Qué debe revisar un eCommerce cuando rechaza una compra

Las ventas aprobadas dejan un registro claro: ingreso, método de pago, cliente, producto y margen. El fraude confirmado también produce información mediante contracargos, reclamaciones y pérdidas. Una compra legítima rechazada suele dejar una huella mucho más tenue. El cliente recibe un mensaje de error, abandona el proceso o intenta pagar en otro comercio, mientras la operación desaparece del flujo de ingresos.

Este tipo de decisión se conoce como falso positivo: una transacción legítima que fue identificada como riesgosa. El problema puede originarse en distintos puntos de la cadena de pago, desde el banco emisor y el adquirente hasta el procesador, la plataforma antifraude o las reglas internas del comercio. Agrupar todos los rechazos en una sola cifra impide saber qué ocurrió y dónde conviene intervenir.

Reducir falsos positivos requiere observar el rechazo como una decisión de negocio. Su análisis debe incorporar seguridad, conversión, experiencia de compra y comportamiento del cliente. Estas son cinco áreas que un eCommerce puede revisar para detectar oportunidades de mejora.

1. Identificar dónde se originó el rechazo

La tasa general de rechazo ofrece una primera señal, aunque resulta insuficiente para tomar decisiones. El comercio necesita distinguir si la operación fue detenida por el emisor, una regla antifraude, un error de procesamiento, una falla de autenticación o una configuración interna.

Esta separación evita modificar controles que no causaron el problema. También permite reconocer patrones: determinados métodos de pago pueden registrar más rechazos; un banco puede responder de manera distinta ante cierto tipo de operación, o una regla interna puede castigar compras legítimas con características similares.

El análisis debe registrar el punto de rechazo, el código de respuesta, la regla activada, el método de pago y el momento del proceso en que ocurrió. Con esta información, los equipos pueden intervenir en el componente adecuado y evaluar si la solución depende de tecnología, configuración, comunicación con el cliente o coordinación con otro participante del ecosistema.

2. Analizar la aprobación por tipo de cliente y operación

Una tasa promedio puede esconder diferencias importantes. Los clientes nuevos y los recurrentes tienen historiales distintos; las compras de bajo valor se comportan de manera diferente a las de ticket alto, y una operación realizada desde un dispositivo nuevo necesita más contexto que otra completada desde un equipo conocido.

Conviene segmentar las tasas de aprobación y rechazo por antigüedad del cliente, valor de compra, método de pago, dispositivo, ubicación, horario y categoría del producto. Estos elementos deben analizarse en conjunto. Una dirección de envío distinta puede relacionarse con un intento de fraude, aunque también aparece cuando alguien manda un regalo o recibe una compra en su oficina. Un monto inusual puede levantar una alerta, pero durante una temporada promocional puede convertirse en un comportamiento común.

La segmentación ayuda a detectar grupos legítimos afectados con mayor frecuencia. Si los clientes recurrentes con buen historial reciben el mismo tratamiento que quienes compran por primera vez, el sistema puede estar desaprovechando información útil para decidir.

3. Medir la utilidad de la revisión manual

La revisión manual funciona como una instancia intermedia para operaciones que requieren más información. Su desempeño debe evaluarse con indicadores claros: porcentaje de compras enviadas a revisión, tiempo promedio de respuesta, proporción finalmente aprobada y valor de las ventas recuperadas.

Una tasa elevada de aprobación después de la revisión puede indicar que el modelo automático está enviando demasiadas operaciones legítimas a la cola. Una tasa muy baja puede señalar que los analistas dedican tiempo a casos con pocas posibilidades de recuperación. Los tiempos también importan: una decisión correcta que llega cuando el cliente ya abandonó el sitio pierde buena parte de su valor.

La revisión manual debe concentrarse en operaciones donde la intervención pueda cambiar el resultado. El valor de la compra, el historial del cliente y la disponibilidad de señales adicionales sirven para ordenar las prioridades y reducir esperas innecesarias.

4. Crear una ruta de recuperación

Una operación con riesgo intermedio admite alternativas antes del rechazo definitivo. El comercio puede solicitar una autenticación adicional, ofrecer otro método de pago, validar información específica o enviar la transacción a una revisión prioritaria.

