Desafios e Soluções Tecnológicas para a Prevenção de Fraudes

Hoje a conversa será sobre Fraudes, que é sem dúvida uma das maiores ameaças para empresas e consumidores na era digital, até mesmo devido à evolução da tecnologia, especialmente a Inteligência Artificial (IA), que trouxe benefícios significativos, mas também abriu novas oportunidades para atividades fraudulentas.

Queria então abaixo detalhar um pouco mais dos desafios e das eventuais soluções na prevenção de fraudes, e para isto vou usar como referência uma interessante pesquisa de 2023 da Serasa Experian.

Não consigo mais pensar o tema sem também pensar (e falar) sobre o cada vez maior uso da inteligência artificial (AI) e metodologias de aprendizado de máquina (ML) na prevenção de fraudes, que se tornou essencial para enfrentar os desafios crescentes no cenário digital.

Assim como a implementação de uma abordagem multicamadas, que combina inteligência de dispositivos, biometria, e análises baseadas em ML, e assim oferece uma defesa robusta contra fraudes enquanto melhora a experiência do cliente.

Segundo a pesquisa em 2023 para ter uma ideia do tamanho do problema, 73% das empresas relataram um aumento nas perdas por fraudes, com o setor financeiro sendo o mais afetado (78%), e à medida que o mercado digital cresce, o potencial para fraudes também aumenta, intensificado por violações de dados que fornecem um grande volume de informações privadas aos criminosos.

A pesquisa conduzida pela Experian em parceria com a Forrester Consulting traz alguns resultados e conclusões interessantes sobre o panorama atual e as tendências emergentes em prevenção de fraudes, que queria compartilhar abaixo:

Aumento nas Perdas por Fraudes

Um dos resultados mais alarmantes é que 73% das empresas relataram um aumento nas perdas por fraudes no último ano, aonde este aumento é particularmente significativo no setor de serviços financeiros, onde 78% das empresas enfrentaram perdas crescentes.

Este aumento nas fraudes pode ser atribuído a diversos fatores, incluindo a crescente digitalização e a sofisticação das técnicas utilizadas pelos fraudadores.

Eficácia da Biométrica

A pesquisa revelou que 73% dos entrevistados consideram a biometria como a forma mais eficaz de verificar a identidade dos clientes.

A utilização de biometria física, como reconhecimento facial com detecção de vida, é vista como uma barreira robusta contra fraudes, apesar dos avanços na criação de deepfakes por meio de IA generativa.

A detecção de vida é particularmente eficaz para diferenciar uma pessoa real de uma imagem ou vídeo, analisando características sutis, como tons de pele e batimentos cardíacos.

Custo dos Falsos Positivos

Os falsos positivos, onde transações legítimas são erroneamente identificadas como fraudulentas, continuam a ser um problema significativo, e 70% das empresas relataram que os falsos positivos custam mais às suas operações do que as próprias perdas por fraudes.

Estes falsos positivos não apenas causam frustração aos clientes, levando à perda de vendas, mas também aumentam os custos operacionais com processos de revisão manual.

Necessidade de Inteligência de Dispositivos

A inteligência de dispositivos é considerada uma componente essencial para a prevenção de fraudes por 73% dos entrevistados.

A capacidade de analisar dados históricos e comportamentais de um dispositivo, como geolocalização, padrões de navegação e características do sistema operacional, permite uma autenticação contínua e passiva, aumentando a precisão na detecção de fraudes sem impactar negativamente a experiência do usuário.

Futuro da Prevenção de Fraudes

A pesquisa destaca que 72% dos entrevistados acreditam que o futuro da prevenção de fraudes será impulsionado por soluções baseadas em IA e ML.

A aplicação de ML permite que as empresas analisem vastos conjuntos de dados para identificar padrões de fraudes com maior precisão e adaptem-se rapidamente às novas técnicas fraudulentas. A capacidade de aprendizado contínuo dos modelos de ML é importante para manter a eficácia das defesas contra fraudes em um cenário em constante evolução.

