Criando um Motor de Decisão de Fraude e Risco Sem Código

Esta é a parte final da nossa série de publicações no blog sobre motores de regras de negócio. A Parte 1 abordou detalhadamente os motores de regras de negócio convencionais: o que são, como funcionam e por que você pode precisar de um. Na Parte 2, cobrimos um motor de regras específico chamado Drools e o que está ausente nele. Este post do blog analisará os motores de decisão no-code modernos em relação a isso e sua aplicação a um dos casos de uso mais prolíficos: decisões de fraude e risco.

A ascensão das decisões de risco modernas

Com cada empresa tornando-se uma empresa de software, mais transações de usuários finais estão migrando para o ambiente online, aumentando assim a área de exposição para fraudes e riscos operacionais correspondentes. As perdas totais por fraude em 2020 totalizaram 56 bilhões de dólares e as empresas dos EUA perderão, em média, 5% de sua receita bruta para fraudes, tornando a mitigação de fraudes uma área central de foco em empresas de todos os tipos.

Os serviços de transporte exigem que a localização do cliente seja rastreada durante uma viagem, as ferramentas SaaS pedem que as empresas armazenem seus dados confidenciais na nuvem, os serviços financeiros querem que seus usuários enviem dinheiro uns aos outros usando seus celulares, os marketplaces online querem que seus clientes enviem dinheiro para pessoas que nunca conheceram. E os provedores de e-commerce querem que os clientes compartilhem e salvem informações pessoais, incluindo números de cartão de crédito, para permitir experiências de compra mais rápidas e personalizadas. A digitalização está trazendo experiências de usuário novas e transformadoras online, mas ao custo de um aumento na fraude e nos riscos associados.

A pedra angular das decisões de risco modernas é a detecção de fraudes e abusos em tempo real usando engenharia de recursos automatizada, um motor de decisão alimentado por Aprendizado de Máquina, combinado com automação no-code.

Gestão de risco consiste em tomar decisões precisas no momento certo

A gestão de risco envolve um ato de equilíbrio entre permitir uma experiência de usuário online fluida e introduzir fricção na experiência do usuário para deter agentes mal-intencionados.

Esta não é uma decisão estática e única. Os comportamentos dos usuários mudam, assim como o apetite das empresas por perdas por fraude e riscos. Portanto, a gestão de risco consiste em alterar de forma contínua e dinâmica a experiência do usuário para reduzir falsos positivos e desacelerar ou interromper padrões adversários.

Esta capacidade de decisão dinâmica exige acelerar as operações de fraude e risco de uma forma que permita às organizações ir da descoberta de novos sinais de fraude à implementação de decisões precisas para combater esses padrões adversários em poucos minutos, em vez de meses.

Por que uma abordagem convencional de motor de regras não é a resposta?

Tradicionalmente, a gestão de risco era centrada em motores de regras. Normalmente, eles assumiam a forma de um motor de regras de negócio que gerencia um conjunto de políticas, expressas como regras, separadamente do código da aplicação. Os motores de regras de negócio geralmente fazem parte de um sistema de gestão de regras de negócio que permite registrar, definir regras e a relação entre várias regras.

Fundamentalmente, os motores de regras são um nível de abstração muito mais baixo, exigindo que analistas e cientistas de dados escrevam código para projetar novas decisões para gerenciar riscos. Com isso, os motores de regras convencionais exigem uma dependência da engenharia devido à falta de automação no-code, entre outros motivos.

Além disso, os motores de regras de negócio convencionais centram-se apenas na lógica de processamento, deixando a integração de dados necessária para as regras a cargo das equipes de risco. Isso faz com que a aplicação carregue o fardo de integrar todos os dados exigidos pelas regras antes de acionar o motor de regras, impactando o desempenho da tomada de decisão.

O resultado é uma lacuna de decisão

As desvantagens da tomada de decisão convencional resultam em uma série de compensações desfavoráveis que envolvem desempenho, sobrecarga de engenharia e velocidade de iteração das operações de fraude e risco.

