Chegamos ao nosso segundo “caso de uso”. E como já explicamos anteriormente, nesta série de posts, que vamos expandir ao longo do tempo, nosso objetivo é mostrar para o mercado como fazer o melhor uso possível dos dados e produtos que disponibilizamos para tomar melhores decisões, otimizar processos e reduzir custos.

Nosso assunto de hoje é como usar dados para construir modelos de fraude eficientes, sempre seguindo a mesma linha de texto: primeiro, vamos apresentamos os objetivos, o problema que está sendo resolvido e por que ele é relevante para o mercado; em seguida, vamos entrar no detalhe da aplicação, de como sua empresa pode utilizar os serviços da BigDataCorp para resolver problemas; por fim, vamos explorar alguns resultados que foram obtidos por nossos clientes na prática, bem como desafios que esses clientes enfrentaram, o que pode ajudar em implementações futuras.

Então vamos ao que realmente interessa!

 

Objetivo

Para evitar 100% das fraudes, será preciso reprovar 100% das transações ou cadastros que estão sendo feitos no seu site, app ou produto. Sem transações, não há fraudes. Infelizmente, sem transações também não há clientes, nem receita e, no limite, nem empresa. O grande objetivo de qualquer modelo de fraude, portanto, é equilibrar o nível de aprovação e reprovação com o risco de fraude que a empresa está disposta a assumir.

Um objetivo secundário dos modelos de fraude é a otimização de processos. Na maioria das empresas, as fraudes são tratadas com processos heurísticos – baseados em regras e fluxos – que geralmente envolvem consultas demoradas e intervenção manual. Você faz uma compra no e-commerce, seu pedido fica “em análise”, depois “aguardando confirmação de pagamento”, e assim por diante. Isso é um processo desenhado para tentar identificar e evitar fraudes, que gera um certo desgaste com o cliente final. Um bom modelo de fraude faz essa análise automaticamente, em tempo real, reduzindo a fricção das compras.

Para o desenvolvimento de um modelo de fraude próprio, adaptado a cada realidade, a BigDataCorp oferece aos clientes dezenas de atributos correlacionados com o comportamento de risco e com a capacidade de pagamento, construídos a partir de dados alternativos, entre eles, a presença e a participação na economia digital de indivíduos e empresas, as redes de relacionamentos das diferentes entidades, ou mesmo a inferência de comportamentos a partir dos anúncios e comentários postados na internet por uma pessoa.

Os dados que entregamos podem ser utilizados tanto de forma independente, para a construção de um modelo baseado apenas neles, quanto integrados em modelos já existentes, com atributos vindos de outras fontes, ou mesmo com dados internos do próprio cliente.

 

Aplicação

Dois pontos precisam ser muito bem entendidos para a construção de modelos de fraude. O primeiro é que existe mais de um tipo de fraude, sendo os mais comuns a fraude de identidade, quando alguém se passa por outra pessoa com o intuito de obter vantagens; a falsidade ideológica, praticada com o objetivo de obter algum benefício percebido; e a autofraude, quando uma pessoa frauda a si mesma para obter vantagens. Cada um desses tipos está mais bem explicado no artigo “3 tipos de fraude mais comuns nos negócios”.

O segundo ponto que precisa ser entendido é que existem, basicamente, dois momentos em que a fraude pode acontecer: no cadastro, quando alguém preenche o formulário com informações de outra pessoa, ou na transação, quando alguém utiliza, por exemplo, o número de um cartão roubado para realizar uma transação financeira.

Entendido isso, o próximo passo será encontrar a variável resposta, que é saber, dentre todas as compras (ou cadastros) já realizadas por seus clientes, o que foi fraude e o que não foi fraude. A partir dessa análise, será possível aplicar seu modelo para evitar fraudes tanto em cadastro quanto em transações.