Expectativas de Perdas Futuras

Uma expectativa preocupante da pesquisa mostrou que 50% dos entrevistados esperam um aumento nas perdas por fraudes nos próximos 12 meses.

Esta previsão mostra a necessidade urgente de aprimorar as estratégias de prevenção de fraudes, adotando tecnologias avançadas e abordagens inovadoras para enfrentar os desafios crescentes.

A chegada de modelos de IA maliciosos, como o FraudGPT, facilitou a criação de ataques sofisticados de engenharia social e phishing, pois esses modelos podem gerar códigos adversários e ferramentas de automação de fraudes, reduzindo as barreiras técnicas para a realização de fraudes. Agora a IA generativa permite a criação de identidades sintéticas convincentes, dificultando os processos de verificação de identidade e due diligence das empresas.

A IA tem se mostrado essencial na prevenção de fraudes devido à sua capacidade de analisar grandes volumes de dados em tempo real, identificar padrões e fortalecer as defesas de maneira proativa. As soluções de prevenção de fraudes baseadas em IA precisam ser implementadas em uma abordagem multicamadas que escaneie continuamente cada sessão do usuário em busca de sinais de fraude.

Feita esta introdução, queria agora detalhar abaixo mais os desafios e as prioridades na prevenção de fraudes:

1) Principais Desafios:

• Falta de Identificação de Dispositivos: 56% dos entrevistados relataram a ausência de técnicas de fingerprinting de dispositivos, que são essenciais para monitorar o risco de fraude desde o momento em que o cliente acessa o site.
• Verificação de Identidade Biométrica: 54% apontaram a falta de verificação biométrica física como um grande desafio. Biometria física é vista como o método mais seguro para verificação de identidade online.
• Custos Elevados com Softwares de Prevenção de Fraudes: 52% das empresas enfrentam dificuldades com os custos associados a múltiplos softwares de prevenção de fraudes.
• Alinhamento entre Prevenção de Fraudes e Crescimento de Receita: 52% das empresas não conseguem alinhar eficazmente suas estratégias de prevenção de fraudes com as metas de crescimento de receita.
• Aumento de Referências e Atrasos: 51% mencionaram que o aumento no número de referências causou atrasos e custos adicionais.

Desafio da Falta de Identificação ("fingerprinting") de Dispositivos:

O primeiro e mais significativo desafio identificado na pesquisa é a falta de técnicas de fingerprinting de dispositivos, reportada por 56% dos entrevistados. A identificação de dispositivos se tornou uma camada essencial na prevenção de fraudes por várias razões:

• Monitoramento Contínuo: A coleta de dados do dispositivo pode começar no momento em que um cliente acessa um site, permitindo uma avaliação contínua do risco de fraude antes que o cliente conclua uma aplicação ou compra.
• Experiência do Usuário Inalterada: A inteligência de dispositivos é coletada de forma passiva, o que significa que a experiência do usuário não é afetada, permitindo que os clientes naveguem no site sem interrupções.
• Histórico Digital: Embora as identidades falsas sejam mais fáceis de criar, clientes reais possuem um histórico digital que não pode ser alterado pela IA. Analisar o histórico de dados de cada usuário tornou-se um sinal vital para a prevenção de fraudes.

A chave para a prevenção eficaz de fraudes é o acesso a dados de qualidade, que devem ser conectados, analisados e constantemente atualizados para gerar insights significativos. Isso só pode ser alcançado através do uso de análises baseadas em IA e machine learning (ML).

Desafio: Falta de Verificação Biométrica Física:

O segundo maior desafio na capacidade de prevenção de fraudes é a falta de verificação biométrica física, conforme relatado por 54% dos entrevistados.

