Rodrigo Kramper*
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 o relatório da Forter, as transações
fraudulentas em varejo vêm aumentando em ritmo alarmante e a previsão é dobrar
para 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.