O aumento no número de fraudes no setor de pagamentos é uma grande preocupação para empresas e consumidores.
De acordo com o Mapa da Fraude, estudo que analisou os dados do e-commerce brasileiro, o número de tentativas de fraude no país entre janeiro e junho de 2022 cresceu 9% em comparação ao mesmo período do ano de 2021.
Vale destacar ainda, de acordo com o Índice de Confiança e Segurança Digital, o acréscimo de 70% na taxa desses ataques em pagamentos em 2021.
O mercado financeiro apresentou 527 mil tentativas de golpes como esses em processos digitais como abertura de contas, emissão de cartões, Pix, empréstimo pessoal e CDC.
A expectativa é que esses números aumentem ainda mais nos próximos anos com a constante evolução das ameaças digitais voltadas para o setor de pagamentos.
Mas, com o uso de tecnologias inovadoras, é possível ter sucesso em ações de proteção contra esse tipo de atuação.
É o caso da empresa multinacional americana de tecnologia financeira, que opera pagamentos online na maioria dos países que suportam transferências de dinheiro e serve como uma alternativa eletrônica aos métodos tradicionais de papel, como cheques e ordens de pagamento.
Desafio crítico ao negócio
Proteger seus consumidores contra fraudes é algo crítico para todas as empresas, em especial, organizações do setor de tecnologia financeira que operam com pagamentos online de clientes espalhados pelo mundo.
Por isso, um dos grandes desafios dessa multinacional de pagamentos era oferecer uma ampla garantia de proteção de compra aos consumidores, que incluísse reembolso pelo pagamento total e custos de envio, mesmo com a grande incidência de ataques em suas operações de negócio diariamente.
Além disso, também era necessário cumprir a promessa de garantia de proteção aos comerciantes por meio do programa de proteção ao vendedor, que tem como objetivo proteger os comerciantes contra perdas devido a reclamações e estornos.
Tornar essas garantias viáveis se tornou um grande desafio
Com um volume de transações tão alto, a empresa de pagamentos obtinha um aumento crescente nas fraudes por compradores e vendedores que buscavam burlar seus programas de proteção.
A abordagem utilizada pela empresa para detectar essas atividades suspeitas incluía o uso de equipes de cientistas de dados, analistas financeiros e agências de inteligência externas para aprender como os criminosos pensavam, quais eram suas motivações e as técnicas utilizadas para explorar seu sistema de pagamento.
Essas equipes colaboraram para construir modelos robustos destinados a prever e prevenir atividades ilegais. Mas algo faltava para criar a convergência entre os estudos e as investigações realizadas na busca de reduzir drasticamente o número de golpes que causavam prejuízos.
O impacto não incluía somente valores financeiros, mas a credibilidade da empresa e de seus colaboradores.
H2O.ai fez toda a diferença no combate a fraudes financeiras
Com a ajuda da H2O.ai, a equipe de ciência de dados dessa empresa multinacional de pagamentos passou a trabalhar com Machine Learning, método de análise de dados que automatiza a construção de modelos analíticos. O objetivo era criar modelos estatísticos que pudessem detectar padrões de fraude.
Para ficar um passo à frente dos cibercriminosos, os especialistas se desafiaram a analisar o problema de forma diferente, examinando não apenas os comportamentos de compradores e vendedores individuais, mas também considerando atividades que pareciam indicar uma associação com uma rede maior e interconectada.
Dúvidas precisavam ser esclarecidas
A análise envolveu as seguintes perguntas: os compradores e vendedores suspeitos estão compartilhando ativos? Eles compartilham o mesmo endereço IP? Eles estão listados no mesmo endereço de entrega?
Para entender melhor a resolução do desafio, o time responsável implementou, com uso do Machine Learning, um banco de dados gráfico para construir uma estrutura algorítmica para aprender representações contínuas de recursos para nós em redes.
Machine Learning usa a noção de rede de nós vizinhos, explorando como eles podem ser organizados com base nas comunidades a que pertencem ou com base nos papéis estruturais dos nós na rede.
Na prática, no caso da empresa de pagamentos, um nó pode ser o identificador de uma conta, o endereço IP de um comprador ou vendedor.
Uma vez que uma conta fraudulenta é identificada, com base nos dados da transação de pagamento, outras contas suspeitas, compartilhando a mesma estrutura de rede, podem ser localizadas.
Mesmo com engenharia de recursos substanciais e treinamento do modelo de prevenção de fraudes sobre esses novos dados, a equipe de ciência de dados não ficou satisfeita com os resultados.
O time de especialistas então buscou desenvolver uma plataforma que pudesse ajudar a construir um modelo ainda mais robusto.
Através de uma estrutura tecnológica da empresa de pagamentos, combinada com os recursos projetados pelos especialistas e aplicado ao uso da Inteligência Artificial, foi possível projetar e criar uma arquitetura com modelos preventivos que pudesse melhorar o desempenho do modelo atual.
O resultado superou expectativas
Os principais resultados extraídos por esse novo modelo de prevenção de fraudes superaram em 10 anos os recursos projetados por especialistas, e ao mesmo tempo que aumentaram sua precisão.
Além disso, a execução em um servidor baseado em GPU permitiu que a equipe o treinasse seis vezes mais rápido quando comparado a um ambiente de CPU.
Próximos passos com uso do Machine Learning
Essa aplicação do Machine Learning diretamente a gráficos também possibilitou uma abertura à novas possibilidades para a multinacional de pagamentos, que já possui objetivos imediatos para a solução.
Um deles é avaliar o uso do Machine Learning diretamente com dados brutos, conectando-o ao fluxo de informações e usando a funcionalidade de série temporal para eliminar a engenharia manual de recursos em novos dados.
Para saber mais sobre como tornar os seus negócios mais seguros e produtivos com o uso de tecnologias inovadoras, entre em contato com os especialistas da F2IT e conheça as melhores soluções do mercado!
