A luta contra os crimes bancários é um desafio diário para instituições financeiras ao redor do mundo, e no Brasil não é diferente. Ano após ano, o crescimento das tentativas de fraudes, leva bancos a investir em tecnologias mais sofisticadas e assertivas para minimizar crimes financeiros que impactam o balanço dos bancos. Embora os criminosos parecem estar à frente das medidas de segurança, por usarem métodos sofisticados para driblar o sistema, há uma boa notícia para o setor: o uso efetivo do Machine Learning/AI para apoiar as equipes de investigação em casos mais complexos.
E, graças à tecnologia já é possível melhorar a gestão da fraude em tempo real, com resultados mais efetivos para o negócio, do ponto de vista da satisfação dos clientes (redução do percentual dos falsos positivos) e de acurácia dos modelos para mitigação dos riscos (verdadeiros positivos).
Para a maioria das instituições financeiras, a sofisticação desse tipo de ataque é um problema que precisa ser solucionado com muita inteligência, pois no Brasil, o número de tentativas de fraudes cresce anualmente. Embora os bancos brasileiros invistam, anualmente, em média R$ 2 bilhões – ou 10% do orçamento de tecnologia – para minimizar esses ataques, segundo dados da Febraban (Federação Brasileira de Bancos), parece não ser suficiente.
De acordo com dados do Serasa Experian, o número de fraudes no Brasil cresceu 9,5%, em 2017, somando 1,8 milhão entre janeiro e novembro. E, como o setor de telefonia foi a ‘porta de entrada’ para esse tipo de crime (37,2%), os criminosos compraram celulares, conseguiram comprovantes de endereço e abriram contas em bancos. Assim, tiveram acesso a talões de cheque, cartões de créditos e até empréstimos bancários em nome de terceiros. O resultado? Os bancos e financeiras sofreram mais de 428 mil tentativas de fraudes contabilizadas pela entidade em 2017.
À frente do crime
Vencer a guerra contra fraudes exige que as companhias ultrapassem os criminosos em inteligência e criatividade. A boa notícia é que hoje a tecnologia é uma aliada das instituições financeiras. Com ela, é possível aprender com os dados, de forma rápida, sobre novos padrões de ataques, graças ao Machine Learning /Inteligência Artificial.
De forma prática, a IA ajuda a descobrir as ‘anomalias’ dos dados por meio das análises das transações e identificar, a partir dos dados e do seu comportamento, se uma operação é fraudulenta. O ML/AI surge com toda sua capacidade preditiva graças às atuais capacidades tecnológicas, em que o rápido aprendizado da máquina permite ‘desarmar’ um criminoso, evitando o roubo financeiro em tempo real. Importante ressaltar que todo este processo se dá em questão de minutos e segundos e, logo após isto, novos padrões de fraude são desenvolvidos. Ou seja, são janelas curtas de ação e aprendizado a serem resolvidas pelo ML/AI.
Esse tipo de tecnologia pode evitar uma série de problemas, como a detecção errada de falhas, multas pesadas ou perdas financeiras, porque é possível diferenciar as fraudes das transações verdadeiras em segundos ou milissegundos, sem a necessidade de bloquear o cartão ou interromper a compra do usuário final, reduzindo significativamente a quantidade de falsos positivos.
Embora pareça futurista, há casos reais de adoção do Machine Learning/AI, em que a detecção de fraudes aumentou 50%, como é o caso do Danske Bank, dos países Nórdicos. Após a adoção da tecnologia, o Danske Bank conseguiu identificar os falsos positivos dos modelos, e reduzir esse índice em 60%. Outros benefícios foram mais estratégicos: parte da equipe de detecção de crimes foi alocada para atividades de mais valor, e os custos e tempo gastos com investigações também foram reduzidos. E não para por aí: além de capturarem mais fraudes que o normal com o Machine Learning, o banco também tem testado novos modelos de aprendizagem mais profundos, como o Deep Learning, para testar essas técnicas.
Mesmo em constante crescimento, os casos de fraudes ainda são raros, com cerca de um caso a cada 100 mil transações. A consequência de não ter um método de detecção de fraudes sofisticado o bastante para acompanhar e conhecer a jornada do cliente e dos seus dados, é que os bancos podem alertar que 99% de todas as transações são potencialmente fraudulentas, bloquear erroneamente as contas e cartões dos clientes.
Um outro aspecto atribuído ao sucesso do uso de ML/AI é a possibilidade das instituições financeiras colocarem em produção todo este arsenal tecnológico. Para isto, muitas já trabalham com o conceito de Analytics Ops, que é a capacidade de colocar em produção toda a inteligência analítica (modelos) nos sistemas (produto ou aplicações do banco). Usando uma metodologia robusta, integrada e governada de CI (Continuous Integration) é possivel o desenvolvimento e execução de modelos em tempo real, utilizando técnicas modernas e capacidades para calibrar os modelos dentro do conceito ‘Champion/Challenger’.
Contudo, a mensagem para os bancos é: invistam em tecnologias analíticas e de dados. Mesmo que a instituição esteja continuamente desenvolvendo soluções consideradas ‘o Estado da Arte’ em crimes financeiros, é preciso um olhar mais direcionado para o que a Inteligência Artificial e o Machine Learning são capazes de entregar, por meio da compreensão de modelos avançados de analytics, que têm como base as informações verdadeiras recebidas dos clientes. Por isso, é seguro afirmar que o uso tático dessas tecnologias estará para o combate às fraudes, como as portas automáticas estão para minimizar a entrada de armas de fogo nos bancos brasileiros.
* Fausto Novaes é Head of Financial Services Practice CLA, da Teradata