÓN DE FRAUDE PREVENDRÁN TODO EL FRAUDE EN LA PLATAFORMA.

4. Garantía de Oportunidad: DATACRED NO GARANTIZA QUE EL FRAUDE SERÁ DETECTADO EN TIEMPO REAL O DENTRO DE CUALQUIER PLAZO ESPECÍFICO.

5. Garantía de No Evasión: DATACRED NO GARANTIZA QUE SUS SISTEMAS DE DETECCIÓN DE FRAUDE NO PUEDAN SER EVADIDOS, ELUDIDOS, SUPLANTADOS O MANIPULADOS POR ADVERSARIOS DETERMINADOS.

6. Garantía de Idoneidad: DATACRED NO GARANTIZA QUE SU MARCO DE PREVENCIÓN DE FRAUDE SEA ADECUADO PARA CUALQUIER PROPÓSITO PARTICULAR, INCLUYENDO CUMPLIR CON REQUISITOS REGULATORIOS, DE CUMPLIMIENTO O SEGURIDAD ESPECÍFICOS DE LOS USUARIOS.

7. Garantía de Datos de Terceros: DATACRED NO GARANTIZA LA PRECISIÓN, INTEGRIDAD O CONFIABILIDAD DE LOS DATOS DE INTELIGENCIA DE FRAUDE DE TERCEROS UTILIZADOS EN SUS SISTEMAS DE DETECCIÓN.

8. Garantía de Rendimiento del Modelo: DATACRED NO GARANTIZA QUE SUS MODELOS DE APRENDIZAJE AUTOMÁTICO CONTINUARÁN RENDIENDO A CUALQUIER NIVEL ESPECIFICADO, YA QUE EL RENDIMIENTO DEL MODELO PUEDE DEGRADARSE CON EL TIEMPO DEBIDO A DERIVA DE CONCEPTOS, ADAPTACIÓN ADVERSARIA O CAMBIOS EN LAS DISTRIBUCIONES DE DATOS SUBYACENTES.

NINGÚN CONSEJO O INFORMACIÓN, YA SEA ORAL O ESCRITA, OBTENIDO POR EL USUARIO DE DATACRED O A TRAVÉS DE LA PLATAFORMA CREARÁ GARANTÍA ALGUNA QUE NO ESTÉ EXPRESAMENTE ESTABLECIDA EN ESTA POLÍTICA.

ALGUNAS JURISDICCIONES NO PERMITEN LA EXCLUSIÓN DE CIERTAS GARANTÍAS. EN CONSECUENCIA, ES POSIBLE QUE ALGUNAS DE LAS EXCLUSIONES ANTERIORES NO SE APLIQUEN A USTED. EN DICHAS JURISDICCIONES, LA RESPONSABILIDAD DE DATACRED SE LIMITA A LA MÁXIMA MEDIDA PERMITIDA POR LA LEY.

EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, EN NINGÚN CASO DATACRED, SUS AFILIADAS, SUBSIDIARIAS, FUNCIONARIOS, DIRECTORES, EMPLEADOS, AGENTES, SOCIOS O LICENCIANTES SERÁN RESPONSABLES POR:

1. Fraude No Detectado: Cualquier daño, pérdida, costo o gasto que surja de un fraude que no fue detectado por los sistemas de prevención de fraude de DataCred.

2. Pérdidas por Fraude: Cualquier pérdida financiera, daño a la reputación u otros daños resultantes de actividad fraudulenta en la Plataforma, ya sea que dicho fraude haya sido detectado o prevenido.

3. Determinaciones Falsas de Fraude: Cualquier daño que surja de determinaciones de fraude por falso positivo, incluyendo restricciones de cuenta, suspensiones o cancelaciones aplicadas a usuarios legítimos.

4. Derivaciones a las Autoridades: Cualquier daño que surja de derivaciones a las autoridades realizadas de buena fe basadas en la investigación de fraude de DataCred.

5. Falta de Cooperación del Usuario: Cualquier daño que surja del incumplimiento de un usuario de cooperar con una investigación de fraude.

6. Acciones de Terceros: Cualquier daño que surja de acciones tomadas por terceros (incluyendo autoridades, instituciones financieras u otras plataformas) basadas en las determinaciones o derivaciones de fraude de DataCred.

7. Respuesta Retrasada: Cualquier daño que surja de retrasos en la detección, investigación o respuesta a la actividad fraudulenta.