Vale também lembrar que a natureza do produto vai impactar o risco de fraude. Produtos com valor de revenda baixo geralmente apresentam uma alta dificuldade de venda, enquanto produtos com alto valor de revenda quase sempre são vendidos mais facilmente. Se sua empresa vende vários produtos diferentes, é preciso levar em consideração o produto que está sendo vendido como parte dos atributos de entrada. E aí, junto com isso, é possível usar informações externas, que vão envolver características da pessoa que, em alguns casos, já constam na base da própria empresa. Uma análise neste sentido poderá identificar se uma determinada transação está ou não dentro do perfil do cliente. Mas também é importante olhar para os atributos externos, por exemplo, se o endereço de entrega ou o telefone para confirmação são os mesmos do cliente. No caso da verificação de cadastro, será possível identificar se estão sendo usadas informações completamente aleatórias, sem qualquer ligação com o cliente em si ou com os responsáveis pelo cliente, no caso de uma criança.

Como se pode ver, uma série de informações podem ajudar sua empresa a identificar riscos. O problema é que muitas vezes as empresas possuem essas informações de forma desestruturada, o que dificulta sua utilização. Para esses casos, a BigDataCorp oferece aos seus clientes produtos, como o BigID, que permite que você valide a identidade de qualquer pessoa ou empresa de forma rápida, simples e sem qualquer análise manual ou processo que incomode o cliente, e o BigBoost, uma API que reúne todos os dados sobre pessoas, empresas e produtos espalhados pela internet, de dados cadastrais básicos aos conjuntos de informação exclusivos, atendendo a todas as suas necessidades por informação.

Por meio do monitoramento constante de informações de pessoas, empresas e mercados, também podemos ajudar sua empresa a identificar e entender mudanças de contexto ou de comportamento que podem levar a um risco maior de fraude.

 

Resultados e desafios

Os resultados vão variar de acordo com a natureza de cada cliente, mas, no geral, como já apontado no caso de uso anterior publicado no nosso blog, a combinação entre nossos dados alternativos e informações tradicionais que já estão utilizando têm gerado ganhos consistentes nos modelos de nossos clientes. Esses ganhos podem acontecer no nível de incidências de fraude, onde já vimos reduções de até 90%, ou no custo, com reduções do tempo de análise de 99% ou mais, e redução do custo total de validação em mais de 50%.

Em modelos construídos apenas com nossos dados, os resultados que temos observados são tão bons quanto, ou até mesmo melhores, que os modelos de prateleira oferecidos por diversas empresas que atuam neste segmento. A grande vantagem que trazemos nesse caso é uma enorme redução de custos para os clientes.

No fundo, os desafios enfrentados pelos clientes no processo de modelagem com dados alternativos são sempre os mesmos, independente dos resultados alcançados. Primeiro, pela dificuldade no tratamento dessas informações. O grande diferencial das informações que apresentamos é a sua complexidade, a quantidade de atributos relacionados com cada registros e, em alguns casos, os múltiplos registros associados com cada entidade individual. Todo esse volume de dados geralmente precisa ser pré-processado para gerar atributos mais estruturados, que podem ser colocados diretamente nos modelos, o que pode ser um desafio para quem não tem experiência com esse tipo de trabalho.

Uma questão importante que pede uma atenção especial é que, resolver o problema da fraude é sempre um trade off mais difícil de ser calculado. No crédito, a coisa funciona da seguinte forma: mede-se o risco de o cliente não pagar e o quanto sua empresa está disposta a correr esse risco. É matemático! No caso da fraude em compras, sua empresa sempre estará abrindo mão de possíveis bons negócios ou bons clientes para evitar fraudes, pois é impossível decidir perfeitamente.

Diferente de uma situação de crédito, o que acontece com a compra é que muitas vezes ela acontece por um impulso. Ninguém solicita um cartão de crédito ou um empréstimo por impulso. Se uma solicitação é reprovada e o cliente realmente precisar daquele dinheiro, eventualmente ele tentará novamente, na mesma empresa ou em outro lugar. Já a compra acontece, na maioria das vezes, quando o consumidor encontra algo que o interesse. Se a transação for negada, dependendo do produto, provavelmente o consumidor desistirá da compra. E aqui temos uma informação importante para o seu processo de fraude: quantas reprovações de compras boas sua empresa está disposta a aceitar para aprovar ou reprovar novas compras?

 

Conclusão

Já ajudamos centenas de clientes a melhorarem seus modelos e a substituírem dados tradicionais por dados alternativos de menor custo. Se você achou essa proposta interessante, visite o nosso site, entre em contato e conte com a nossa ajuda para o seu próximo modelo.

 

Leia também >> Usando dados alternativos para construir modelos de crédito

BigDataCorp