Como detectar fraudes bancárias em um ciberespaço em constante evolução?
A fraude bancária existe desde que os bancos existem, mas adquiriu uma dimensão totalmente nova com a ascensão do banco online. A capacidade do setor bancário de detectar crimes cibernéticos ou identificar anomalias precisa se adaptar às mudanças tecnológicas. As instituições financeiras precisam acompanhar continuamente a detecção de fraudes bancárias.
As perdas por fraude bancária podem se somar, tornando-se imperativo reduzi-las. No entanto, bancos e serviços de fintech estão começando a implementar medidas preventivas para reduzir essas perdas. Modelos sofisticados de ciência de dados podem acelerar o processo e prever anomalias, ser mais precisos e preditivos e reduzir os valores de gastos dos bancos.
Os fraudadores podem atacar potencialmente em qualquer banco, em qualquer país, em todo o mundo, graças à sua experiência em sequestrar sessões bancárias online. Os comportamentos mais comuns dos fraudadores incluem:
- Roubo das credenciais do cliente
- Como implantar malware
- Roubo de fundos de contas de clientes infectadas com malware
O autor Marc Goodman, em seu livro Future Crimes (Crimes Futuros), aponta que os criminosos estão entre os primeiros exploradores de tecnologias emergentes; eles obtêm rapidamente a experiência necessária para transformar até mesmo tecnologias complexas contra usuários desavisados.
As armadilhas dos resultados falsos positivos
Os falsos positivos ocorrem quando os sistemas de detecção de fraude interpretam incorretamente transações genuínas e as sinalizam como fraude, resultando na recusa da transação. Isso pode causar danos às relações entre o titular da conta e o banco e resultar em perda de vendas devido a transações recusadas.
Se o sistema não estiver calibrado para minimizar falsos positivos, o banco corre o risco de perder seus clientes ao classificar erroneamente transações legítimas como fraude. Se o banco cancelar cartões de crédito em tal cenário, ele terá que pagar do próprio bolso os custos operacionais, como imprimir novos cartões e enviá-los para clientes frustrados. Isso pode levar a uma perda de confiança e aumento da rotatividade de clientes. Portanto, os bancos devem ser tão precisos quanto possível na distinção entre transações genuínas e fraudulentas.
É aqui que as seguintes ferramentas e tecnologias se tornam uma parte essencial da detecção de fraudes:
Ferramentas para os bancos combaterem o cibercrime e reduzirem falsos positivos
Software de análise de dados
O software de análise de dados vem com um espectro de táticas para detectar transações bancárias fraudulentas. Isso inclui modos de análise de vários aspectos dos dados comerciais diários, como validação de datas de entrada, sinalização de transações duplicadas, soma de valores numéricos e cálculos estatísticos para detectar discrepâncias que sinalizam fraude. Verificações e contrapesos internos no software permitem a análise de situações contextuais para uma investigação de fraude autônoma, bem como uma análise repetível de processos bancários que o tornam suscetível a ataques cibernéticos e avaliação dos níveis de risco de uma ocorrência.
Mesmo os setores bancários tradicionais aumentaram seus requisitos de gerenciamento de informações, levando o ajuste de auditoria de abordagens cíclicas e convencionais para um modelo duradouro baseado em risco para ficar à altura das fintechs. A vigilância constante com software desenvolvido localmente pode ser útil se os controles preventivos não forem suficientes.
Inteligência artificial e aprendizado de máquina para bancos
A detecção de anomalias é uma técnica clássica de detecção de fraudes impulsionada por inteligência artificial. Essa técnica identifica quaisquer desvios das normas estabelecidas para comparação com processos remotos de fraude bancária e lavagem de dinheiro. As soluções antifraude baseadas na detecção de anomalias são mais comuns do que as soluções que usam análises de dados preditivas e prescritivas.
