À medida que os negócios digitais continuam crescendo, o mesmo acontece com a fraude online. As perdas totais por fraude em 2020 somaram 56 bilhões de USD e as empresas nos EUA perderão em média 5% da receita bruta para fraudes, tornando a mitigação de fraudes uma área central de foco em empresas de todos os tipos. Ao mesmo tempo, detectar fraudes em tempo real é uma proposta difícil, causando perdas financeiras substancialmente altas devido à detecção tardia. Mais de 50% das organizações relataram em uma pesquisa que recuperam menos de apenas 25% das perdas por fraude. Além de perdas financeiras, a detecção tardia de fraudes causa danos irreparáveis à equidade da marca e à confiança do usuário.
Os fraudadores estão se tornando mais sofisticados em seus métodos, e está se tornando mais difícil para as empresas detectar e prevenir atividades fraudulentas. É aqui que entra a Inteligência Artificial (IA). A IA é a base para a detecção eficaz de fraudes online, e as empresas devem implementar estratégias de detecção de fraudes baseadas em IA para se manter à frente dos padrões de fraude em constante evolução. Neste post do blog, discutiremos por que a IA é o futuro da detecção de fraudes online, o que ela envolve e como pode ajudar sua empresa a se proteger de atividades fraudulentas sofisticadas.
IA para Detecção de Fraudes Online: A peça que faltava no quebra-cabeça
Até recentemente, a abordagem principal para prevenção de fraudes estava centrada em regras definidas por humanos, juntamente com uma revisão manual de transações potencialmente fraudulentas. Embora a revisão humana de transações fraudulentas possa levar a menos falsos positivos, infelizmente deixa uma oportunidade para técnicas adversariais avançadas e em rápida evolução causarem danos financeiros e de reputação substanciais. Portanto, a mitigação efetiva de fraudes requer uma capacidade de decisão precisa e instantânea com baixos falsos positivos.
A decisão instantânea sobre fraudes envolve a ingestão de centenas de sinais, alguns da transação em andamento e outros de análises históricas, para decidir o curso de ação apropriado para a transação enquanto ela acontece. É aí que entra a inteligência artificial. A inteligência artificial é ideal para detectar fraudes online porque pode identificar rapidamente e com precisão tentativas de fraude automatizadas e cada vez mais complexas.
As melhores estratégias de detecção de fraudes baseadas em IA usam uma combinação de aprendizado de máquina supervisionado e não supervisionado, bem como uma abordagem integrada de aprendizado de máquina e regras, o que permite que as empresas identifiquem rapidamente padrões de comportamento fraudulento.
Isso é importante porque, à medida que os fraudadores se tornam mais sofisticados, eles desenvolvem novos métodos que são difíceis de detectar usando métodos tradicionais de detecção de fraudes.
Existem várias razões pelas quais a inteligência artificial é o futuro da detecção de fraudes online:
A IA pode ajudar as empresas a acompanharem a sofisticação crescente dos fraudadores.
As estratégias de detecção de fraudes baseadas em IA são mais eficazes do que os métodos tradicionais baseados apenas em regras e manuais na detecção e prevenção de atividades fraudulentas complexas e multidimensionais.
A IA permite que as empresas identifiquem rapidamente e com precisão comportamentos fraudulentos, o que é essencial para proteger as empresas contra perdas.

Insights do setor sobre por que a IA é o futuro da detecção de fraudes online
Pesquisas recentes estão lançando luz sobre por que a IA é o futuro da detecção de fraudes online. De acordo com o Association of Certified Fraud Examiners (ACFE)'s Anti-Fraud Technology Benchmarking Report, mais de 60% das organizações aumentarão significativamente os orçamentos alocados para a adoção de tecnologia antifraude nos próximos dois anos. Embora atualmente apenas 17% das empresas empreguem inteligência artificial para detectar e prevenir fraudes, esse número deverá saltar para 26% em 2023-2024, um crescimento de quase 53%. O estudo da ACFE descobriu que o uso de técnicas de IA para combater fraudes dobrará nos próximos dois anos.

A Survey Global Economic Crime and Fraud de 2022, conduzida pela PwC, é baseada em entrevistas com 1.296 executivos de 53 países e regiões ao redor do mundo para avaliar como a prevenção de fraudes digitais está progredindo globalmente. O relatório descobriu que 46% das organizações pesquisadas relataram ter experimentado fraude, corrupção ou outros crimes econômicos nos últimos 24 meses. O relatório faz três recomendações críticas feitas pelos respondentes da pesquisa:
Entenda o ciclo de vida de ponta a ponta dos produtos voltados para o cliente.
Encontre o equilíbrio adequado entre atrito do usuário e controles de fraude. Os objetivos duais de manter os falsos positivos tão baixos quanto possível e captar a fraude real podem ser alcançados aplicando IA nos esforços de detecção de fraudes.
Orquestrar dados: é crucial consolidar indicadores de fraude em uma plataforma central, como Oscilar, que possa rastrear o ciclo de vida de ponta a ponta dos usuários (fraudadores ou não) e gerar alertas significativos.
Para superar esses desafios, as empresas devem usar mais aprendizado de máquina e IA em conjunto com análise preditiva, como mostra o gráfico abaixo do relatório de 2018.

