Ícono del sitio La Neta Neta

Exingenieros de software de Uber recaudan 3 millones de dólares para Sperta, una startup de 6 meses que quiere ayudar a las fintechs a gestionar mejor el riesgo de fraude

Exingenieros de software de Uber recaudan 3 millones de dólares para Sperta, una startup de 6 meses que quiere ayudar a las fintechs a gestionar mejor el riesgo de fraude

Trabajando juntos en el equipo de riesgo de Uber, Yifu Diao y Ming Fang se dieron cuenta de que con el hipercrecimiento que estaba experimentando la empresa surgieron desafíos relacionados con el fraude. El primer proyecto de Diao en la empresa después de comenzar en 2014 fue construir un motor de reglas llamado Cerebro para luchar contra el fraude. Ese motor, dice, permitió a los analistas de riesgos crear e implementar reglas sin la ayuda de ingenieros.

“Si bien se creó originalmente para el fraude, también se usó para otros casos, como la seguridad y la atención al cliente”, dijo Diao. “Estaba tomando 10,000 decisiones por segundo cuando me fui”.

Cuando Fang se unió al equipo de riesgo de Uber en 2016, era necesario usar Mastermind en el momento del despacho, cuando se emparejan los conductores y los pasajeros. Sin embargo, el despacho era uno de los sistemas más críticos de Uber y tenía una escala mucho mayor que los casos de uso anteriores y tenía un requisito de latencia muy estricto.

Ming [Fang] hizo enormes optimizaciones para Mastermind, lo que permitió este nuevo caso de uso y redujo significativamente el fraude”, recuerda Diao. Mastermind ahora es utilizado por cientos de analistas y operaciones, y toma decisiones en tiempo real a través de cientos de puntos de contacto del usuario.

Diao pasó su último año en Uber trabajando en un producto de préstamos, que también utilizó Mastermind para la suscripción. Luego se unió a una startup de tarjetas de crédito y se dio cuenta de que el producto también necesitaba un motor de reglas para administrar los riesgos de fraude, crédito y cumplimiento.

“Además, la explicabilidad es importante para las empresas fintech para que puedan mostrar a los reguladores cómo se toman las decisiones”, dijo Diao. “Se hizo evidente para mí que había una necesidad de un motor de reglas como servicio”.

Inmediatamente pensó en Fang, quien en ese momento trabajaba en Google al frente de su tienda de características de inteligencia artificial en la nube. La pareja había estado discutiendo algunas ideas de inicio en los últimos años y decidieron formar un equipo para formar Experto este mes de junio (Sperta significa “experto” en italiano) y crear su propio motor de reglas como servicio. Su misión es ayudar a las empresas de tecnología y servicios financieros a automatizar decisiones y gestionar los riesgos de fraude, crédito y cumplimiento.

Muchas de las ofertas actuales del motor de reglas promocionan una interfaz de usuario sin código para crear reglas con unos pocos clics del mouse, el dúo cree que no funcionará bien “cuando la lógica se vuelva más compleja”, dijo Diao.

El principal diferenciador de Sperta de otros en el espacio (otros jugadores que han recaudado fondos recientemente incluyen a Alloy y Unit21), según Diao, es su lenguaje de expresión.

“Nuestros usuarios objetivo son analistas y científicos de datos, que ya conocen SQL”, dijo Diao. “Así que decidimos construir un lenguaje de expresión con una sintaxis similar a SQL. Tuvimos un gran éxito con este enfoque en Mastermind. Hizo posible que los analistas se incorporaran en solo una semana”.

Las reglas no funcionarán bien si no se prueban, explica Diao. Y un alto número de falsos positivos puede tener un impacto realmente negativo en el crecimiento. Los falsos positivos pueden suponer una pérdida de clientes para entidades financieras y empresas.

“Somos muy conscientes de esto”, dijo Diao. “Es por eso que estamos habilitando pruebas unitarias de reglas para verificaciones de cordura, pruebas retrospectivas para medir el rendimiento de las reglas y el porcentaje de implementación para aplicar cambios en las reglas de manera segura”.

Para resolver las necesidades de “extremo a extremo” de sus clientes, Sperta está construyendo una plataforma de decisiones de riesgo con el motor de reglas en su núcleo. Sperta también se integra con proveedores de datos y también permite a los analistas transformar características obtenidas de esos proveedores.

Apenas dos meses después de su formación, Sperta recaudó 3 millones de dólares en fondos iniciales en una ronda codirigida por Kindred Ventures y Uncork Capital que incluyó la participación de algunos inversores ángeles. Es sólo ahora hablando públicamente.

“Los clientes también pueden traer sus propios modelos, y Sperta proporciona una interfaz limpia para la integración”, dijo Diao. “Si las decisiones no se pueden tomar automáticamente, los casos se pueden enviar a la herramienta de gestión de casos de Sperta. Mientras que los modelos nos dan predicciones probabilísticas, las reglas nos dan decisiones explicables y acciones deterministas. Estamos realmente emocionados de ayudar a Internet a tomar mejores decisiones más rápido”.

Sperta, dijo Fang, facilita a los clientes la integración de modelos con su interfaz de usuario.

“Podemos estructurar los datos que quieren usar para detectar riesgos y tomar decisiones”, dijo a TechCrunch. “Podemos estructurar la forma en que usan los datos para asegurarnos de que su toma de decisiones sea segura y más limpia”.

Especialmente para fintechs, un motor de reglas es muy importante en la etapa de incorporación. El fraude es lo más importante para todas las instituciones financieras, fintech o tradicionales. Y con más transacciones realizadas en línea que nunca, la posibilidad de fraude también es más alta que nunca.

Entonces, naturalmente, las fintech y las instituciones financieras en general son clientes objetivo.

Los competidores, dijo Diao, cobran en promedio alrededor de $1 por decisión. Si bien no fue específico, Diao dijo que Sperta cobrará menos que eso.

La compañía planea utilizar su nuevo capital principalmente para la contratación. Todavía está desarrollando su producto, pero espera tener un MVP para fin de año.

Para Kanyi Maqubela de Kindred Ventures, Kindred Ventures cree que el trabajo de Diao y Fang en Uber fue “innovador” en el área de la prevención del fraude.

“Se necesita urgentemente una versión potente y generalizada de un motor de decisiones en el mercado actual, donde las empresas de software toman millones de decisiones de suscripción todos los días”, escribió por correo electrónico. “Las empresas de software necesitan una solución que sea lo suficientemente sensible para permitir tanto la personalización como para mantener el cumplimiento… La arquitectura exitosa es lo suficientemente flexible para ser modular, pero lo suficientemente segura para mantener el cumplimiento y la facilidad en todos los casos de uso. Sperta ya lo ha logrado, a los pocos meses de estar en el mercado”.

Andy McLoughlin, socio gerente de Uncork Capital, está de acuerdo en que las ideas de los fundadores de haber creado un motor de reglas en Uber les dan “una ventaja inmediata”.

“En nuestra diligencia, escuchamos repetidas insatisfacciones con las soluciones existentes que no pueden ofrecer algunas de las funciones más avanzadas que Sperta ofrece en v1.0”, escribió por correo electrónico. “Los competidores han hecho un buen trabajo preparando el mercado, pero vemos una gran oportunidad para ofrecer la solución correcta”.


Source link
Salir de la versión móvil