Reduza falsos positivos de fraude sem aumentar os prejuízos

Última atualização: Setembro de 2026

A maioria das equipas de fraude trata a escolha como fixa: apertar as regras resulta na recusa de bons clientes, afrouxar resulta em perdas. Esse compromisso é real quando a decisão depende de um único sinal fraco, e torna-se um artefacto a partir do momento em que a decisão tem mais em que se basear. Adicionar contexto muda a forma da curva. Alterar um limite apenas muda a posição onde nos encontramos nela. E a equipa que se recusa a ajustar porque isso parece arriscado já está, habitualmente, a deixar passar fraude — uma fila que está quase sempre errada ensina silenciosamente os seus analistas a pararem de procurar.

Resumo (TL;DR)

• O falso positivo é o alerta. O falso declínio é o que o cliente experiencia. São medidos em locais diferentes e pagos por orçamentos diferentes.

• O compromisso entre perdas e alertas é uma propriedade de decidir com base em apenas um número, não uma propriedade da fraude.

• O custo de um falso declínio fica fora do relatório de perdas por fraude, razão pela qual um controlo pode parecer bem-sucedido e, ainda assim, ser dispendioso.

• Uma fila que gera quase exclusivamente falsos positivos não é apenas um desperdício. É uma falha de deteção com efeito retardado, porque os analistas deixam de tratar o canal como real.

• Os falsos declínios dividem-se em causas de sinal fraco e causas de risco real, e as duas precisam de soluções diferentes. Nenhuma delas se resolve alterando um limite.

• Pode estimar uma taxa de falsos positivos sem observar os resultados das recusas, utilizando contestações, comportamentos de nova tentativa e uma amostra deliberada de declínios.

• Um afrouxamento não tem de ser um salto de fé: faça um teste retroativo (backtest) com alertas históricos, execute-o em modo sombra (shadow mode) e só depois o lance em produção.

O que é um falso declínio e em que difere de um falso positivo

Um falso declínio é uma transação legítima ou um bom cliente bloqueado por um controlo criado para travar a fraude. O pagamento era seguro, o requerente era real, o login era do verdadeiro titular da conta — e o sistema disse não. Nos pagamentos, isto é por vezes chamado de transação falsamente recusada; as equipas de risco dentro de uma instituição costumam chamar o mesmo evento de falso positivo.

Os dois termos descrevem lados diferentes do mesmo evento. O falso positivo é o alerta que o sistema gerou. O falso declínio é a consequência que o cliente sentiu. Vale a pena manter a distinção porque os dois são medidos em locais diferentes e afetam orçamentos diferentes: o alerta aparece na sua fila de análise e o declínio aparece no relatório de conversão de outra equipa.

Na base, são a mesma falha. Tomou-se uma decisão com pouca informação para separar o invulgar do fraudulento, pelo que o invulgar foi tratado como fraudulento.

Por que razão o compromisso parece absoluto

As equipas de risco vivem o controlo de fraude como um conjunto de manípulos interligados — perdas por fraude, custos de análise, taxa de aprovação — em que mover um altera o outro. Se apertar a regra, a fila aumenta e as aprovações diminuem. Se a afrouxar, as perdas começam a subir. Qualquer pessoa que já tenha gerido um programa de fraude sentiu isto, e não há nada de irracional nessa sensação.

Esta ligação é genuinamente real quando a decisão depende de um único sinal fraco. Se a única informação que o controlo possui é uma pontuação, o único manípulo disponível é onde definir o corte dessa pontuação, e cada corte troca um erro pelo outro. Essa é a geometria de uma decisão unidimensional, e nenhum cuidado na escolha do ponto de corte consegue escapar-lhe.

Mas isto não é uma propriedade da fraude. É uma propriedade de decidir com base em apenas um número. Mude o que a decisão sabe e a própria curva move-se.

O custo que nunca chega ao relatório de fraude

Bloquear um bom cliente significa perda de receita no imediato e, ultrapassado um certo limite de atrito repetido, a perda do cliente a longo prazo. O segundo custo é muito maior do que o primeiro e surge muito mais tarde, razão pela qual raramente é atribuído ao controlo que o causou.