A biometria física, como o reconhecimento facial com detecção de vida, é considerada uma das formas mais seguras de verificar a identidade online. A pesquisa da Experian revelou que 81% dos consumidores acreditam que a biometria física é o método mais seguro para verificar suas identidades online, que tem os seguintes benefícios:

• Reputação e Experiência do Cliente: A autenticação por reconhecimento facial não só melhora a reputação das empresas perante os clientes, mas também melhora a experiência do cliente (CX) ao reduzir a fricção associada às verificações físicas de documentos.
• Adaptação Rápida às Ameaças: Mesmo com a crescente sofisticação das deepfakes, as tecnologias de detecção de vida continuam altamente eficazes em autenticar a identidade dos usuários, analisando características sutis, como tons de pele e batimentos cardíacos.

Desafio: Custos e Complexidade de Softwares de Prevenção de Fraudes:

O terceiro maior desafio identificado é a gestão dos custos elevados e a complexidade associada ao uso de múltiplos softwares de prevenção de fraudes, conforme relatado por 52% dos entrevistados. À medida que as empresas adotam mais soluções de software para acompanhar as ameaças crescentes de fraude, torna-se essencial gerenciar e orquestrar essas soluções de forma eficiente.

Desafio: Verificação da Identidade do Cliente Digital:

A verificação da identidade digital dos clientes é um elemento central na prevenção de fraudes e na melhoria da experiência do cliente. Apenas 20% dos entrevistados acreditam que suas estratégias de prevenção de fraudes têm um impacto mínimo nas taxas de abandono de clientes, enquanto a maioria (78%) acredita que o impacto é significativo.

63% dos entrevistados apontam a verificação da identidade digital dos clientes como o desafio mais significativo. A necessidade de confirmar a identidade dos clientes sem introduzir fricção excessiva é crucial para evitar abandono de transações e proteger contra fraudes, aonde algumas medidas poderiam ser:

• Verificação Instantânea de Documentos: Os modelos de machine learning podem ser treinados para extrair, escanear e validar diversos tipos de documentos de identidade fornecidos pelos clientes. A tecnologia OCR (reconhecimento óptico de caracteres) pode pré-preencher formulários, reduzindo o tempo de integração para o cliente.
• Reconhecimento Facial com Detecção de Vida: Comparar a foto do cliente em seu documento de identidade com uma selfie ou verificação de vida para confirmar sua identidade em segundos. Os algoritmos de ML analisam características faciais únicas para garantir que a pessoa esteja fisicamente presente.
• Análise Biométrica Comportamental: Analisar padrões comportamentais, como velocidade de digitação e movimentos do mouse, para criar um perfil único de cada usuário. Isso simplifica a verificação de clientes recorrentes e reduz o risco de ataques por bots.
• Fingerprinting de Dispositivos: Cada dispositivo possui um conjunto único de características que podem ser usadas para criar uma impressão digital associada a cada cliente. A análise do histórico de interação do dispositivo permite a identificação de atividades suspeitas ligadas à tomada de contas ou fraude de identidade.

Desafio: Equilibrar Crescimento de Receita com Prevenção de Fraudes:

O alinhamento das estratégias de prevenção de fraudes com os objetivos de crescimento de receita é um desafio crítico. As regras rígidas de prevenção de fraudes podem resultar em falsos positivos, onde transações legítimas são erroneamente bloqueadas, afetando a receita e a satisfação do cliente.

59% dos entrevistados destacam a dificuldade em alinhar estratégias de crescimento de receita com a prevenção de fraudes. A implementação de medidas de segurança rigorosas pode levar a falsos positivos, que, por sua vez, afetam a receita e a satisfação do cliente.

O uso da técnica de ML pode redução os falsos positivos com:

• Análise Abrangente de Dados: O machine learning permite uma análise mais ampla de pontos de dados do que conjuntos de regras tradicionais, resultando em uma avaliação mais precisa das transações.
• Melhoria na Taxa de Aceitação: As soluções de prevenção de fraudes baseadas em ML podem identificar com precisão 99,9% das transações, resultando em até 15% mais receita devido à redução de falsos positivos.
• Impacto dos Falsos Positivos: A pesquisa mostra que 70% das empresas acreditam que os falsos positivos custam mais do que as próprias perdas por fraudes. Esses falsos positivos não apenas causam perda de vendas imediatas, mas também afetam a reputação da empresa, aumentam os custos operacionais e levam à frustração dos clientes.

