es Español

Quebrando as regras na prevenção de fraudes

"Podemos continuar a contar apenas com os controles clássicos baseados em regras estáticas que refletem apenas nossa experiência anterior? Definitivamente, não."

Como muitos outros clientes, em novembro de 2020 recebi um comunicado do meu banco que, após me cumprimentar corretamente, me instruía a incluir meus dados pessoais em um arquivo comum para a prevenção de fraudes em operações bancárias. É um e-mail que, pelo menos, dá o que pensar. A primeira reflexão é que os dados de todos são valiosos para prevenir fraudes, mas a segunda é que eles poderiam ser usados ​​para outra finalidade diferente daquela para a qual foram transferidos e, em tal caso, exigiriam consentimento. A seguir, vamos nos concentrar na primeira ideia; as vantagens de ter bons dados para combater a fraude.

Nós inevitavelmente nos movemos em direção a uma transformação automática e inteligente de todos os processos. Alguns nos incluem em nossa função de cliente (se fizermos uma compra online ou usarmos um veículo associado a seguro) ou como funcionário (se reportarmos nossas notas de despesas, ou se participarmos do processo de compra de um material ou serviço de um fornecedor). EEm cada um desses processos deixamos um rastro e esse rastro é coletado pelos dados. Tudo o que foi coletado em um processo automático são dados de qualidade porque são coletados em tempo real, nos mesmos momentos do processo e na mesma extensão.  

Se o processo deve ser automático e inteligente, por que o processo de prevenção de fraude, tanto interna quanto externa, deveria ser reativo e tolo? Devemos complementar nossos sistemas antifraude, em muitos casos baseados em controles estáticos, com técnicas de inteligência artificial que aprendem diretamente dos dados e se ajustam à situação atual com agilidade. Podemos continuar a confiar apenas em controles clássicos baseados em regras estáticas que refletem apenas nossa experiência passada? Definitivamente não e, além disso, se a situação mudar, o controle deve mudar automaticamente, para minimizar falsos positivos em nossas investigações.

Nossa mente só é capaz de descobrir padrões de comportamento de fraude com poucas variáveis ​​e em um ambiente pouco dinâmico e conhecido. Ao mesmo tempo, os fraudadores usam métodos muito complexos que são cada vez mais difíceis de imaginar. Um fraudador sempre tentará antecipar um sistema antifraude baseado em regras (estático) desenvolvido por uma equipe de especialistas de negócios. Então, Como podemos descobrir novos métodos de fraude quase em tempo real? Com modelos analíticos que extraem conhecimento agilmente dos dados com algoritmos de 'aprendizado de máquina ', ou seja, o ramo da inteligência artificial que estuda a capacidade das máquinas de "aprender" por si mesmas usando dados como matéria-prima.

Embora todos soframos como humanos com a ideia de que as máquinas vão nos substituir, a realidade é bem diferente, pois estamos destinados a nos complementarmos e nesses processos essa realidade se torna evidente. Não há melhor maneira de ilustrar essa simbiose homem-máquina do que o “Paradoxo de Moravec”, que em sua versão mais resumida dita o seguinte: “O que é difícil para um humano é fácil para uma máquina e vice-versa”. Uma máquina é capaz de encontrar facilmente padrões de fraude com base em correlações em centenas de variáveis. Como pode um ser humano complementar este agitador de dados? Incluir ingredientes ideais, como criatividade ou intuição humana, ao introduzir variáveis ​​que podem ser indicativas de fraude.

Também podemos avaliar os resultados oferecidos por este sistema inteligente com nossas pesquisas e, nesse caso, como a máquina retribui o favor? Reaprender diretamente dos dados com as falhas e sucessos após nossas investigações por meio de mecanismos lançados automaticamente.