Esse custo também afeta uma linha diferente de demonstração de resultados do que a perda por fraude que evitou. As perdas por fraude são contabilizadas no programa de fraude; a receita recusada e a perda de clientes são contabilizadas num local totalmente diferente. Portanto, um controlo pode parecer bem-sucedido no único relatório que o avalia, sendo ao mesmo tempo dispendioso para a instituição como um todo. A redução de falsos positivos é normalmente apresentada como um projeto de eficiência, quando a perspetiva honesta deveria ser a da receita. Se está a avaliar esse custo antes de decidir o que mudar, o nosso guia para avaliar software de deteção de fraude aborda aquilo pelo qual deve responsabilizar um sistema.

Na prática, contudo, a carga operacional é o que força o problema primeiro. Uma cooperativa de crédito dos EUA, ao descrever a sua própria análise de alertas, colocou as coisas de forma clara: muitos falsos positivos e um processo que se tinha tornado simplesmente trabalhoso — e foi esse fardo, e não um número de perdas, que os levou a procurar alternativas. A maioria das equipas reconhece-se nesta sequência e não num argumento de receita.

O custo oculto: uma fila que está sempre errada ensina os analistas a pararem de olhar

Aqui está a parte que muda o cálculo de risco. Uma equipa de fraude numa empresa de gestão de investimentos dos EUA descreveu um dos seus canais de alerta como produzindo quase exclusivamente falsos positivos e foi muito franca sobre o efeito: a equipa passou a desvalorizar esses alertas. Ao mesmo tempo, admitiram que a fraude real continua a chegar através desse canal.

Isto não é uma queixa de eficiência. É uma falha de deteção com efeito retardado. Quando uma fila está quase sempre errada, a resposta racional de um analista experiente é dedicar menos atenção a cada elemento, e a atenção é precisamente o mecanismo pelo qual se deteta um verdadeiro positivo. Os alertas continuam a disparar, o painel de controlo continua a reportar cobertura e, mesmo assim, a taxa de sucesso na captura diminui.

Portanto, o status quo não é a opção conservadora, embora seja essa a premissa de muitos programas de ajuste estagnados. Recusar ajustar não mantém o risco constante. Converte um problema mensurável de falsos positivos num problema não mensurado de fraude perdida, e o segundo é pior precisamente porque nada o reporta.

Isto responde diretamente ao receio. A preocupação é que cortar alertas signifique perder fraude. O estado não ajustado já está a perder fraude; simplesmente não está a produzir um número que o demonstre.

De onde vêm realmente os falsos declínios

As causas dividem-se em duas famílias, e a família que está a analisar determina a solução.

Causas de sinal fraco. O controlo tinha apenas um atributo fraco para julgar e julgou mal. A triagem de sanções e PEP é o exemplo mais claro: um banco digital europeu descreveu resultados de triagem em que muitas correspondências não eram duvidosas, mas sim totalmente irrelevantes, porque a lógica de correspondência tratava um primeiro nome partilhado como uma correspondência, apesar de o apelido ser diferente. Esse alerta não é um caso inconclusivo que um limite melhor teria resolvido. É uma decisão tomada sem contexto de identidade — sem data de nascimento, sem jurisdição, sem histórico de relacionamento — e afrouxar a tolerância de correspondência apenas trocaria essas correspondências falsas por fraudes reais não detetadas.

As falhas de sinal fraco surgem sempre que uma decisão é tomada com base num único atributo, o que na prática significa tanto na decisão de transações como no processo de abertura de conta, onde a instituição menos sabe sobre a pessoa à sua frente.

Causas de risco real. O comportamento era realmente anómalo e o cliente era realmente legítimo. Um cliente que viaja pela primeira vez em dois anos, uma primeira compra de valor elevado, um dispositivo novo após uma atualização de telemóvel. O sinal não estava errado; a situação era invulgar mas legítima.

A tabela resume todo o diagnóstico: identifique a família antes de escolher a solução.

Note que nenhuma das famílias se resolve mudando o limite, que é a primeira medida a que a maioria das equipas recorre. Uma questão relacionada — se uma determinada decisão deve constar de uma regra manual ou de um modelo — merece o seu próprio tratamento e não é resolvida aqui. O mesmo se aplica à questão mais ampla de executar decisões de fraude e PLD num contexto partilhado, em vez de em duas estruturas separadas, na qual o exemplo de triagem acima se enquadra perfeitamente.

Como medir uma taxa de falsos positivos quando nunca vê o que um declínio teria feito

Esta é a questão que torna o resto do artigo aplicável na prática, e quase ninguém lhe responde.

O problema é estrutural e não uma falha nos seus relatórios. Uma transação recusada não tem um resultado observado. Nunca chega a saber se aquele cliente teria pago, porque não o permitiu. O denominador de que necessita está indisponível por conceção, pelo que uma taxa precisa de falsos positivos não é algo que possa simplesmente medir.