Desafio: Proporcionar uma Jornada Digital Sem Atritos:

A jornada digital do cliente deve ser fluida e sem interrupções para evitar o abandono de transações. Segundo a pesquisa, 58% dos consumidores abandonaram uma aplicação no último ano devido a processos complicados e demorados.

56% dos entrevistados consideram o fornecimento de uma jornada digital sem atritos como um desafio crítico. Reduzir a complexidade e o tempo necessário para concluir transações digitais é essencial para manter a competitividade e a satisfação do cliente.

Alguns dos benefícios da automação com ML seriam:

• Detecção Rápida: As recomendações automatizadas são fornecidas em menos de 400 milissegundos, permitindo que as transações sejam classificadas quase instantaneamente.
• Precisão Melhorada: A precisão aprimorada das soluções de ML reduz a necessidade de revisões manuais. Um cliente da Experian conseguiu reduzir sua taxa de referências em 74%, melhorando a experiência do cliente.
• Escalabilidade: As soluções de ML podem gerenciar crescimento de longo prazo e eventos de alta demanda sem criar backlog ou necessidade de aumentar a equipe de fraudes.
• Operação Ininterrupta: Ao contrário dos especialistas humanos, o ML oferece o mesmo nível de desempenho 24 horas por dia, 7 dias por semana, 365 dias por ano.

2) Principais Prioridades:

As principais prioridades relacionadas à prevenção de fraudes nos próximos 12 meses incluem a melhoria da explicabilidade dos modelos de ML (58%) e o combate ao viés não intencional nesses modelos (52%). Modelos transparentes permitem uma melhor supervisão humana e ajudam a identificar e remover vieses, garantindo que os modelos não sejam discriminatórios de forma não intencional.

• Melhoria da Explicabilidade dos Modelos de ML (58%): A transparência nos modelos de ML permite a supervisão humana, ajudando a diagnosticar problemas de degradação dos modelos e a remover vieses não intencionais. A explicabilidade dos modelos é vital para construir confiança na capacidade dos modelos de prevenir fraudes.
• Combate ao Viés nos Modelos de ML (52%): Identificar e remover vieses nos modelos de ML garante que eles não sejam discriminatórios de forma não intencional, promovendo a equidade nas decisões de prevenção de fraudes.
• Redução de Plataformas e Silos: A redução do número de plataformas usadas (51%) e a eliminação de silos entre múltiplas plataformas de fraudes (48%) são prioridades essenciais para melhorar a eficácia das defesas contra fraudes.

Hora agora de falar um pouco mais sobre algumas das soluções tecnológicas para prevenção de fraudes:

1) Abordagem Multicamadas:

A combinação de verificações ativas e passivas de fraudes, ativadas com base na jornada do usuário, melhora significativamente a precisão da detecção de fraudes. A aplicação de IA e ML em camadas de prevenção de fraudes inclui:

• Inteligência Artificial e Machine Learning (ML): Capacidade de analisar grandes volumes de dados para detectar anomalias e padrões não perceptíveis por humanos. A IA pode aprender continuamente com casos anteriores de fraudes, aumentando a precisão na classificação de novos casos.
• Biometria Física: Utilização de reconhecimento facial e detecção de vida para autenticar a identidade de forma eficaz, mesmo com a sofisticação crescente de deepfakes.
• Inteligência de Dispositivos: Análise de atributos dos dispositivos e comportamento dos usuários, como padrões de digitação e movimentos do mouse, para identificar fraudes de maneira contínua e passiva.
• Regras Baseadas em Inteligência de Fraudes: Implementação de regras que podem ser atualizadas proativamente com base em informações de fraudes de consórcios de dados, permitindo uma resposta rápida a novas técnicas de fraude.
• Orquestração de Soluções: As empresas estão cada vez mais recorrendo a soluções de orquestração para conectar e gerenciar de forma eficiente todas as suas diferentes plataformas e serviços de prevenção de fraudes. Isso simplifica a complexidade e reduz os custos associados ao uso de várias ferramentas especializadas, conectando-as através de uma única API flexível.
• Abordagem Híbrida: A maioria das empresas (92%) usa uma abordagem híbrida que inclui soluções fornecidas por parceiros externos, bem como aquelas desenvolvidas internamente. A integração dessas soluções é essencial para criar uma defesa robusta contra fraudes.