Alta sobrecarga de engenharia

Construir uma abstração de nível mais baixo, como um motor de regras, geralmente significa que seus usuários finais — analistas e cientistas de dados — ficam dependentes de recursos caros de engenharia para realizar a gestão de risco de ponta a ponta — desde a integração de fontes de dados apropriadas e gravação de novas regras até sua ativação e monitoramento de desempenho. Essa dependência da engenharia não é ideal para as equipes de risco e é uma proposta cara para a empresa.

Tempo de resposta lento a novos padrões adversários

A ausência de integrações prontas e automatizadas com as fontes de dados corretas geralmente significa um tempo significativo gasto na estruturação de dados para descobrir novos sinais de fraude e risco. Somado à falta de automação no-code, isso resulta em um atraso de semanas a meses para responder a padrões adversários em rápida evolução. Esse tempo de resposta lento resulta em milhões de dólares em perdas por fraude e danos ao valioso patrimônio da marca.

Baixo desempenho

Acumular todos os dados exigidos pelo motor de regras como parte de um único grande objeto passado para as regras geralmente significa que as aplicações fazem várias chamadas de API síncronas, algumas para ferramentas de terceiros e outras para serviços internos, para executar um conjunto de regras relevantes. Isso não apenas aumenta a latência da execução das regras, mas também não escala e leva a decisões incompletas devido ao descarte de regras que são lentas demais para serem executadas.

O que envolve a decisão de risco moderna?

Para responder a essa pergunta, devemos analisar as decisões a partir de princípios básicos. Uma decisão é um conjunto de condições que devem ser atendidas para acionar o conjunto apropriado de ações para executar a decisão de negócio.

Decisões = Condições + Ações

E as condições exigem recursos ou sinais de interesse e, frequentemente, um contexto que pode estar em uma ferramenta de terceiros, em um banco de dados relacional ou em um data lake.

Condições = Recursos + Contexto

Embora os recursos brutos possam ser reunidos, ainda que à custa do desempenho, a principal sobrecarga é a estruturação de dados que precisa ser feita em tempo real para montar o contexto necessário para enriquecer esses recursos brutos.

Um motor de decisão é um sistema que recebe recursos, enriquece-os com o contexto relacionado, para alimentar regras relevantes e modelos de ML e executar as ações configuradas.

Mais importante ainda, é um sistema que permite um ciclo completo de feedback, medindo assim o desempenho das regras e dos modelos de ML, juntamente com as decisões reais tomadas. A decisão final pode ser tomada por um revisor manual ou pela lógica de negócio da aplicação. Essas decisões são então enviadas para modelos de Aprendizado de Máquina que são treinados para reconhecer padrões adversários complexos de forma eficaz.

Imagem 2: Arquitetura de um motor de decisão no-code

Decisões de risco precisas são um problema de integração de dados em tempo real

Recursos brutos raramente são suficientes para uma boa tomada de decisão; eles quase sempre exigem enriquecimento com um contexto que está fragmentado em ferramentas de terceiros, bancos de dados, serviços internos e data lakes. Sendo assim, a tomada de decisão de risco moderna é, na verdade, um problema de integração de dados em tempo real.

A necessidade central das decisões de risco modernas é uma plataforma que integre o contexto vindo de diversas fontes, ofereça uma maneira fácil de enriquecer os recursos com esse contexto e faça isso continuamente à medida que novos recursos e sinais são gerados.

Não apenas regras ou Aprendizado de Máquina, mas ambos

A jornada da prevenção de fraudes e gestão de risco geralmente começa com regras centradas em heurísticas e avança para a aplicação extensiva de Aprendizado de Máquina.

