Prova de conceito: machine learning para reduzir fraudes bancárias

O México encabeça a lista dos países com mais fraudes bancárias em todo o mundo

O machine learning (ML) já é habitual no nosso dia a dia. O exemplo mais claro é quando abrimos um aplicativo ou um motor de busca e por arte de magia aparece algo que estávamos procurando. Não é coincidência. Atrás desse tipo de experiências encontra-se uma inovação impulsionada pela analítica, na qual todos participamos, formando uma impressionante fonte de informação, mediante o uso de plataformas digitais cotidianas (páginas da internet, redes sociais, entre outras). Tal tecnologia, que pertence ao âmbito da inteligência artificial (IA), não é mais do que um sistema que pode aprender padrões, tendências e relações de maneira automatizada.

Graças ao poder analítico do machine learning, ao seguir os rastros digitais que um usuário vai deixando em suas atividades, podem-se definir parâmetros para detectar ações que antes era mais difícil prever. Hoje em dia, para as empresas, é uma ferramenta que lhes permite projetar cenários, ressaltar anomalias, detectar clientes com um alto perfil de risco, e inclusive prevenir operações que possam esconder fraudes.

México, líder mundial em fraudes bancárias

Segundo uma reportagem feita por um jornal mexicano e um estudo realizado pela MasterCard, o México encabeça a lista dos países com mais fraudes bancárias em todo o mundo, superando até em cinco vezes as nações europeias. Os resultados revelam que este delito está estreitamente ligado ao roubo de identidades e a organizações mundiais de fraudadores.

Só em dezembro do ano passado aumentou em 69% a fraude a detentores de cartões de crédito, o que supõe um risco para o usuário e um negócio pouco rentável para a empresa.

Os casos mais comuns de fraudes são o uso indevido de caixas automáticos (movimentos não reconhecidos) com 33%, enquanto a clonagem de cartões de crédito ocupa 35%. A maiorias das notificações de fraude dá-se através de comércios eletrônico, com mais de 4 milhões de casos anuais e um desfalque que ascende a 250 milhões de dólares. Este tipo de fraudes cibernéticas com cartões roubados ou informações subtraídas dos clientes aumentou 25%.

Embora as fraudes geralmente se realizem por meio dos chamados “skimmers”, que copiam os dados das tarjas magnéticas dos cartões, outras formas muito comuns de roubá-los são mediante a geração aleatória de senhas, o uso de programas maliciosos ou hackeando lojas online.

Machine learning para aprender a detectar fraudes

Na Nae estamos realizando provas de conceito (PoC) com diferentes instituições bancárias e financeiras aplicando machine learning através do DataRobot, uma das soluções líderes a nível mundial. O processo consiste em procurar, entre milhões de combinações de algoritmos, o modelo de aprendizado automático ideal para prever transações fraudulentas e atividades suspeitas.

Com estas provas de conceito nossos clientes também têm a oportunidade de entrar em contato com ferramentas de análise preditiva. Graças à interface intuitiva, baseada na internet, consegue-se que qualquer pessoa possa interagir com a plataforma.

Independentemente da experiência com o machine learning, os usuários podem escolher os modelos e parâmetros desejados para que o sistema os avalie e, posteriormente, implementar soluções que ajudem na tomada de decisões.

 

David Rivas
david.rivas@naemexico.com

 

A Nae é parceiro certificado da DataRobot para soluções de machine learning automatizado e inteligência artificial voltadas à empresa e especialista em automatizar o fluxo de trabalho da ciência de dados tanto para a recomendação de algoritmos como para a construção de modelos preditivos.

Learn more:

A Nae trabalha com operadoras de telecomunicações, grandes empresas e administrações públicas para antecipar os desafios de crescimento e transformação do mercado, melhorando sua estratégia de negócio e eficiência operacional. A Nae conta com filiais na Espanha, Colômbia, México, Brasil e Costa Rica, formando uma equipe de mais de 600 profissionais.