8. Confianza en la Prevención de Fraude: Cualquier daño que surja de la confianza del usuario en las medidas de prevención de fraude de DataCred como sustituto de su propia vigilancia, prácticas de seguridad o juicio.

9. Daños Consecuentes: CUALQUIER DAÑO INDIRECTO, INCIDENTAL, ESPECIAL, CONSECUENTE O PUNITIVO, INCLUYENDO, ENTRE OTROS, PÉRDIDA DE GANANCIAS, PÉRDIDA DE DATOS, PÉRDIDA DE BUENA VOLUNTAD, COSTO DE COBERTURA O INTERRUPCIÓN DEL NEGOCIO, QUE SURJA DE O EN CONEXIÓN CON ESTA POLÍTICA O EL MARCO DE PREVENCIÓN DE FRAUDE, YA SEA BASADO EN GARANTÍA, CONTRATO, AGRAVIO (INCLUYENDO NEGLIGENCIA), RESPONSABILIDAD ESTRICTA O CUALQUIER OTRA TEORÍA LEGAL, YA SEA QUE DATACRED HAYA SIDO ADVERTIDA O NO DE LA POSIBILIDAD DE DICHOS DAÑOS.

10. Límite de Responsabilidad: EN NINGÚN CASO LA RESPONSABILIDAD TOTAL DE DATACRED QUE SURJA DE O EN CONEXIÓN CON ESTA POLÍTICA O EL MARCO DE PREVENCIÓN DE FRAUDE EXCEDERÁ LA CANTIDAD MAYOR ENTRE (A) EL MONTO PAGADO POR EL USUARIO A DATACRED EN LOS DOCE (12) MESES ANTERIORES AL EVENTO QUE DÉ LUGAR A LA RESPONSABILIDAD, O (B) CIEN DÓLARES ($100.00).

LAS LIMITACIONES ANTERIORES SE APLICARÁN NO OBSTANTE EL FRACASO DEL PROPÓSITO ESENCIAL DE CUALQUIER REMEDIO LIMITADO. ALGUNAS JURISDICCIONES NO PERMITEN LA EXCLUSIÓN O LIMITACIÓN DE CIERTOS DAÑOS. EN CONSECUENCIA, ES POSIBLE QUE ALGUNAS DE LAS EXCLUSIONES Y LIMITACIONES ANTERIORES NO SE APLIQUEN A USTED.

EL MARCO DE PREVENCIÓN DE FRAUDE NO ES EXPLÍCITAMENTE LO SIGUIENTE:

  • El marco de prevención de fraude mejora la seguridad de la Plataforma pero NO PUEDE garantizar que la Plataforma esté libre de fraude, actores fraudulentos o actividad fraudulenta.
  • Los usuarios no deben confiar únicamente en la prevención de fraude de DataCred para su protección.
  • Los usuarios siguen siendo responsables de su propia vigilancia, prácticas de seguridad y juicio.
  • La prevención de fraude de DataCred no reemplaza ni reduce la responsabilidad del usuario de:
  • Verificar la identidad y legitimidad de las partes con las que interactúa
  • Revisar los detalles de la transacción antes de la confirmación
  • Monitorear su propia actividad en la cuenta
  • Denunciar actividad sospechosa prontamente
  • Proteger sus propias credenciales y acceso a la cuenta
  • Ejercer precaución al compartir información personal o financiera
  • DataCred no es una agencia de aplicación de la ley.
  • DataCred no tiene autoridad de aplicación de la ley.
  • DataCred no realiza determinaciones de culpabilidad penal.
  • DataCred no tiene la capacidad de arrestar, detener o procesar.
  • Las determinaciones de fraude de DataCred son solo para fines de la Plataforma y no constituyen determinaciones legales de fraude.
  • DataCred es una plataforma privada e independiente de reputación financiera; no es el buró ni el registro oficial del Estado.
  • Las determinaciones de fraude no son informes crediticios.
  • Las marcas de fraude no son entradas en informes crediticios.
  • Las determinaciones de fraude no se ponen a disposición de terceros como informes crediticios.
  • Nada en esta Política constituye asesoramiento financiero.
  • DataCred no proporciona asesoramiento de inversión, financiero o legal a través de sus actividades de prevención de fraude.
  • Los usuarios deben consultar con asesores financieros y legales calificados sobre sus situaciones específicas.