A colaboração oferece benefícios imediatos. Dependendo da natureza dos dados, podemos usar diferentes técnicas de aprendizagem para complementar nosso sistema atual. Se tivermos os resultados das investigações ou um histórico de fraude, podem ser usados ​​modelos preditivos ou de classificação que irão encontrar casos muito semelhantes aos encontrados no passado. Por exemplo, se estamos construindo um modelo de prevenção de fraude de seguro, whiplash, devemos incluir aqueles clientes que já foram investigados e revelaram-se fraudulentos, para que a máquina aprenda com eles e nos ofereça outros clientes suspeitos porque eles têm muito semelhantes comportamento. a estes, juntamente com a sua probabilidade de fraude. Ao contrário, se as investigações não estiverem disponíveis por se tratar de um processo novo, partiremos de modelos de detecção de anomalias que nos oferecerão comportamentos diferentes dos de outros indivíduos e é um bom ponto de partida para iniciar nossas investigações. Os dois modelos anteriores são modelos que detectam padrões de comportamento individuais, mas não devemos esquecer que a fraude costuma ser colaborativa. Portanto, devemos ter outra técnica complementar chamada análise de grafos ou redes que nos permite descobrir estruturas corporativas anômalas ou operações suspeitas realizadas por um grupo. No que diz respeito às estruturas societárias, a Agência Tributária terá acesso à base de dados dos notários sobre os beneficiários efetivos de empresas para reforçar o combate à fraude e realizar investigações completas (ligação).

Em resumo, É evidente que mecanismos e sistemas podem ser redesenhados ou estabelecidos em processos nos quais os dados sejam um aliado essencial para determinar se uma operação provavelmente fraudulenta está sendo realizada ou para alertar sobre a possibilidade de ser fraudulenta .. Na verdade, sistemas com vários aplicativos podem ser desenvolvidos em nosso dia a dia. Imagine, por exemplo, um sistema que, com base em nosso histórico anterior, seja capaz de determinar em um processo de compra online se a operação realizada é suspeita, a fim de detectar se alguém de fora de nós conseguiu se passar por nossa identidade de forma fraudulenta use nossos cartões bancários.

Outro exemplo com impacto em nossa vida cotidiana é o desenvolvimento de seguro de direção que incorpora sistemas para determinar se nossa direção ou de outras pessoas com acesso ao nosso veículo (como nosso cônjuge ou nossos filhos) podem ser declarada relevante em caso de perda ou após um acidente.

Uma das aplicações do 'aprendizado de máquina“No combate às fraudes, em que detectamos um aumento do interesse de várias empresas, está focada no desenvolvimento de sistemas inteligentes que auxiliem na gestão do processo de alocação de despesas dos funcionários. Ou seja, um sistema que permite determinar se uma despesa que um funcionário atribui ao seu trabalho apresenta um valor anômalo com base nos dados dos demais funcionários da empresa. Vemos um interesse semelhante no desenvolvimento de aplicativos que monitorem o processo de compra de serviços e materiais de uma empresa. Nesse caso, um sistema inteligente pode complementar os controles típicos de auditores internos, como o fracionamento, com modelos de detecção de anomalias a partir dos dados de todos os pedidos feitos por compradores, fornecedores e aprovadores.

Em última análise, o processo de digitalização que se acelerou no último ano é imparável, devendo necessariamente chegar também ao combate à fraude para ajudar as empresas a serem capazes de reagir a estes conflitos e ter ferramentas que ajudem a proteger o seu capital (económico e humano) no cumprimento regulamentos.

Podemos continuar a contar apenas com os controles clássicos baseados em regras estáticas que refletem apenas nossa experiência anterior? Definitivamente não

Manuel Marin Martinez

Diretor Gerente FTI Consulting Espanha.

Ciência dos dados e análise

Se o artigo foi interessante para você,

Convidamos você a compartilhar nas Redes Sociais

Twitter
LinkedIn
Facebook
E-mail

Deixe um comentário

Este site usa o Akismet para reduzir o spam. Saiba como seus dados de comentário são processados.

Contacto

Preencha o formulário e alguém de nossa equipe entrará em contato com você em breve.