A prevenção eficaz de fraudes requer uma abordagem de múltiplas camadas, onde diferentes tecnologias são usadas em conjunto para fornecer uma defesa robusta. As camadas principais incluem:

Camada 1: Inteligência Artificial (IA) e Machine Learning (ML)

A IA e o ML são a espinha dorsal de muitas estratégias de prevenção de fraudes. Com quase 74% dos entrevistados afirmando que a detecção de fraudes baseada em ML é a mais eficaz, estas tecnologias são essenciais para analisar grandes volumes de dados, detectar anomalias e identificar padrões de fraude que não seriam aparentes para um especialista humano. Os modelos de ML podem fornecer uma pontuação de risco de fraude, permitindo que as empresas ajustem suas estratégias conforme necessário. As vantagens de adotar isto são:

Análise Rápida e Precisa: Capacidade de fornecer recomendações quase instantâneas.

Redução de Falsos Positivos: ML melhora a precisão, reduzindo a necessidade de revisões manuais.

Capacidade de Aprendizado Contínuo: Os modelos de ML podem ser continuamente aprimorados com novos dados, aumentando sua eficácia ao longo do tempo.

Camada 2: Biometria Física

A biometria física, como reconhecimento facial e detecção de vida, é considerada uma das formas mais seguras de verificação de identidade. Apesar da sofisticação crescente das deepfakes, a tecnologia de detecção de vida continua eficaz em autenticar identidades, analisando características sutis como tons de pele e batimentos cardíacos. A pesquisa mostra que 77% dos entrevistados acreditam que a biometria é a maneira mais eficaz de verificar a identidade do cliente.

Camada 3: Inteligência de Dispositivos

A inteligência de dispositivos é crucial para a prevenção de fraudes, com 73% dos entrevistados concordando que o fingerprinting de dispositivos é essencial. Esta tecnologia analisa mais de 150 atributos relacionados ao dispositivo e à rede do cliente, fornecendo uma conexão abrangente entre o dispositivo e a identidade do usuário. A análise contínua e passiva desses atributos ao longo de cada sessão melhora significativamente a precisão da detecção de fraudes.

Camada 4: Regras

Embora o ML tenha se tornado indispensável, as regras continuam a ser uma parte importante da prevenção de fraudes. As soluções baseadas em ML permitem reduzir o número e a complexidade das regras, mas as regras específicas de negócios ainda complementam os sistemas de fraude. As mais recentes engines de regras no-code permitem que os usuários testem o impacto de novas regras antes de introduzi-las em um ambiente ao vivo.

Camada 5: Compartilhar Dados sobre Fraudes

A colaboração entre empresas através de "consórcios" de informações e dados fraudes é fundamental para compartilhar informações sobre novas técnicas fraudulentas e melhorar a defesa coletiva. A pesquisa revela que 50% das empresas planejam investir neste compartilhamento de dados nos próximos 12 meses. Estes "consórcios" oferecem uma visão mais abrangente das tendências de fraudes e permitem que as empresas tomem medidas proativas baseadas em alertas em tempo real sobre atividades suspeitas.

2) Benefícios do Machine Learning:

O ML é visto como a solução mais eficaz para a prevenção de fraudes por várias razões:

• Análise Rápida e Precisa: Capacidade de fornecer recomendações quase instantâneas para a classificação de transações.
• Redução de Falsos Positivos: Aumenta a precisão da detecção de fraudes e reduz o número de falsos positivos, melhorando a experiência do cliente e a eficiência operacional.
• Escalabilidade: Permite gerenciar o crescimento de longo prazo e eventos de alta demanda sem a necessidade de aumentar a equipe de fraudes.

