Sempre alinhados com as demandas do mercado e buscando apresentar novidades para nossos clientes, a Simply convidou sua parceira Data Rudder para apresentar a seus clientes o conceito de Modelo Preditivo usado para preven\u00e7\u00e3o a fraudes. O bate-papo sobre dados do mercado e apresenta\u00e7\u00e3o de inova\u00e7\u00f5es aplicadas aconteceu na \u00faltima quinta-feira, dia 23\/06. Continue a leitura e saiba tudo que rolou no Webinar.\n<\/p>\n
Para abertura do Webinar, Gustavo Valadares – Diretor de Opera\u00e7\u00f5es na Simply Tecnologia – apresenta o panorama do mercado de Onboarding no Brasil, com base em material da Gartner (2022), Gustavo explica quais os componentes do Onboarding atual. Sendo estes a Identifica\u00e7\u00e3o e Autentica\u00e7\u00e3o. <\/strong>O primeiro diz respeito ao modelo tradicional do onboarding que busca identificar e reconhecer quem est\u00e1 realizando abertura de conta, solicita\u00e7\u00e3o de cr\u00e9dito e afins, esta abordagem est\u00e1 voltada para documentos e tem foco na comprova\u00e7\u00e3o de identidade da pessoa. J\u00e1 a Autentica\u00e7\u00e3o refere-se \u00e0 necessidade de ter-se certeza se a pessoa \u00e9 quem diz ser, o foco est\u00e1 na utiliza\u00e7\u00e3o de dados, seja de dispositivos, telefone, localiza\u00e7\u00e3o, e-mail, etc.<\/p>\n Gustavo apresenta ent\u00e3o quais os principais pontos-chave que movem o mercado atual, quais os desafios, dificuldades e a atual press\u00e3o para que as institui\u00e7\u00f5es atuem neste ambiente de maior risco online.<\/p>\n Rafaela Helbing – CEO na Data Rudder – come\u00e7a apresentando a Data Rudder<\/a>, empresa especialista em modelo preditivo que surgiu com o prop\u00f3sito de trazer transpar\u00eancia para o processo de antifraude, para combater a fraude com mais efici\u00eancia reduzindo custos e protegendo seus clientes.\u00a0<\/p>\n Para ilustrar a necessidade dos modelos preditivos de antifraude, Rafaela traz casos atuais de vazamento de dados, e como estes casos impactam o mercado financeiro e como se pode trabalhar para desenvolver novas tecnologias para conter novas modalidades de fraude.<\/p>\n \u00c9 a\u00ed que entra o modelo de m\u00faltiplas camadas de prote\u00e7\u00e3o<\/a>, que utiliza diversas tecnologias para preven\u00e7\u00e3o \u00e0 fraudes, que s\u00e3o utilizadas para enriquecimento de dados dos modelos preditivos. Como exemplo, s\u00e3o citadas as tecnologias: face match e prova de vida; documentoscopia e OCR; tokeniza\u00e7\u00e3o dos dados para acesso, entre outras. Rafaela explica como cada uma destas tecnologias contribui para detec\u00e7\u00e3o de tentativas de fraude e como elas s\u00e3o utilizadas dentro de modelos de machine learning. Com destaque \u00e0 utiliza\u00e7\u00e3o do VAR<\/a>, solu\u00e7\u00e3o da Simply que faz a documentoscopia do RG de todos os estados do Brasil. As valida\u00e7\u00f5es s\u00e3o profundas e complexas, criando um score\u00a0 de risco do documento, que pode ser utilizado para composi\u00e7\u00e3o de modelos preditivos, tornando-o ainda mais eficiente.<\/p>\n Rafaela nos explica a diferen\u00e7a entre um modelo tradicional de Machine Learning e o Auto Machine Learning<\/strong>: “A gente traz o poder para m\u00e3o do cliente”, os sistemas tradicionais s\u00e3o engessados, e demoram at\u00e9 tr\u00eas meses para treinar um Modelo. No Auto Machine Learning, o processo completo de treino leva tr\u00eas semanas para um novo cliente, j\u00e1 o processo para um cliente j\u00e1 integrado, \u00e9 poss\u00edvel treinar um novo modelo coloc\u00e1-lo pronto para teste em uma semana<\/strong>.