Mesmo após o período mais intenso da pandemia, é exponencial o aumento do número de pessoas que continuam a fazer compras ou acessar serviços financeiros diversos por meio de websites e aplicativos. A Pesquisa FEBRABAN de Tecnologia Bancária 2022 revela que os canais digitais somaram cerca de 80 bilhões de transações bancárias em 2021 – ante 68,5 bilhões em 2020 -, o que representa 70% do complete de 119 bilhões pagamentos realizados. O relatório aponta também que pela primeira vez o número de contas abertas em serviços digitais superou o de contas abertas em canais físicos.
Entretanto, a maior conveniência do on-line fez que as fraudes identificadas também aumentassem. Para os bancos, esse crescimento resultou em diversos custos operacionais, tais como: gastos com a geração de uma nova through do cartão para substituir os fraudados, dispêndios para estorno dos débitos indevidos e a consequente queda no faturamento, já que o cliente fica sem o plástico até que ele seja substituído. Isso sem falar em uma possível perda de prioridade (Prime of Pockets), ou seja, quando o consumidor deixa de utilizar determinado cartão preferencialmente.
Nesse cenário, os bancos dependem dos softwares e especialistas em prevenção a fraudes para classificar casos suspeitos e tratar aqueles que necessitem de uma análise mais estratégica. É necessária, então, o uso de recursos humanos, para análise investigativa, além de recursos tecnológicos capazes de agregar e processar grande quantity de dados. Usando técnicas analíticas, é possível mitigar os riscos de fraude e auxiliar na tomada de decisão.
Embora existam muitas empresas especializadas na identificação e no tratamento de casos como esses, o principal diferencial é a capacidade de prever e inibir os riscos antes mesmo que aconteçam. Para isso, são aplicadas abordagens estatísticas, como aprendizado de máquinas, mineração de dados, redes de relacionamentos e regras de anomalias, consultando as mais diversas fontes de dados para maximizar a identificação de casos.
Mas, quando essas estratégias não são implementadas de maneira efetiva, os esforços acabam sendo empregados incorretamente, e os resultados são negativos. A utilização da modelagem analítica é uma das maneiras mais eficazes para identificar não apenas um, mas diversos cartões que possivelmente estejam comprometidos, avaliando a probabilidade de seus cartões estarem em risco de fraude e identificando o ponto de comprometimento (POC).
O POC é o native onde os dados dos cartões estão em risco, o que usualmente significa o native da clonagem das informações do plástico. As plataformas de identificação de ponto de comprometimento são ferramentas completas que fazem uso das bases transacionais com as devidas marcações de fraude das instituições financeiras para fornecer os resultados dessas análises e as probabilidades dos estabelecimentos que podem estar comprometidos e os clientes que utilizaram cartões nesses estabelecimentos.
Nesse contexto, para avaliar se os resultados da plataforma escolhida estão sendo satisfatórios, é possível aplicar uma das métricas mais utilizadas pelas instituições financeiras, o processo de chargeback, que pode ser considerado uma versão prática e monetária do falso-negativo, ou seja, quando uma transação é marcada como fraude, mas erroneamente é classificada como legítima e tem aprovação. O índice de chargeback é a razão entre o faturamento complete do estabelecimento no período e o quantity financeiro envolvido no processo de chargeback. Espera-se que esse índice tenha sempre um valor baixo.
Por fim, é indicada a utilização de diversas técnicas para se conectar a fontes de dados, aplicar técnicas para obter qualidade das informações, removendo possíveis dados que podem enviesar as decisões finais. Além disso, é preciso aplicar diversas técnicas de classificação de transações, para comparar os melhores modelos de atuação e escolher os que mais se encaixam com as estratégias da instituição financeira, atuando de maneira a estancar os problemas, proativamente tomando ações preventivas a eles.
Nesse contexto, são derivados os casos com rating intermediário para uma fila de tratamento handbook, na qual os analistas vão avaliar todas as informações disponibilizadas e tomar a melhor decisão, aumentando o nível de detecção e minimizando os índices de falso-positivo e falso-negativo. Dessa forma, é possível barrar os casos fraudulentos e evitar o impacto negativo com os clientes e, finalmente, elaborar dashboards objetivos que vão apresentar cenários para acompanhamento das estratégias aplicadas e acertar, caso necessário, os pontos para continuar seguindo aumentando os índices de detecção.
Todas essas técnicas aplicadas de maneira conjunta formam uma perfeita armadura para as instituições financeiras no sentido de prevenir fraudes, lavagem de dinheiro e financiamento do terrorismo.