EL USUARIO SE OBLIGA A INDEMNIZAR, DEFENDER Y MANTENER INDEMNE A DATACRED, SUS AFILIADAS, SUBSIDIARIAS, FUNCIONARIOS, DIRECTORES, EMPLEADOS, AGENTES, SOCIOS Y LICENCIANTES DE Y CONTRA TODAS Y CADA UNA DE LAS RECLAMACIONES, RESPONSABILIDADES, DAÑOS, PÉRDIDAS, COSTOS, GASTOS O HONORARIOS (INCLUYENDO HONORARIOS RAZONABLES DE ABOGADOS Y COSTOS LEGALES) QUE SURJAN DE O SE RELACIONEN CON:

1. Fraude del Usuario: Cualquier actividad fraudulenta cometida por el usuario, a través de la cuenta del usuario o utilizando la identidad del usuario.

2. Fraude Facilitado por el Usuario: Cualquier fraude facilitado por las acciones u omisiones del usuario, incluyendo, entre otras:

  • Compartir credenciales de cuenta con actores fraudulentos
  • Permitir a sabiendas actividad fraudelenta a través de su cuenta
  • No denunciar el acceso no autorizado a la cuenta
  • Ayudar, permitir o participar en operaciones fraudulentas

3. Declaraciones Falsas del Usuario: Cualquier declaración falsa, engañosa o fraudulenta hecha por el usuario a DataCred o a otros usuarios.

4. Fraude Documental del Usuario: Cualquier documento fraudulento presentado por el usuario, incluyendo documentos falsificados, alterados o fabricados.

5. Falta de Cooperación del Usuario: Cualquier pérdida resultante del incumplimiento del usuario de cooperar con una investigación de fraude, incluyendo, entre otras:

  • Incapacidad de recuperar fondos debido a informes tardíos
  • Costos de investigación extendida debido a la falta de cooperación
  • Pérdidas por plazos de contracargo vencidos

6. Violación de Políticas por el Usuario: Cualquier violación de esta Política o los Términos de Servicio de DataCred por parte del usuario que resulte en pérdidas por fraude.

La obligación de indemnización incluye, entre otros:

  • Pérdidas Directas: Pérdidas financieras directas sufridas por DataCred o terceros.
  • Costos de Investigación: Costos de investigar la actividad fraudulenta, incluyendo costos de personal, costos de servicios de terceros y costos de tecnología.
  • Costos Legales: Honorarios legales, costos judiciales y otros gastos legales incurridos en relación con la actividad fraudulenta.
  • Costos de Recuperación: Costos de intentar recuperar fondos, activos o valor perdidos por fraude.
  • Costos Regulatorios: Multas, penalizaciones u otros costos regulatorios que surjan de la actividad fraudulenta.
  • Daños a la Reputación: Costos de abordar el daño a la reputación causado por la actividad fraudulenta.

DataCred notificará al usuario de cualquier reclamación cubierta por esta indemnización. El usuario debe:

1. Responder prontamente a la notificación de DataCred y proporcionar la información solicitada.

2. Cooperar en la defensa o solución de la reclamación.

3. No resolver ninguna reclamación sin el consentimiento previo por escrito de DataCred.

4. Asumir los costos de la defensa y cualquier responsabilidad resultante.

DataCred se reserva el derecho de asumir la defensa y el control exclusivos de cualquier reclamación sujeta a indemnización, por cuenta del usuario.

DATACRED SE RESERVA EL DERECHO, A SU ENTERA DISCRECIÓN, DE MODIFICAR, ACTUALIZAR, CAMBIAR, REEMPLAZAR, SUSPENDER O DESCONTINUAR SUS MEDIDAS DE PREVENCIÓN DE FRAUDE, O CUALQUIER COMPONENTE DE LAS MISMAS, EN CUALQUIER MOMENTO, CON O SIN NOTIFICACIÓN A LOS USUARIOS.

Las modificaciones pueden incluir, entre otras:

  • Adición o eliminación de reglas, modelos y métodos de detección de fraude
  • Cambios en los umbrales y parámetros de detección
  • Cambios en los procedimientos de investigación
  • Cambios en las acciones de respuesta y rutas de escalación
  • Cambios en las clasificaciones de fraude
  • Cambios en los requisitos de cooperación del usuario
  • Cambios en los procedimientos de apelación
  • Cambios en todo el marco de prevención de fraude

DataCred realizará esfuerzos razonables para notificar a los usuarios sobre cambios materiales a esta Política a través de:

  • Publicación de una versión actualizada de esta Política en el sitio web de DataCred
  • Envío de notificaciones a través de la Plataforma o mediante métodos de contacto registrados (para cambios materiales)

SIN EMBARGO, DATACRED PUEDE REALIZAR CAMBIOS INMEDIATOS A LAS MEDIDAS DE PREVENCIÓN DE FRAUDE SIN NOTIFICACIÓN PREVIA CUANDO SEA NECESARIO PARA RESPONDER A AMENAZAS DE FRAUDE EMERGENTES, VULNERABILIDADES O TÉCNICAS DE ATAQUE, O CUANDO LO REQUIERAN CAMBIOS EN LA LEY APLICABLE U OBLIGACIONES REGULATORIAS.