Estas opciones funcionan mejor cuando permanecen dentro del mismo flujo. Obligar al comprador a comenzar de nuevo aumenta la posibilidad de abandono. El carrito, los productos seleccionados y los datos ya capturados deben conservarse durante la validación o el cambio de método de pago.

El mensaje presentado al cliente también influye. Una respuesta genérica como “operación rechazada” aporta poca orientación. Una indicación clara puede explicar el siguiente paso sin revelar información sensible sobre los controles de seguridad.

Para evaluar esta ruta conviene medir cuántas operaciones rechazadas se recuperan, qué alternativa utiliza el cliente, cuánto tarda en completar la compra y en qué punto abandona el proceso. Estos indicadores convierten la recuperación en una capacidad operativa que puede mejorarse.

5. Observar qué sucede después

El análisis del rechazo debe continuar después del intento de pago. El comercio puede revisar si el cliente utilizó otra tarjeta, cambió de método, contactó al servicio de atención, regresó posteriormente o dejó de comprar.

Estas señales no permiten confirmar por sí mismas que una decisión fue incorrecta, pero ayudan a reconocer tendencias. Cuando varios clientes con historial positivo abandonan después de activar la misma regla, existe una razón suficiente para revisar su configuración. Las quejas relacionadas con pagos también pueden anticipar un problema antes de que aparezca con claridad en los reportes comerciales.

El seguimiento debe realizarse de forma agregada y respetando las políticas de privacidad. Su propósito es entender el funcionamiento del sistema y evitar que las decisiones erróneas se repitan.

Adaptar las referencias a cada temporada

Buen Fin, HOT SALE®, Navidad y otras temporadas modifican el comportamiento habitual de compra. Aumentan los montos, las operaciones consecutivas, los dispositivos nuevos y las direcciones de entrega diferentes. Una regla calibrada con información de semanas ordinarias puede reaccionar de forma excesiva ante estos cambios.

Los comercios pueden construir referencias específicas con datos de ediciones anteriores, comparar los resultados en tiempo real y ajustar los controles cuando los indicadores se aparten de los rangos esperados. Esta preparación debe contemplar el comportamiento legítimo y las tácticas que los defraudadores utilizan para ocultarse dentro del incremento de volumen.

Un tablero compartido para tomar mejores decisiones

El área de fraude suele observar contracargos y pérdidas evitadas; eCommerce sigue la conversión; marketing mide adquisición, y servicio al cliente recibe las quejas. La lectura fragmentada puede producir buenos resultados departamentales y una mala experiencia general.

Un tablero compartido debería integrar tasas de fraude, aprobación y rechazo; operaciones enviadas a revisión; compras recuperadas; tiempos de decisión; quejas relacionadas con pagos y comportamiento posterior del cliente. La combinación permite identificar el costo comercial de una política demasiado conservadora y el riesgo de una configuración excesivamente permisiva.

La precisión constituye el principal indicador de madurez de una estrategia antifraude. Cada operación rechazada debe aportar información, incluso cuando no genera una venta. Entender por qué fue detenida, a quién afectó y qué ocurrió después ayuda a proteger el negocio y facilita que los compradores legítimos completen su compra.

Por: Alejandro Morón director de Prevención de Fraude de Koin

ACERCA DE KOIN

Fundada en 2013, Koin forma parte del Grupo Despegar y hoy integra el ecosistema global de Prosus, uno de los mayores grupos de tecnología e inversión en fintech del mundo, con presencia en comercio digital, pagos y plataformas a escala global.

Desde América Latina, Koin evolucionó de ser un motor antifraude tradicional a convertirse en un orquestador inteligente de decisiones para el comercio digital. Bajo un enfoque AI-First, su tecnología gobierna en tiempo real el flujo completo de decisiones de riesgo, combinando machine learning, identidad digital persistente, señales de comportamiento y detección de anomalías para anticipar ataques antes de que escalen.

Respaldada por la escala y el ecosistema global de Prosus, Koin combina inteligencia local profunda con capacidades tecnológicas de clase mundial, ayudando a comercios y fintechs a crecer con menor fricción, menor fraude y mayor aprobación en un entorno donde las amenazas evolucionan más rápido que las reglas.

En un mercado donde el fraude ya puede ser sintético, Koin apuesta por inteligencia que aprende continuamente de resultados reales y redefine cómo se protege el e-commerce en América Latina.

Para más información visite: www.koinlatam.com