A prevenção passiva de fraudes está ganhando destaque como uma estratégia eficaz para identificar fraudadores sem interromper a experiência do cliente. A pesquisa da Experian mostra que 65% dos tomadores de decisão na área de fraudes estão priorizando a implementação de verificações passivas. Essas verificações combinam biometria comportamental, dados de dispositivos e análises de machine learning (ML) para identificar fraudes de maneira contínua, desde o momento em que um cliente acessa um site até a conclusão de uma transação.

Alguns dos benefícios da prevenção passiva são:

• Melhoria na Precisão de Detecção: As verificações passivas permitem uma avaliação contínua do risco de fraude sem necessidade de intervenção do usuário, resultando em uma detecção mais precisa.
• Experiência do Cliente Melhorada: Reduz a fricção para os clientes legítimos, proporcionando uma jornada de usuário mais suave e sem interrupções.

A pesquisa destaca as tecnologias de prevenção de fraudes atualmente em uso e aquelas planejadas para investimento nos próximos 12 meses. As principais tecnologias incluem:

• Biometria Comportamental: Atualmente em uso por 41% das empresas, com 45% planejando investir nos próximos 12 meses.
• Fingerprinting de Dispositivos: Utilizado por 39% das empresas atualmente, com 54% planejando investir no futuro próximo.
• Modelos de Detecção de Fraudes Baseados em ML: Já em uso por 50% das empresas, com 54% planejando aumentar os investimentos.
• Detecção de Vida/Selfie ID: Atualmente em uso por 33% das empresas, com 30% planejando investir.
• Consórcios de Dados: Usados por 39% das empresas, com 45% planejando investir.
• Biometria Física: Atualmente em uso por 47% das empresas, com 43% planejando investir.

As principais dicas que vejo no relatório da Experian são quatro principais conclusões, que são:

• Aumento das Perdas por Fraude: 73% das empresas relataram um aumento nas perdas por fraudes no último ano, e 50% esperam que essas perdas aumentem nos próximos 12 meses. Essa previsão pode ser conservadora, considerando o impacto crescente da IA Generativa (GenAI) em reduzir as barreiras técnicas para ataques fraudulentos e melhorar a qualidade dos ataques de engenharia social.
• Deficiências na Prevenção de Fraudes com a Falta de Tecnologias Essenciais: A ausência de fingerprinting de dispositivos e biometria física está minando a capacidade das empresas de prevenir fraudes. Uma proporção significativa dos entrevistados planeja investir nessas tecnologias nos próximos 12 meses para melhorar suas defesas contra fraudes.
• Futuro da Prevenção de Fraudes com Soluções Baseadas em IA/ML: Quase três quartos (72%) das empresas acreditam que o futuro da prevenção de fraudes será impulsionado por soluções baseadas em IA/ML. Os principais benefícios dessas soluções incluem aumento das taxas de aceitação, redução das perdas por fraudes através de maior precisão na detecção e diminuição do volume de falsos positivos e revisões manuais.
• Prioridades Relacionadas à Prevenção de Fraudes com a Melhoria da Explicabilidade e Equidade dos Modelos de ML: As principais prioridades para os próximos 12 meses incluem a melhoria da explicabilidade dos modelos de ML (58%) e o combate ao viés não intencional nesses modelos (52%). Modelos transparentes permitem melhor supervisão humana, ajudando a diagnosticar problemas de degradação e remover vieses, garantindo conformidade com regulamentações futuras.

Essas conclusões destacam a necessidade urgente de investimentos em tecnologias avançadas e estratégias inovadoras para enfrentar os crescentes desafios de fraudes, garantindo que as empresas possam proteger suas operações e proporcionar uma experiência positiva para os clientes.