Como a IA é usada para detecção de fraudes online?
Os negócios digitais com o melhor histórico de combate à fraude na internet fazem o seguinte para aplicar IA na detecção de fraudes:
Use insights de desempenho de regras de alta qualidade para treinar modelos usando aprendizado de máquina supervisionado para detectar tentativas de fraude mais rapidamente do que abordagens manuais.
Negócios digitais com os quais trabalhamos dizem que começam suas jornadas de detecção de fraudes com abordagens baseadas em regras que são fáceis de implementar. À medida que os padrões de fraude se tornam cada vez mais complexos, escalar os esforços de detecção de fraudes online se torna desafiador com uma abordagem somente baseada em regras. Essa escala é melhor alcançada substituindo um subconjunto de regras por modelos de aprendizado de máquina supervisionado. Adotar o aprendizado de máquina supervisionado é mais fácil para algumas empresas que possuem cientistas de dados na equipe treinados nos conceitos e algoritmos fundamentais. Outras podem depender da consulta de uma variedade de pontuações de fraude de terceiros que avaliam o risco de uma transação do usuário com base em uma multitude de sinais, como telefone, e-mail, identidade online, endereço IP, e mais.
Integre o aprendizado de máquina supervisionado e não supervisionado para encontrar efetivamente anomalias em transações de usuários emergentes.
Integrar técnicas de aprendizado de máquina supervisionadas e algumas não supervisionadas é uma maneira pela qual a IA pode ser efetivamente aplicada para a prevenção de fraudes online. Enquanto um subconjunto de sinais de fraude é melhor modelado por técnicas de aprendizado de máquina supervisionadas, certos tipos de detecção de anomalias são melhor alcançados com uma abordagem de aprendizado de máquina não supervisionado. Em nossa experiência, uma abordagem mais integrada para a prevenção de fraudes online que combina aprendizado de máquina supervisionado e não supervisionado pode fornecer pontuações de fraude que são duas vezes mais preditivas do que abordagens anteriores.
Capitalizar em redes de dados universais de grande escala para complementar algoritmos de aprendizado de máquina personalizados para melhorar drasticamente o poder preditivo das pontuações de prevenção de fraudes.
Consultar modelos de aprendizado de máquina personalizados internos muitas vezes é insuficiente para capturar uma área de superfície suficientemente grande de padrões fraudulentos. As empresas digitais mais avançadas estão procurando maneiras de suplementar seus modelos de aprendizado de máquina usando conjuntos de dados universais de grande escala. Muitas empresas têm anos de dados de transações que dependem inicialmente para construir modelos de aprendizado de máquina internos. No entanto, nenhuma empresa ou ferramenta possui os melhores dados. Portanto, complementar modelos de aprendizado de máquina internos com pontuações de fraude de terceiros que têm redes de dados universais de grande escala—muitas vezes incluindo bilhões de transações capturadas ao longo de décadas de milhares de clientes globalmente—melhora drasticamente a prevenção de fraudes.
A combinação desses três fatores forma a base da detecção de fraudes online. Empresas digitais enfrentando alto risco de fraude aproveitam plataformas de detecção de fraudes online, como o Oscilar, que possuem as funcionalidades acima, para permitir que seus especialistas em fraudes tenham os insights necessários para identificar e combater fraudes cedo.
A IA é o futuro da detecção de fraudes online
A detecção de fraudes já é bastante difícil, mas fica muito mais difícil quando os únicos dados disponíveis para uma organização são limitados, fragmentados e mal analisados. A IA é uma base imprescindível para a detecção de fraudes online, e as plataformas construídas nessas tecnologias precisam alcançar três coisas excepcionalmente bem para ter sucesso. Primeiro, os algoritmos de aprendizado de máquina supervisionados precisam ser ajustados com o desempenho histórico inestimável de dados de regras de alta qualidade para minimizar falsos positivos e escalar esforços de detecção de fraudes. Segundo, o aprendizado de máquina não supervisionado é necessário para encontrar anomalias emergentes que sinalizam formas mais sofisticadas de fraude online. Finalmente, para que uma plataforma de fraude online seja mais eficaz, ela precisa complementar modelos de aprendizado de máquina personalizados internos com pontuações de fraude de terceiros calculadas usando uma rede de dados universal de grande escala em uma plataforma para melhorar a precisão das pontuações de prevenção de fraude.
Se você quiser saber mais sobre a abordagem da Oscilar no uso de IA para detecção de fraudes online, fique à vontade para agendar uma demonstração.