O primeiro passo desta jornada começa com regras de alta confiança que utilizam heurísticas. Por exemplo, se o cliente falhou no login mais de 3 vezes nos últimos 10 minutos, bloqueie a conta. O ajuste de regras pode funcionar bem para incorporar certos sinais de alta confiança, mas pode não ser suficiente para identificar novos padrões multidimensionais. Por exemplo, o endereço de cobrança usado para uma transação de cartão de crédito ser diferente do endereço de cobrança do cartão é um sinal de alta confiança de aumento do risco da transação. O mesmo vale para a localização da transação do usuário ser diferente de seu endereço de cobrança. Esses sinais, somados a um valor de transação extraordinariamente alto, podem sinalizar uma transação de alto risco ou fraudulenta.

À medida que os padrões adversários se adaptam aos limites especificados por humanos, as regras e os limites correspondentes também devem se adaptar rapidamente. Além disso, a combinação de identificar tendências em vários sinais de transações financeiras — como valor da transação, tendências de transações anteriores, localização GPS da transação, horário da transação, nome do estabelecimento comercial, etc. — limita rapidamente a eficácia das heurísticas baseadas em percepções humanas.

É aqui que entra o Aprendizado de Máquina (ML) para detecção de fraudes em tempo real. Modelos de ML supervisionados que são treinados nas heurísticas usadas em regras de alta confiança e nas decisões correspondentes — tomadas por um humano em uma revisão manual ou por uma aplicação — são eficazes na identificação de padrões de fraude usando um grande número de sinais complexos e relacionados. E o Aprendizado de Máquina não supervisionado é mais eficaz na detecção de anomalias, o que facilita a descoberta de novos sinais de fraude e, consequentemente, de novas regras ou modelos de Aprendizado de Máquina mais eficazes.

Enquanto o Aprendizado de Máquina é bom para detectar padrões do passado, as regras ajudam a impedir padrões adversários em evolução ativa no momento exato. Portanto, o próximo passo na evolução das decisões de risco modernas consiste em apoiar os scores de risco de novos modelos de ML com regras de curto prazo para uma capacidade de decisão de risco holística e em tempo real.

Por fim, a jornada das decisões modernas de fraude e risco evolui para o Aprendizado de Máquina avançado, que treina novos modelos de ML com base nos resultados dessas regras de curto prazo, bem como em outros recursos de outros modelos de ML bem ajustados.

Automação no-code para decisões de fraude e risco

Uma lacuna central nos motores de regras é a incapacidade de realizar decisões de ponta a ponta sem depender da engenharia. Aumentar a velocidade de iteração das operações de fraude e risco exige fechar essa lacuna crítica e reduzir o tempo médio de recuperação.

A automação no-code está no centro das decisões modernas de fraude e risco, liberando profissionais não programadores, como analistas e cientistas de dados, de escrever códigos e de depender da engenharia para as decisões diárias fundamentais.

Gestão de casos integrada com decisões

Apesar do alto grau de automação que o Aprendizado de Máquina traz para as decisões de risco, ele não elimina totalmente o papel dos humanos na gestão de transações de alto risco. Otimizar a gestão de casos integrando-a totalmente ao motor de decisões é um recurso indispensável para a gestão de risco moderna. Fazer isso de forma eficaz envolve reunir todos os dados relacionados e o histórico associado de ações do usuário para o revisor, permitindo que ele tome a decisão certa. Igualmente importante é fechar o ciclo de feedback e alimentar a decisão final como marcadores para treinar modelos de ML supervisionados, melhorando assim a capacidade de reduzir ainda mais a carga sobre a tomada de decisão manual.

Imagem 3: Oscilar, um motor de decisão no-code para fraude e risco

Oscilar como uma solução moderna e no-code para decisões de fraude e risco

O Oscilar é o único motor de decisão em tempo real e no-code que automatiza o enriquecimento de recursos personalizados por meio de integrações prontas com uma variedade de ferramentas de terceiros e sistemas de dados. Ele possui um motor de decisão no-code integrado alimentado por Aprendizado de Máquina para oferecer capacidade de tomada de decisão de risco em tempo real. O Oscilar também oferece gestão integrada de casos para fechar o ciclo de feedback das decisões e permitir que as equipes de risco acelerem as operações de fraude e risco.

Agende uma demonstração ou envie-nos uma mensagem.