EL USO CONTINUADO DE LA PLATAFORMA POR PARTE DEL USUARIO DESPUÉS DE CUALQUIER MODIFICACIÓN A ESTA POLÍTICA O A LAS MEDIDAS DE PREVENCIÓN DE FRAUDE CONSTITUYE LA ACEPTACIÓN DE DICHAS MODIFICACIONES. SI EL USUARIO NO ESTÁ DE ACUERDO CON UNA MODIFICACIÓN, SU ÚNICO RECURSO ES DEJAR DE USAR LA PLATAFORMA.

LOS REGISTROS DE INVESTIGACIÓN DE FRAUDE SE RETIENEN INDEFINIDAMENTE CON FINES DE SEGURIDAD. Esto incluye:

  • Registros de Determinación de Fraude: Registros de determinaciones de fraude, incluyendo pruebas, análisis y resultados.
  • Datos de Inteligencia de Fraude: Indicadores de fraude, patrones e inteligencia derivados de las investigaciones.
  • Materiales de Prueba: Documentos, comunicaciones y datos recopilados durante las investigaciones.
  • Marcas de Cuenta: Marcas de fraude internas y anotaciones en las cuentas de los usuarios.
  • Registros de Dispositivos e Identidad: Registros de dispositivos fraudulentos, identidades y entidades asociadas.

Los registros de investigación de fraude se retienen indefinidamente porque:

1. Análisis de Patrones: Las operaciones de fraude pueden abarcar años, y los datos históricos de fraude son esenciales para detectar patrones a largo plazo y reincidencia.

2. Requisitos Legales: Los registros de fraude pueden ser necesarios para procedimientos legales, cooperación con las autoridades o consultas regulatorias que pueden surgir años después de que se detectó el fraude.

3. Valor de Inteligencia: La inteligencia sobre fraude tiene un valor duradero para la mejora del sistema de detección.

4. Detección de Reincidencia: Las personas involucradas en fraude pueden regresar a la Plataforma años después, y los registros históricos permiten la detección.

No obstante la retención indefinida:

  • Minimización de Datos Personales: Cuando sea posible, los datos personales dentro de los registros de fraude se minimizan, seudonimizan o se separan de los sistemas activos.
  • Controles de Acceso: Los registros de investigación de fraude están sujetos a controles de acceso estrictos (Sección 7 de la Política de Registros de Acceso).
  • Revisión Periódica: Los registros de inteligencia de fraude se revisan periódicamente para determinar su relevancia y necesidad continuas.
  • Cumplimiento Legal: Los registros de fraude se mantienen en cumplimiento con las leyes de protección de datos aplicables, incluyendo los derechos del titular de los datos cuando corresponda.

DataCred puede utilizar datos biométricos (reconocimiento facial, reconocimiento de voz, reconocimiento de huellas dactilares) en la prevención de fraude para los siguientes fines:

  • Verificación de Identidad: Comparar selfies o muestras biométricas presentadas contra documentos de identidad para verificar la identidad.
  • Detección de Viveza: Analizar muestras biométricas en busca de signos de ataques de presentación (fotos, videos, máscaras, deepfakes).
  • Detección de Duplicados: Detectar cuando el mismo dato biométrico aparece en múltiples cuentas (lo que indica fraude de identidad o creación masiva de cuentas).
  • Cotejo con Listas de Vigilancia: Comparar datos biométricos contra listas de vigilancia de fraude.
  • Biométricos Conductuales: Analizar patrones de comportamiento (dinámica de teclado, movimientos del ratón, gestos táctiles) para la detección de fraude.