<\/p>\n Os modelos preditivos da Data Rudder s\u00e3o personalizados, permitindo que os clientes tenham transpar\u00eancia para visualizar, alterar e construir modelos que fa\u00e7am sentido para seu neg\u00f3cio. Como explicado por Rafaela:<\/p>\n Muito importante \u00e9 a transpar\u00eancia dos resultados, \u00e9 sair daqueles blackblocs que a gente v\u00ea h\u00e1 anos no sentido de usar uma rede normal populacional de muitas camadas, eu n\u00e3o sei por que o algoritmo est\u00e1 dizendo que \u00e9 fraude, mas ele t\u00e1 dizendo que \u00e9 uma fraude. Isso n\u00e3o serve mais para o mercado, o mercado precisa saber a caracter\u00edstica da fraude, precisa saber de onde a fraude est\u00e1 vindo, por que aquele cliente foi rejeitado, por que s\u00f3 assim a gente vai conseguir ajustar todo o processo.<\/p>\n<\/blockquote>\n Com isso, Rafaela explica como \u00e9 feita a combina\u00e7\u00e3o de dados recebidos de diversas tecnologias para criar modelos preditivos com pol\u00edticas e regras para tomada de decis\u00e3o. Estas pol\u00edticas comp\u00f5em um score de fraude que pode ser calibrado em um ambiente de teste, permitindo a cria\u00e7\u00e3o de mais de um modelo a serem testados e aplicados em produ\u00e7\u00e3o \u00e0quele que apresentar melhores resultados.<\/p>\n Dor:<\/strong> Ataques constantes e custo enorme com a mesa de an\u00e1lise – demora na aprova\u00e7\u00e3o da proposta prejudicando a experi\u00eancia do cliente, que solicitava o empr\u00e9stimo, mas devido \u00e0 demora na aprova\u00e7\u00e3o, perdia o interesse e n\u00e3o efetivava a solicita\u00e7\u00e3o.<\/p>\n Solu\u00e7\u00e3o:<\/strong> Cria\u00e7\u00e3o de algoritmos que apresentaram um resultado acima do esperado e utiliza\u00e7\u00e3o dos resultados do VAR para compor os dados. Redu\u00e7\u00e3o de 42% de todas as propostas que chegavam \u00e0 mesa, com aprova\u00e7\u00e3o ou rejei\u00e7\u00e3o autom\u00e1tica.\u00a0<\/p>\n Dor:<\/strong> falta de ader\u00eancia aos modelos preditivos de mercado. Os modelos gen\u00e9ricos n\u00e3o apresentavam resultados, fazendo com que a empresa sofresse muitos ataques bem sucedidos de fraudadores.<\/p>\n Solu\u00e7\u00e3o:<\/strong> cria\u00e7\u00e3o de um algoritmo personalizado, gerando uma redu\u00e7\u00e3o de 55% em valor de fraude logo na implementa\u00e7\u00e3o do primeiro modelo treinado; Aumento de 4% da taxa de aprova\u00e7\u00e3o; Insights gerados no comportamento de compra que se tornaram determinantes para cria\u00e7\u00e3o de regras e pol\u00edticas personalizadas.<\/p>\n Analisando ent\u00e3o tudo que foi falado, Rafaela reflete sobre o que comp\u00f5e uma boa ferramenta de antifraude. E levanta os seguintes pontos:<\/p>\n Transpar\u00eancia:<\/strong> indica\u00e7\u00e3o de quais fatores aumentaram ou reduziram o score, quais as vari\u00e1veis devem ser analisadas para cria\u00e7\u00e3o, treinamento e modifica\u00e7\u00e3o de modelos preditivos;\n<\/p>\n Risk Scoring:<\/strong> cria\u00e7\u00e3o de um modelo preditivo personalizado, cocriado com o cliente com regras claras, transparentes que fa\u00e7am sentido para o neg\u00f3cio para ter \u00f3timos resultados;<\/p>\n Estrat\u00e9gia: <\/strong>estrat\u00e9gia parametriz\u00e1vel e simulada junto ao cliente, com a intelig\u00eancia de neg\u00f3cio que s\u00f3 o cliente tem sobre o funcionamento das fraudes em sua opera\u00e7\u00e3o;<\/p>\n Resposta r\u00e1pida \u00e0 ataques: <\/strong>monitora o comportamento de regi\u00f5es e KPI’s e alertas para que o cliente saiba de poss\u00edveis ataques no momento em que acontecem.\n<\/p>\n \n<\/p>\n Rafaela Helbing<\/strong><\/a> .\u00a0<\/strong>CEO na Data Rudder\n<\/p>\n Cientista de Dados h\u00e1 8 anos. Experi\u00eancia em usar dados para o bem, como preven\u00e7\u00e3o \u00e0 fraudes, preven\u00e7\u00e3o \u00e0 lavagem de dinheiro, usando dados para garantir celeridade e qualidade \u00e0 justi\u00e7a do Brasil.\u00a0<\/p>\nM\u00faltiplas camadas de Prote\u00e7\u00e3o: tecnologias dispon\u00edveis para preven\u00e7\u00e3o \u00e0 fraudes<\/strong><\/h2>\n
Modelo Auto Machine Learning<\/strong><\/h2>\n
\n
Cases de sucesso com Auto Machine Learning<\/strong><\/h2>\n
Institui\u00e7\u00e3o financeira: Antifraude Onboarding<\/h3>\n
Marketplace de m\u00f3veis<\/h3>\n
O que comp\u00f5e o Bom antifraude<\/strong><\/h2>\n
Quem participou do debate?\u00a0<\/strong><\/h2>\n