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 prevenção a fraudes. O bate-papo sobre dados do mercado e apresentação de inovações aplicadas aconteceu na última quinta-feira, dia 23/06. Continue a leitura e saiba tudo que rolou no Webinar.
Panorama do mercado de onboarding e fraudes no Brasil
Para abertura do Webinar, Gustavo Valadares – Diretor de Operações 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 Identificação e Autenticação. O primeiro diz respeito ao modelo tradicional do onboarding que busca identificar e reconhecer quem está realizando abertura de conta, solicitação de crédito e afins, esta abordagem está voltada para documentos e tem foco na comprovação de identidade da pessoa. Já a Autenticação refere-se à necessidade de ter-se certeza se a pessoa é quem diz ser, o foco está na utilização de dados, seja de dispositivos, telefone, localização, e-mail, etc.
Gustavo apresenta então quais os principais pontos-chave que movem o mercado atual, quais os desafios, dificuldades e a atual pressão para que as instituições atuem neste ambiente de maior risco online.
Múltiplas camadas de Proteção: tecnologias disponíveis para prevenção à fraudes
Rafaela Helbing – CEO na Data Rudder – começa apresentando a Data Rudder, empresa especialista em modelo preditivo que surgiu com o propósito de trazer transparência para o processo de antifraude, para combater a fraude com mais eficiência reduzindo custos e protegendo seus clientes.
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.
É aí que entra o modelo de múltiplas camadas de proteção, que utiliza diversas tecnologias para prevenção à fraudes, que são utilizadas para enriquecimento de dados dos modelos preditivos. Como exemplo, são citadas as tecnologias: face match e prova de vida; documentoscopia e OCR; tokenização dos dados para acesso, entre outras. Rafaela explica como cada uma destas tecnologias contribui para detecção de tentativas de fraude e como elas são utilizadas dentro de modelos de machine learning. Com destaque à utilização do VAR, solução da Simply que faz a documentoscopia do RG de todos os estados do Brasil. As validações são profundas e complexas, criando um score de risco do documento, que pode ser utilizado para composição de modelos preditivos, tornando-o ainda mais eficiente.
Modelo Auto Machine Learning
Rafaela nos explica a diferença entre um modelo tradicional de Machine Learning e o Auto Machine Learning: “A gente traz o poder para mão do cliente”, os sistemas tradicionais são engessados, e demoram até três meses para treinar um Modelo. No Auto Machine Learning, o processo completo de treino leva três semanas para um novo cliente, já o processo para um cliente já integrado, é possível treinar um novo modelo colocá-lo pronto para teste em uma semana.
Os modelos preditivos da Data Rudder são personalizados, permitindo que os clientes tenham transparência para visualizar, alterar e construir modelos que façam sentido para seu negócio. Como explicado por Rafaela:
Muito importante é a transparência dos resultados, é sair daqueles blackblocs que a gente vê há anos no sentido de usar uma rede normal populacional de muitas camadas, eu não sei por que o algoritmo está dizendo que é fraude, mas ele tá dizendo que é uma fraude. Isso não serve mais para o mercado, o mercado precisa saber a característica da fraude, precisa saber de onde a fraude está vindo, por que aquele cliente foi rejeitado, por que só assim a gente vai conseguir ajustar todo o processo.
Com isso, Rafaela explica como é feita a combinação de dados recebidos de diversas tecnologias para criar modelos preditivos com políticas e regras para tomada de decisão. Estas políticas compõem um score de fraude que pode ser calibrado em um ambiente de teste, permitindo a criação de mais de um modelo a serem testados e aplicados em produção àquele que apresentar melhores resultados.
Cases de sucesso com Auto Machine Learning
Instituição financeira: Antifraude Onboarding
Dor: Ataques constantes e custo enorme com a mesa de análise – demora na aprovação da proposta prejudicando a experiência do cliente, que solicitava o empréstimo, mas devido à demora na aprovação, perdia o interesse e não efetivava a solicitação.
Solução: Criação de algoritmos que apresentaram um resultado acima do esperado e utilização dos resultados do VAR para compor os dados. Redução de 42% de todas as propostas que chegavam à mesa, com aprovação ou rejeição automática.
Marketplace de móveis
Dor: falta de aderência aos modelos preditivos de mercado. Os modelos genéricos não apresentavam resultados, fazendo com que a empresa sofresse muitos ataques bem sucedidos de fraudadores.
Solução: criação de um algoritmo personalizado, gerando uma redução de 55% em valor de fraude logo na implementação do primeiro modelo treinado; Aumento de 4% da taxa de aprovação; Insights gerados no comportamento de compra que se tornaram determinantes para criação de regras e políticas personalizadas.
O que compõe o Bom antifraude
Analisando então tudo que foi falado, Rafaela reflete sobre o que compõe uma boa ferramenta de antifraude. E levanta os seguintes pontos:
Transparência: indicação de quais fatores aumentaram ou reduziram o score, quais as variáveis devem ser analisadas para criação, treinamento e modificação de modelos preditivos;
Risk Scoring: criação de um modelo preditivo personalizado, cocriado com o cliente com regras claras, transparentes que façam sentido para o negócio para ter ótimos resultados;
Estratégia: estratégia parametrizável e simulada junto ao cliente, com a inteligência de negócio que só o cliente tem sobre o funcionamento das fraudes em sua operação;
Resposta rápida à ataques: monitora o comportamento de regiões e KPI’s e alertas para que o cliente saiba de possíveis ataques no momento em que acontecem.
Quem participou do debate?
Rafaela Helbing . CEO na Data Rudder
Cientista de Dados há 8 anos. Experiência em usar dados para o bem, como prevenção à fraudes, prevenção à lavagem de dinheiro, usando dados para garantir celeridade e qualidade à justiça do Brasil.
Gustavo Valadares . Diretor de Operações na Simply Tecnologia
Mais de 20 anos de experiência no mercado de software e tecnologia, atuando no desenvolvimento de negócios em cias nacionais e multinacionais. Em 2013 assumiu o papel de sócio na Simply, para ajudar no planejamento estratégico e desenvolvimento de mercado, com foco na transformação digital em instituições financeiras.
Quer conhecer mais sobre a parceria Simply + Data Rudder e descobrir qual impacto positivo o Auto ML pode gerar para seu negócio? Fale com nossos consultores!
Assista o evento na íntegra
[et_bloom_locked optin_id=”optin_5″]https://www.youtube.com/watch?v=dev_aLSTUaQ[/et_bloom_locked]
