DataVisor
DataVisor · Otro
DataVisor es una plataforma de fraude y AML para bancos, fintechs y medios de pago. Puntúa operaciones en tiempo real con aprendizaje automático no supervisado y análisis de vínculos entre entidades.
Acerca de DataVisor
About
Qué es DataVisor
DataVisor es una plataforma antifraude centrada en detección de fraude y blanqueo de capitales, pensada para bancos, procesadores de pago y grandes empresas digitales. Su motor se apoya en aprendizaje automático no supervisado: los modelos buscan grupos de comportamiento raro entre cuentas y operaciones, sin esperar a que alguien etiquete fraudes del pasado. Así aparecen las redes nuevas antes de que exista un solo caso confirmado.
La empresa nació en 2013 en Mountain View, California, y desde entonces no se ha movido del delito financiero. Lo que se contrata es una capa de decisión. Las señales de tus sistemas se cruzan con los datos de consorcio de la plataforma, se puntúan en menos de 100 milisegundos y vuelven como bloqueo, aprobación o alerta para un analista.
Hay dos límites que conviene tener claros. El precio no se publica y la compra implica un proyecto de integración guiado por el equipo comercial, de semanas, no de horas. Además, la prevención de blanqueo de capitales que ofrece da por hecho que ya tienes un equipo de fraude con reglas y colas que migrar. Un desarrollador solo no se registra y empieza a puntuar la misma tarde.
Cómo empezar
- Pide una demo y acota el caso de uso. El equipo define qué flujos quieres cubrir: alta de clientes, tarjetas, transferencias ACH y wire, o toma de control de cuentas.
- Conecta tus datos. Envías eventos de transacción, dispositivo y cuenta por las APIs y los SDK, o los transmites desde tu canal actual.
- Arma las estrategias. Los analistas combinan puntuaciones del modelo, reglas, listas y umbrales en la plataforma, con un entorno de pruebas para cada cambio.
- Corre en paralelo. Lo habitual es puntuar tráfico real en modo sombra durante unas semanas y comparar las alertas con el sistema actual antes de cambiar.
- Sal a producción y ajusta. Con las decisiones conectadas al checkout o al alta de clientes, los agentes de ajuste y Vera, el asistente conversacional, ayudan a mover umbrales y revisar casos.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de DataVisor.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Equipos de fraude y riesgo en bancos
- Procesadores de pago y fintechs
- Analistas de AML y cumplimiento
Tareas
- Detectar fraudes que nadie ha etiquetado
- Reducir la cola de revisión manual
- Investigar cuentas conectadas
- Preparar alertas e informes de AML
Casos de uso
- Estrenar un medio de pago nuevo
- Un pico de altas imposible de revisar a mano
- Sustituir un stack de reglas heredado
Funciones clave
Detección con aprendizaje automático no supervisado
El motor agrupa cuentas y eventos por comportamiento compartido y marca los conjuntos que no se parecen a nada visto antes. No hace falta historial etiquetado para arrancar, y esa es la diferencia entre cazar una red en la primera semana o esperar a que lleguen los contracargos. Los modelos supervisados y las reglas siguen corriendo al lado para lo que ya conoces bien.
Análisis de vínculos entre entidades
El análisis de vínculos conecta cuentas, dispositivos, teléfonos, direcciones e instrumentos de pago en un grafo, de modo que el analista ve la red y no la cuenta suelta que tiene delante. Atributos que por separado parecen inocuos se vuelven prueba en contexto. Es lo que convierte una cola de alertas en un puñado de investigaciones.
Decisión en tiempo real y automatización
La puntuación corre por debajo de 100 milisegundos, con volúmenes que la empresa sitúa por encima de 15.000 consultas por segundo. La decisión puede bloquear, aprobar, pedir una verificación extra o mandar a revisión, y el flujo se arma de forma visual. La automatización saca de la cola los casos obvios, y eso es lo que cambia las cuentas de personal en un equipo de riesgo.
Agentes de IA para estrategia e investigación
DataVisor incluye agentes que redactan estrategias, ajustan umbrales, investigan alertas y montan informes. Vera, su agente conversacional, acepta peticiones en lenguaje natural como «muéstrame las cuentas vinculadas a este dispositivo» y devuelve el resultado. Conviene tratarlos como aceleradores para analistas con experiencia, no como sustituto del criterio en los casos raros.
Vera Code y herramientas para desarrollo
Vera Code es el kit para construir flujos de fraude y AML sin partir de las pantallas por defecto de la plataforma. Los equipos usan las APIs para incrustar la puntuación en sus propios servicios, conectar fuentes de datos propias y tener un flujo funcionando en días. Importa cuando el modelo de riesgo tiene que vivir dentro del ciclo de release de un equipo de producto.
Investigación, gestión de casos e informes
Las alertas aterrizan en un espacio de trabajo con las entidades vinculadas, las señales detrás de la puntuación y el historial de decisiones. El analista añade notas, escala o cierra con un motivo, y los agentes de informes preparan lo que piden los reguladores y la auditoría interna. Tener la evidencia junto a la decisión ahorra la reconstrucción que suele comerse el tiempo de revisión.
Ventajas y desventajas
Ventajas
- La detección no supervisada encuentra redes sin esperar casos etiquetados, justo el hueco que dejan los motores de reglas.
- El análisis de vínculos pone las cuentas conectadas en una pantalla, así que una investigación cubre lo que antes eran varias alertas.
- La puntuación por debajo de 100 ms con volumen alto evita que la decisión frene el checkout o el alta de clientes.
- Los agentes de IA y Vera recortan el trabajo manual en ajuste de estrategias y triaje de alertas.
- Las APIs y Vera Code permiten que ingeniería integre la puntuación en sus servicios en vez de añadir otra herramienta suelta.
Desventajas
- Sin precio público. Hace falta hablar con ventas y recibir una cotización antes de saber si encaja en tu presupuesto.
- La implantación es un proyecto, no un registro. La integración de datos y la migración de reglas suelen llevar semanas y consumen tiempo de ingeniería.
- La plataforma está pensada para operaciones de fraude grandes. Un equipo pequeño sin analistas que atiendan casos pagará capacidades que no va a usar.
- El comportamiento del modelo hay que explicarlo. Los grupos no supervisados sacan patrones que tu equipo todavía tiene que interpretar y defender ante un auditor.
Preguntas frecuentes
DataVisor sirve para detectar y bloquear fraude y delito financiero en tiempo real: apertura de cuentas, toma de control, tarjetas, cheques, transferencias ACH y wire, y monitorización de AML. Bancos, procesadores de pago y grandes empresas digitales usan este software antifraude como capa de decisión entre sus flujos de operaciones y sus equipos de revisión.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con DataVisor.
Alternativas a DataVisor
JarvisCore
Prescott Data · Programación · Productividad · OtroJarvisCore es un runtime de código abierto en Python donde los agentes de IA actúan como pares en una malla, reclaman tareas de un libro mayor compartido y llegan a servicios externos por un bróker sin confianza.
Clef
Cloudflare · Negocios · OtroClef es el modelo de decisión de código abierto de Cloudflare para Workers AI. Devuelve probabilidades calibradas para preguntas tipadas en lugar de texto, así que un agente clasifica, enruta y actúa rápido.
iFixAi
iFixAi · Negocios · OtroiFixAi es un auditor de código abierto para agentes de IA. Somete al agente a una simulación de tu negocio, califica cada respuesta y devuelve una tarjeta de la A a la F con pruebas.