Definición
El Risk Score o Puntuación de Riesgo es un valor numérico que un motor antifraude asigna a cada transacción en el momento en que se procesa. Ese número resume, en una sola cifra, la probabilidad relativa de que esa operación sea fraudulenta, abusiva o disputable. Con base en él, el sistema decide automáticamente si aprueba, marca para revisión manual o rechaza el pago.
En el ecosistema DTC (Direct-to-Consumer) y de comercio electrónico, donde el 100 % de las ventas ocurre sin contacto físico con la tarjeta, el Risk Score es el árbitro silencioso que opera entre el checkout y la pasarela de pago. No es una verdad absoluta: es una estimación calibrada que combina señales del dispositivo, del comportamiento, del historial del cliente y de la coherencia de los datos de envío y facturación.
Analogía
Piensa en el Risk Score como el semáforo inteligente de un aeropuerto. No todos los pasajeros pasan por el mismo control:
- Verde (score bajo): pasas directo al avión. La transacción se aprueba sin fricción.
- Ámbar (score medio): te desvían a una revisión adicional. En e-commerce, esto equivale a un 3DS challenge, una verificación por SMS o una revisión manual del pedido.
- Rojo (score alto): no embarcas. La transacción se rechaza o se cancela antes del fulfillment.
El semáforo no decide si eres culpable; decide cuánta fricción aplicar según el nivel de sospecha. Un buen motor antifraude busca que la mayoría de clientes legítimos vean verde, mientras que los patrones anómalos caigan en ámbar o rojo.
Fórmula
La mayoría de los proveedores (Stripe Radar, Adyen RevenueProtect, Shopify Fraud Filter, Riskified, Signifyd) no publican su fórmula exacta, pero el modelo subyacente suele expresarse así:
Risk Score = f(w₁·x₁ + w₂·x₂ + w₃·x₃ + ... + wₙ·xₙ)
Donde:
- x₁, x₂, …, xₙ son las variables de entrada (velocity de tarjeta, país IP vs. país de envío, antigüedad del email, CVV match, AVS match, historial del dispositivo, etc.).
- w₁, w₂, …, wₙ son los pesos aprendidos por el modelo (regresión logística, gradient boosting o red neuronal).
- f es una función de normalización que mapea el resultado a una escala interpretable.
Las escalas más comunes en el mercado:
| Proveedor | Escala | Umbral típico de rechazo |
|---|---|---|
| Stripe Radar | 0 – 100 | > 75 (bloqueo automático) |
| Adyen | 0 – 100 | > 80 según regla custom |
| Shopify | 0 – 100 | > 70 revisión manual |
| Kount | 1 – 99 | > 85 rechazo |
| Riskified | 0 – 100 | Modelo binario + score |
Ejemplo numérico: si un pedido obtiene Risk Score = 82 en Stripe Radar y tu regla está configurada para bloquear por encima de 75, la transacción se rechaza automáticamente. Si el score es 48, se aprueba. Si es 68, entra en cola de revisión manual.
Comparativa: Risk Score vs. otras señales
| Señal | Qué mide | Cuándo se usa | Limitación |
|---|---|---|---|
| **Risk Score** | Probabilidad agregada de fraude | Decisión automática en checkout | Caja negra; requiere calibración |
| **CVV Match** | Coincidencia del código de seguridad | Verificación puntual | No cubre fraude con datos completos robados |
| **AVS** | Coincidencia dirección facturación | Verificación puntual | Falla con clientes internacionales |
| **3DS** | Autenticación del titular | Fricción adicional | Aumenta abandono de carrito |
| **Velocity Check** | Frecuencia de intentos por tarjeta/IP | Detección de ataques | Genera falsos positivos en Black Friday |
El Risk Score es la capa de síntesis: integra todas las señales anteriores en una sola decisión accionable. Por eso los equipos de Risk en DTC lo tratan como KPI central, no como un dato más.
Aplicación en DTC / E-commerce
1. Checkout sin fricción
En tiendas Shopify Plus o headless (Next.js + Stripe), el Risk Score se evalúa en menos de 300 ms. Si el score es bajo, el cliente ni percibe que hubo un análisis. Esto es crítico: cada segundo extra en checkout reduce la conversión entre un 7 % y un 12 % según Baymard Institute.
2. Prevención de chargebacks
Un chargeback cuesta en promedio USD 85 – 120 entre comisión, producto perdido y tiempo operativo. Un motor con Risk Score bien calibrado puede reducir la tasa de disputas del 1,2 % al 0,4 % en 90 días.
3. Ataques de carding
Durante un ataque de carding, un mismo dispositivo prueba 200 tarjetas en 10 minutos. El Risk Score de esos intentos sube a 90+ casi de inmediato, permitiendo bloquear la IP y proteger la tasa de aprobación del resto del tráfico legítimo.
4. Órdenes B2B o mayoristas
Un pedido de USD 8.000 en una tienda de suplementos puede tener score alto por monto, pero bajo si el cliente tiene 3 años de historial y email corporativo. Aquí el score se combina con reglas manuales.
5. Mercados LATAM y cross-border
En México, Colombia o Argentina, el AVS suele no estar disponible. El Risk Score se apoya más en device fingerprint, comportamiento de navegación y datos de courier. Ajustar los pesos por mercado es obligatorio: un score de 60 en EE. UU. puede equivaler a 40 en Brasil.
Errores comunes
1. Confundir Risk Score con veredicto final. El score es insumo, no sentencia. Un score 76 no siempre debe rechazarse si el cliente es VIP.
2. No recalibrar tras campañas. Un BFCM con 10× tráfico eleva scores legítimos. Sin recalibración, rechazas ventas buenas.
3. Ignorar el costo asimétrico. Un falso positivo (rechazar cliente bueno) cuesta margen; un falso negativo (aprobar fraude) cuesta producto + chargeback. Los umbrales deben reflejar tu margen real.
4. Usar el mismo umbral para todos los países. La distribución de scores cambia por geografía y método de pago.
5. No monitorear drift. Los patrones de fraude evolucionan cada 4–6 semanas. Un modelo sin reentrenamiento pierde precisión rápido.
6. Automatizar rechazos sin cola de revisión. Siempre deja un porcentaje (5–10 %) para revisión humana y aprendizaje.
Términos relacionados
- Fraud Engine / Motor antifraude: sistema que calcula el Risk Score.
- 3D Secure (3DS): autenticación adicional que puede dispararse según el score.
- Chargeback: disputa del titular que el score busca prevenir.
- Velocity Check: regla de frecuencia que alimenta el score.
- Device Fingerprint: identificador del dispositivo usado como variable del modelo.
- AVS / CVV Match: señales binarias que entran al cálculo.
- False Positive Rate: porcentaje de clientes legítimos rechazados.
- Approval Rate: KPI inverso al rechazo; objetivo típico en DTC: 92–97 %.
- Manual Review Queue: cola donde caen los scores intermedios.
- Machine Learning Model: base técnica del scoring moderno.