O modelo de aprendizado de máquina inerente à detecção de anomalias é treinado com base no fluxo contínuo de dados de entrada que ele compara constantemente com linhas de base pré-estabelecidas para normalidade em relação a transações bancárias, geração de novas contas, pedidos de empréstimos e outras transações bancárias. O sistema sinaliza quaisquer desvios da norma para um monitor humano. Após a revisão dos dados, o monitor humano pode aceitar ou rejeitar o sinalizador como um alerta genuíno. A decisão do monitor humano é a base para o modelo de aprendizado de máquina entender se a detecção de atividade fraudulenta estava correta ou não e, em caso contrário, se era um desvio até então não visto, mas aceitável.
As soluções baseadas em aprendizado de máquina para detecção de fraudes podem ser treinadas para detectar fraudes em mais de um canal de dados e com mais de um tipo de transação e aplicativo, geralmente em paralelo.
Os bancos que empregam sistemas antifraude baseados em inteligência artificial geralmente veem uma redução na contagem diária de falsos positivos, e as taxas de detecção de fraudes reais aumentam. Isso pode capacitar os bancos a reorganizar a alocação de recursos para eliminar casos reais de fraude e detectar práticas fraudulentas emergentes. Os sistemas também podem detectar inconsistências entre dados conhecidos, como uma diferença entre a localização geográfica registrada de um titular de conta e o local de uma transação ou quando são feitos tipos de compras altamente irregulares.
Análise de dados para prevenção de fraudes bancárias
A visualização de dados de alta tecnologia promoveu avanços na análise nos últimos anos. A ciência de dados pode descobrir padrões ocultos e fornecer informações valiosas de enormes quantidades de dados estruturados e não estruturados. A análise de dados requer uma combinação de mineração de dados, aprendizado de máquina e análise avançada para fornecer insights úteis.
Os recursos analíticos de alta tecnologia são classificados nas quatro categorias gerais a seguir:
- Análise descritiva: descreve o que ocorreu, como um boletim meteorológico recente.
- Análise de diagnóstico: investiga um fenômeno e explica por que algo ocorreu. Em outras palavras, examina os fatores que contribuíram para um evento ou ocorrência. Por exemplo, quais condições climáticas causaram um furacão.
- Análise preditiva: usa as informações de diagnóstico para prever o que pode acontecer a seguir. Isso é a previsão do tempo – conhecer os padrões climáticos da área, ver o que ocorreu e prever o que pode acontecer no futuro.
- Análise prescritiva: recomenda soluções, medidas preventivas ou de contingência ou controle de danos.
O software de análise preditiva e prescritiva pode trabalhar com os mesmos dados e obter treinamento semelhante. Os bancos empregam cientistas de dados ou especialistas em dados bancários para primeiro estabelecer uma linha de base, rotulando um volume muito alto de transações como legítimo, aceitável ou fraudulento. Em seguida, processá-los no modelo de aprendizado de máquina permite que o software reconheça e sinalize fraudes bancárias.
Orquestração de fraudes
A orquestração de fraudes é uma nova ferramenta poderosa no arsenal de combate a crimes cibernéticos de um banco. Funciona como uma plataforma centralizada onde a atividade fraudulenta pode ser monitorada a partir de um único local. A análise de dados em tempo real é executada em conjunto com sistemas de prevenção de fraudes, levando à rápida identificação de fraudes e agilidade para respondê-las. Outra vantagem da orquestração de fraudes é a capacidade de desenvolver perfis de clientes para bancos, com base nos padrões e tendências de gastos dos clientes.
Isso, por sua vez, ajuda os varejistas de comércio eletrônico a supervisionar as compras de seus clientes em tempo real para impedir uma leitura de falso positivo. Assim, a orquestração de fraudes fornece aos bancos uma visão mais holística de seus clientes, combinando dados comportamentais com dados transacionais e, assim, ajustando os sistemas de detecção de fraudes.
O futuro do setor bancário precisa de detecção precisa de fraudes
À medida que cada vez mais instituições financeiras adotam modos automatizados, holísticos e integrados de detecção de fraudes bancárias, elas têm o potencial de usar suas experiências para tornar os sistemas de detecção ainda mais precisos a longo prazo.