16/07/2020 - 10:54
A Inteligência Artificial é uma aliada poderosa das organizações na detecção de fraudes, especialmente nos segmentos de finanças, e-commerce e varejo, que enfrentam os maiores desafios. As fraudes afetam negativamente as margens e os lucros das organizações, bem como suas respectivas reputações. Adicionalmente, à medida que se descobre que uma empresa é suscetível à fraude, mais clientes bons tendem a se afastar dela e mais fraudadores são atraídos, levando a um ciclo nocivo e agravando o problema. Nesse cenário, a Inteligência Artificial pode interromper esse ciclo.
Segundo relatório da Juniper Research, as transações fraudulentas em varejo vêm aumentando em ritmo alarmante e a previsão é dobrar para US$ 25 bilhões em 2020. Das empresas pesquisadas, 60% reportaram um nível crescente ou constante quando comparado com um ano atrás. Outro levantamento, da Clear Sale, demonstrou, só no período da pandemia, um aumento de 18% nas tentativas de fraude, sobretudo nos setores de drogarias (60%), magazines (50%) e vestuário (25%).
Dada a escala e o alcance de boa parte dessas organizações, que tiveram seus acessos ampliados durante a pandemia, se tornou indispensável desenvolver sistemas para controlar essas fraudes. E, de preferência, prever possíveis fraudadores antes que eles consigam agir. Para isso, o processo de criação de um sistema de detecção de fraudes utilizando o poder do Machine Learning, que é o campo da Inteligência Artificial dedicado a máquinas que podem aprender, possibilita encontrar a melhor combinação de fatores para se antecipar às armadilhas.
Sabemos que um sistema de detecção de fraudes neste modelo não é linear e há diversos desafios para definir, de forma objetiva, qual comportamento pode ser considerado suspeito. É comum, no início, que não existam dados disponíveis sobre o comportamento desejado. Nesses casos, deve-se começar a coletar os dados sobre fraudes ocorridas, lembrando que padrões mudam ao longo do tempo, já que os fraudadores estão sempre inventando novas maneiras de tentar manipular os sistemas de detecção. Portanto, os sistemas também têm que evoluir ao longo do tempo.
É importante considerar que também há uma pequena proporção dos clientes com intenção de cometer fraude. Nesse caso, o sistema deve ser preciso. Isto é, entregar um caso suspeito somente quando há grande probabilidade de ser um fraudador. Em outras situações, pode-se bloquear automaticamente compras feitas a prazo sem banir o cliente.
De modo geral, os modelos de Machine Learning geram um score de fraude, sendo os mais altos aqueles com maior chance de a transação ser fraudulenta. No entanto, dependendo da técnica utilizada, pode ser mais fácil ou mais difícil explicar os fatores que indicam porque uma transação é suspeita. As técnicas mais poderosas tendem a ter menor poder de explicação. Deste modo, cada empresa deve ponderar esses fatores no momento de definir qual técnica é mais adequada ao seu problema específico.
Claro que existem casos em que somente um humano pode tomar a decisão final de apontar ou bloquear um cliente como suspeito. Por isso, deve-se pensar no processo de tomada de decisão e fluxo de informações no começo do projeto para garantir que as fontes de dados estejam sempre funcionando.
Quando os dados já existem e são acessíveis na empresa, a criação de variáveis relevantes é um trabalho longo, que envolve especialistas. Quando os dados não existem ou são parciais, a geração e a coleta dificultam ainda mais o processo e tende a ser a parte mais dispendiosa do projeto de criação do sistema de detecção de fraude. Mesmo sendo uma fase que tende a gerar frustração na empresa, é crucial que seja feita com zelo e envolvendo não somente os especialistas em fraude, mas também os times de tecnologia da informação e ciência de dados, pois a interação é decisiva para criar uma ferramenta acurada e com agilidade.
A demanda para combater fraudes seguirá existindo e os fraudadores continuarão a aperfeiçoar seus métodos. Mesmo com o auxílio da Inteligência Artificial, os sistemas nunca serão perfeitos, mas mantendo a evolução da manutenção de acordo com os comportamentos detectados, é garantido que as empresas consigam se blindar, principalmente num cenário em que o acesso ao consumo on-line cresceu sobremaneira em virtude do distanciamento social, nascendo novos e-commerces e consumidores digitais.
Rodrigo Kramper é líder da prática de Advanced Data & Analytics Solutions da ICTS Protiviti, empresa especializada em soluções para gestão de riscos, compliance, auditoria interna, investigação, proteção e privacidade de dados.