O que as equipas fazem na prática é trabalhar com uma estimativa de referência e raciocinar com base nela. Um banco comercial dos EUA, ao avaliar uma prova de conceito, fez exatamente isso, estimando a sua própria população de alertas em cerca de 85% de falsos positivos e utilizando esse valor para prever como uma amostra de 20 alertas se dividiria entre falsos positivos e escalações reais. Esse número é a perspetiva daquela instituição sobre o seu próprio ambiente, não uma taxa do setor e não a nossa medição de nada — mas o hábito é o correto. Uma estimativa explícita que se possa debater é melhor do que uma implícita que não se pode contestar.

Três fontes dão a essa estimativa uma base de realidade sólida:

1. Contacto do cliente e contestações. Cada chamada, disputa de estorno ou contestação de uma recusa é um cliente a dizer-lhe que a decisão foi errada. O volume de contestações por cada mil declínios é o limite mínimo da sua taxa de falsos declínios, e um valor invulgarmente baixo costuma significar que o caminho de contestação é difícil de encontrar, e não que as recusas foram corretas.

2. Comportamento de nova tentativa com sucesso. Um cliente recusado num canal que conclui a mesma ação minutos mais tarde noutro demonstrou legitimidade. Fazer a correspondência desses pares transforma uma suposição numa contagem.

3. Uma amostra deliberada de declínios. Escolha uma pequena amostra aleatória de declínios todas as semanas e analise-os da mesma forma que analisaria um alerta. Consome horas de analistas, mas é o único método que produz um resultado real sobre a população que, de outra forma, não conseguiria ver.

Depois, meça por regra e não globalmente. Analisar os resultados de uma única regra diz-lhe algo que uma configuração de sensibilidade global nunca dirá: a pergunta útil é saber qual a regra que está errada, e não se o sistema como um todo é demasiado rigoroso. A maioria das filas é dominada por um punhado de regras, e a evidência para alterar uma delas deve vir do próprio histórico dessa regra.

O que move a curva em vez de deslizar ao longo dela

Mais contexto por decisão muda a forma da relação custo-benefício. Um limite mais flexível apenas muda a sua posição nela. Essa simples frase marca a diferença entre um programa de fraude que melhora e um que oscila.

Contexto aqui significa elementos concretos disponíveis no momento da decisão, e não num relatório na semana seguinte: o próprio histórico do cliente consigo, sinais do dispositivo e de comportamento, e o que a mesma identidade está a fazer noutras áreas da instituição. Uma transação que parece anómala em comparação com uma base global costuma parecer normal face ao histórico do próprio cliente, e um requerente que parece fidedigno de forma isolada pode ser a quarta candidatura feita a partir do mesmo dispositivo esta manhã.

Levar esse contexto à decisão a tempo é uma questão de arquitetura, não de ajuste. A Oscilar é uma plataforma unificada: estrutura de dados em tempo real, inteligência de dispositivo e comportamento, regras e gestão de casos num único sistema, com agentes nativos. O objetivo desta organização é que o sinal de que uma decisão precisa já esteja onde a decisão acontece, em vez de estar num armazém de dados à espera de ser interligado. Os agentes de risco que trabalham na fila baseiam-se no mesmo contexto, em vez de numa cópia separada dele.

Existe um exemplo prático. A MoneyGram, uma empresa de pagamentos que utiliza agentes Oscilar em produção, reduziu o tempo de análise de alertas de PLD L1 de mais de 30 minutos para menos de 2 minutos com a mesma equipa e cerca de 45% menos falsos positivos. Mesma equipa, menos falsos positivos, análises mais rápidas — a combinação que o modelo de manípulos interligados diz ser impossível. A instituição e o tipo de alerta serão diferentes dos seus; o sentido do resultado é o que importa.

Como testar um afrouxamento antes de este chegar a produção

O receio de que uma alteração permita a passagem de fraude é razoável e deve ser tratado como tal. A resposta para isso não é a coragem. É a evidência, recolhida numa sequência que torna a mudança observável antes de ter consequências.

Em primeiro lugar, realiza-se um teste retroativo (backtest) face aos seus alertas históricos. Ao replicar a lógica proposta sobre decisões cujos resultados já conhece, descobre o que a alteração teria feito: quais os alertas que teria suprimido, qual a fraude confirmada que teria perdido, como se move o volume da fila. É aqui que uma alteração que parece imprudente numa reunião é desculpada ou eliminada, sem qualquer risco.

