Mejora la calidad de las aplicaciones
Con Elastic Observability, petaFuel ha podido optimizar el ciclo de vida de software y asegurar la calidad de las aplicaciones cuando entran en producción.
Disminuye los errores de las aplicaciones en hasta un 15 % en aplicaciones enfocadas en datos
Con el despliegue de Elastic Observability, petaFuel puede monitorear de cerca y ajustar el rendimiento de las aplicaciones reduciendo los errores en hasta un 15 % en aplicaciones enfocadas en datos, lo que disminuye el tiempo promedio de respuesta de autorización.
Disminuye el fraude de tarjetas de crédito en dos puntos base
El machine learning en Elastic Observability ayuda a petaFuel a reducir las transacciones fraudulentas con tarjeta de crédito y los pagos no autorizados en dos puntos base.
El innovador proveedor de pagos y procesador de tarjetas de crédito petaFuel despliega Elastic Observability para obtener información sobre el comportamiento de los clientes, el rendimiento de las aplicaciones y la prevención de fraude
petaFuel es un proveedor de pagos y procesador de tarjetas de crédito certificado que proporciona apps y software de pago innovadores basados en tecnología avanzada y estándares de seguridad. Esto incluye su app VIMpay para pagos móviles y Styx XS2A, una interfaz para que terceros usen servicios de información de cuentas y servicios de iniciación de pago ofrecidos por bancos.
La responsabilidad del software, los servicios y la seguridad recae en Ludwig Adam, director de tecnología, petaFuel. "Debemos asegurarnos de que los servicios que brindamos a los bancos sean compatibles con las regulaciones y los riesgos del mercado, además de que satisfagan la demanda de transacciones de comercio electrónico, móviles y multicanal".
Es una agenda de gran alcance, sin lugar para errores cuando se trata de la calidad e integridad de la infraestructura y las aplicaciones de IT de petaFuel. "Para monitorear y optimizar el rendimiento de nuestros sistemas, desplegamos Elastic Observability en dos áreas de negocios", explica Adam. En primer lugar, la detección de eventos, que se usa para optimizar el ciclo de vida del software a través del análisis de logs y la detección de errores. "Con Elastic, podemos identificar errores y otros problemas de software como parte del proceso de desarrollo y asegurar la calidad de las aplicaciones cuando entren en producción", afirma.
La segunda área en la que Elastic juega un rol fundamental es la gestión de incidentes. Aquí, las notificaciones de eventos entregadas casi en tiempo real permiten a petaFuel identificar un comportamiento inusual o sospechoso. Pero simplemente notar un evento no es suficiente. Elastic brinda soporte para la clasificación rápida a fin de erradicar falsas alarmas y priorizar amenazas genuinas. "Aquí es donde Elastic se destaca", comenta Adam. "A medida que consolidamos los datos, podemos realizar referencias cruzadas entre incidentes, acelerar el análisis de la causa raíz y minimizar el impacto financiero de cualquier accidente".
"Con Elastic, podemos identificar errores y otros problemas de software como parte del proceso de desarrollo y asegurar la calidad de las aplicaciones cuando entren en producción".
Como adoptante temprano de Elastic, petaFuel está bien posicionado para comparar la plataforma con otras soluciones de observabilidad. "Para el envío de logs, creamos una aplicación personalizada, pero no era lo suficientemente escalable para cumplir con nuestros objetivos de expansión", explica Adam. También consideró otra plataforma de observabilidad, pero pronto fue evidente que no era lo suficientemente fácil de usar para los desarrolladores de petaFuel. "Elastic realmente se deshizo de la competencia, y nuestro equipo lo adoptó rápido, en especial cuando agregamos Kibana para monitorear y visualizar logs", agrega Adam.
En la actualidad, la detección de eventos y la gestión de incidentes en Elastic ofrece soporte para tres actividades tecnológicas y empresariales esenciales: el comportamiento de los clientes, la gestión de rendimiento de aplicaciones y la prevención de fraude.
Ludwig Adam (izquierda), director de tecnología de petaFuel, afirma que las capacidades de machine learning de Elastic han resultado muy beneficiosas para la identificación y la prevención del fraude.