Las determinaciones de fraude basadas en datos biométricos están sujetas a salvaguardas adicionales:

  • Verificación de Precisión: Los sistemas de coincidencia biométrica se validan para precisión entre grupos demográficos, con monitoreo de sesgos e impacto dispar.
  • Revisión Humana: Las determinaciones de fraude basadas únicamente en la coincidencia biométrica pueden requerir revisión humana antes de tomar medidas.
  • Consentimiento: Cuando la ley lo requiera, se obtiene un consentimiento explícito separado para el procesamiento de datos biométricos para la prevención de fraude.
  • Minimización de Datos: Los datos biométricos se procesan durante el tiempo mínimo necesario para el propósito específico de prevención de fraude. Los datos biométricos brutos no se retienen más tiempo del necesario.
  • Separación: Los datos biométricos utilizados para la prevención de fraude se almacenan por separado de los datos generales del usuario, con controles de seguridad adicionales.
  • Transparencia: Esta Política divulga el uso de datos biométricos por parte de DataCred en la prevención de fraude.
  • Derecho a Impugnar: Los usuarios pueden impugnar las determinaciones de fraude basadas en datos biométricos a través del proceso de apelación descrito en la Sección 12.3.

La detección biométrica de fraude tiene limitaciones inherentes:

  • La coincidencia biométrica es probabilística, no determinista
  • La detección de viveza puede ser evadida por ataques de presentación sofisticados
  • Los biométricos conductuales varían naturalmente y pueden producir anomalías falsas
  • Los sistemas biométricos pueden exhibir sesgo demográfico si no se validan adecuadamente
  • La calidad de los datos biométricos afecta la precisión de la coincidencia
  • Los usuarios pueden no poder proporcionar muestras biométricas debido a discapacidad, condiciones médicas u otras razones legítimas

Esta Política se regirá e interpretará de conformidad con las leyes del Estado de Wyoming, Estados Unidos de América, sin tener en cuenta sus principios de conflicto de leyes. Cualquier disputa que surja de o se relacione con esta Política se resolverá de acuerdo con las disposiciones de resolución de disputas establecidas en los Términos de Servicio de DataCred, EXCEPTO QUE las determinaciones de fraude quedan expresamente excluidas del arbitraje según lo dispuesto en la Sección 12.2 de esta Política.

LA CONVENCIÓN DE LAS NACIONES UNIDAS SOBRE LOS CONTRATOS DE COMPRAVENTA INTERNACIONAL DE MERCADERÍAS NO SERÁ APLICABLE A ESTA POLÍTICA.

Las preguntas sobre esta Política de Prevención de Fraude deben dirigirse a:

Equipo de Fraude y Riesgo de DataCred

Correo electrónico: [email protected]

Oficial de Protección de Datos de DataCred

Correo electrónico: [email protected]

Dirección Física:

DataCred LLC

30 N Gould St, Ste N, Sheridan, WY 82801

Attn: Equipo de Fraude y Riesgo

Para denunciar fraude sospechado en la Plataforma:

Correo electrónico: [email protected]

En la Plataforma: Utilice la función de denuncia disponible en la Plataforma

Para apelar una determinación de fraude:

Correo electrónico: [email protected]

Asunto: Fraud Appeal · [Su ID de Cuenta]

Por favor incluya su nombre completo, identificador de cuenta, explicación de por qué la determinación es incorrecta y pruebas de respaldo.

Las autoridades que busquen denunciar fraude o solicitar información deben contactar a:

Correo electrónico: [email protected]

Asunto: Law Enforcement · [Nombre de la Agencia]

Las quejas o inquietudes de privacidad sobre las prácticas de prevención de fraude de DataCred pueden presentarse a:

Los usuarios en jurisdicciones aplicables pueden presentar quejas ante su autoridad local de protección de datos:

  • Estados Unidos (FTC): https://www.ftc.gov/complaint
  • Reino Unido (ICO): https://ico.org.uk/make-a-complaint
  • UE (Comité Europeo de Protección de Datos): https://edpb.europa.eu
  • Brasil (ANPD): https://www.gov.br/anpd
  • Venezuela: A la fecha, Venezuela no cuenta con una autoridad de proteccion de datos personales de competencia equivalente; las consultas pueden dirigirse a DataCred en [email protected].

FIN DE LA POLÍTICA DE PREVENCIÓN DE FRAUDE

Control del Documento:

| Versión | Fecha | Autor | Cambios |

|---------|------|--------|---------|

| 1.0 | 22 de mayo de 2026 | DataCred Legal & Risk | Política Inicial |

Copyright © 2026 DataCred LLC Todos los derechos reservados.

Política de Fraude | DataCred