Segue-se o modo sombra (shadow mode). A nova lógica corre a par da fila ativa sem agir sobre nada, classificando o tráfego atual enquanto os controlos existentes continuam em vigor. Isto deteta o que um teste retroativo não consegue, porque a população mudou desde que o seu histórico foi escrito — novos padrões de ataque, um novo produto, uma mudança sazonal.

Só depois é que a alteração chega a produção, e a decisão é tomada com base nos dados recolhidos nas duas primeiras fases. Explicada de forma simples, toda a sequência consiste num teste retroativo face aos seus alertas históricos, seguido pelo modo sombra na fila ativa, com uma análise de resultados no final. É por isso que um afrouxamento não tem de ser um salto de fé e porque a frase "não podemos arriscar" deixa de ser um argumento assim que esta sequência está disponível.

Quem é o proprietário da decisão e como se mantém essa propriedade

Uma alteração de limite é uma decisão de apetite ao risco. Pertence ao proprietário do risco, não a quem quer que tenha acesso de edição à regra. Frequentemente, trata-se de pessoas diferentes, e o fosso entre elas é onde se acumulam ajustes não documentados.

A decisão é defensável quando a fundamentação subjacente é registada. O que torna isso possível é uma pista de auditoria completa por decisão com justificação guardada, com intervenção humana por conceção (human-in-the-loop), concebida para cumprir a norma SR 11-7 — uma expectativa que a plataforma foi desenvolvida para satisfazer, e não um certificado que alguém possua. Quando um regulador ou uma segunda linha de defesa perguntar por que razão este alerta foi fechado e aquele limite alterado, a resposta deve ser recuperável em vez de recordada de memória.

Trate o ajuste como um processo contínuo e não como um projeto pontual. As populações mudam, os atacantes adaptam-se e um limite definido uma vez é um limite em desatualização silenciosa — a análise que importa é a agendada para o próximo trimestre, não a que implementou esta alteração.

Por fim, o processo só funciona se a equipa de risco puder alterar a política sem depender de um lançamento de engenharia. Se cada ajuste for um pedido de suporte (ticket), o ritmo de revisão será definido pelo calendário de sprints e a desatualização vencerá.

Perguntas frequentes

O que é um falso declínio?

Um falso declínio é uma transação, candidatura ou login legítimo recusado por um controlo destinado a impedir a fraude. O cliente era real e a atividade era genuína, mas o sistema considerou-a arriscada. É a consequência que o cliente enfrenta decorrente de um falso positivo — a mesma falha, vista do outro lado da decisão.

Qual é a diferença entre um falso positivo e um falso declínio?

Um falso positivo é o alerta que o seu sistema gera sobre uma atividade legítima. Um falso declínio é o que acontece ao cliente quando esse alerta resulta numa recusa. Um é medido dentro da área de fraude, no volume de filas e tempo dos analistas; o outro é medido fora dela, em taxas de aprovação e receita perdida. O mesmo erro subjacente, em dois registos diferentes.

Como podem as equipas reduzir os falsos positivos sem aumentar as perdas por fraude?

Adicione contexto à decisão em vez de afrouxar o limite. Uma alteração de limite troca um erro pelo outro; mais sinal por decisão — histórico do cliente, dados de dispositivo e comportamento, atividade de identidade em vários produtos — separa o invulgar do fraudulento e melhora ambos os números ao mesmo tempo. Depois, reduza o risco da alteração: teste-a retroativamente contra alertas históricos, execute-a em modo sombra contra o tráfego real e só depois a coloque em produção.

Como se mede uma taxa de falsos positivos se nunca se vê o resultado de uma transação recusada?

Faz-se uma estimativa, porque uma transação recusada não tem um resultado observado e o verdadeiro denominador está indisponível. Três fontes dão substância à estimativa: reclamações e contactos de clientes sobre recusas, clientes que voltam a tentar com sucesso noutro canal e uma amostra deliberada de declínios analisados manualmente. Meça por regra e não globalmente — a pergunta útil é saber qual a regra que está errada.

Reduzir falsos positivos significa aceitar mais fraude?

Não se mudar o que a decisão sabe em vez de mudar onde o corte se situa. E a premissa esconde um custo: uma fila que está quase sempre errada ensina os analistas a deixarem de lhe prestar atenção, pelo que um controlo não ajustado já está a perder fraude sem produzir um número que o indique. O status quo não é a escolha conservadora — é a escolha não medida.