Información del comportamiento de los clientes
"Inicialmente usamos Elastic para el envío y análisis de logs", explica Adam. "Pero lo adaptamos a otras áreas estructurando nuestros datos con los campos adecuados y una taxonomía clara. Esto nos brinda más información sobre el comportamiento y los plazos de los clientes y los comerciantes. Por ejemplo, cuánta gente compra en Amazon en qué momento o qué puede estar comprando la gente en estaciones de servicio tarde por la noche. Esto proporciona la información necesaria que permite ajustar los umbrales de monitoreo para apuntar al comportamiento fraudulento en ciertos canales, y no hay un único enfoque que sirva para todos", comenta.
Para la gestión de rendimiento, petaFuel usa Elastic para hacer un seguimiento de sus aplicaciones. Se incluye la información del tiempo de ejecución, el impacto de las cargas de trabajo y la forma en que los errores afectan el rendimiento general del sistema. "Fue un momento verdaderamente sorprendente", aseguró Adam. "Simplemente activamos la funcionalidad en Elastic y la información estaba allí, y nos permitía ajustar las aplicaciones y optimizar el rendimiento".
"Elastic en verdad se deshizo de la competencia, y nuestro equipo lo adoptó con rapidez".
Elastic también tiene un valioso rol en el monitoreo de las bases de datos de petaFuel. Aquí, el desafío es mantener el rendimiento para los clientes en los que la cantidad de transacciones puede variar en gran medida. "Eso es algo difícil de predecir en el entorno de prueba", explica Adam. "Pero con Elastic, podemos identificar problemas en las bases de datos de producción y tomar las medidas necesarias para corregir cualquier problema para ese cliente". Esto permite a petaFuel cumplir con sus SLA, en especial con el tiempo necesario para autorizar transacciones con tarjeta.
Uso de machine learning para evitar el fraude
petaFuel también está usando machine learning en Elastic para prevenir el fraude analizando transacciones y detectando un comportamiento inusual. Adam destaca cómo Elastic ayuda a prevenir el "fraude neto", en el que los bancos no pueden cobrar transacciones fraudulentas. "Eso es potencialmente dañino desde la perspectiva del banco, pero con Elastic podemos bloquear el comportamiento criminal a medida que ocurre y luego configurar nuevas reglas para evitar incidentes similares en el futuro", explica Adam. "Con Elastic, el procesamiento en tiempo real de los datos usando un esquema común es sumamente beneficioso cuando se trata de identificar y prevenir el fraude".
Las capacidades de machine learning de Elastic ayudan a petaFuel a encontrar anomalías y valores atípicos, analizar datos de lenguaje natural e identificar áreas de interés con el objetivo de ayudar a prevenir el fraude.
También hace énfasis en la amenaza que representan los bots y scripts que automatizan ataques en sitios de comerciantes basados en datos de tarjetas robadas. Por lo general, estas herramientas intentan procesar pequeñas transacciones e identificar tarjetas válidas para compras de gran escala. "Incluso a un empleado con experiencia puede tomarle media hora reaccionar, pero para entonces el daño está hecho. Pero con machine learning en Elastic, podemos identificar patrones de transacciones sospechosas y reaccionar casi de inmediato para bloquear una amenaza", dice Adam.
Con la mirada puesta en el futuro, Adam espera con ansias aprovechar la arquitectura abierta de Elastic. "Con las API de Elastic, podemos capturar y gestionar los datos de telemetría de nuestras interfaces y conectores. También nos gusta la forma en que puedes agregar nuevas características cuando las necesites. Nos da una gran flexibilidad de aquí en más".
Luego, está la comunidad de Elastic y el equipo de soporte de Elastic en segundo plano que se aseguran de que petaFuel aproveche al máximo las herramientas existentes y nuevas iteraciones del software. "Somos una empresa pequeña, pero siempre sentimos que Elastic escucha nuestras inquietudes y las aborda. Incluso más que eso, Elastic comprende nuestro recorrido de crecimiento y nos está ayudando a aumentar la escala para enfrentar cualquier desafío".
"Al trabajar con Elastic, tenemos la sensación de que avanzamos hacia un mismo objetivo. Comparten nuestra visión, en especial nuestro foco en el rendimiento y la escalabilidad del software. Nos da muchísima confianza en el futuro de la empresa y los servicios que brindamos a los clientes".
Lecturas adicionales
- Obtén más información sobre las capacidades de machine learning de Elastic y aprovecha una prueba gratuita
- Explora cómo las organizaciones de servicios financieros pueden aprovechar la AI generativa y cómo empezar
- Historia de éxito: Wells Fargo accelerates digital innovation to put customers first with Elastic Observability (Wells Fargo acelera la innovación digital para priorizar a los clientes mediante Elastic Observability)
