E-commerce: Machine Learning na prevenção de fraude

O Machine Learning está presente atualmente em diferente setores do mercado. Hoje a tecnologia ajuda até os comércios eletrônicos a impedir tentativas de fraude de pagamento, conforme elas acontecem.

A seguir vamos apresentar como o Machine Learning está diminuindo cada dia mais as fraudes e como no futuro as maquinas estarão no controle de tudo.

A ascensão do comércio eletrônico

Muito antes da pandemia promover uma avalanche de compras online, o comércio eletrônico havia se tornado um estilo de vida. Muitos compradores já optavam pelas soluções online, especialmente para os Millennials e a Geração Z.

Na verdade, 60% dos Millennials compraram online em 2019, enquanto 24% da Geração Z preferem fortemente comprar online e 13% através do celular.

Isso levou a uma variedade de opções de compras online, incluindo lojas virtuais, serviços bancários online, seguros online e outros serviços online.

Isso levou o mercado global de comércio eletrônico a prever um crescimento de US$ 4,9 trilhões até 2021, aumentando 20% até 2022, para chegar a US $ 5,8 trilhões.

Com o aumento do comércio eletrônico, também aumentou a fraude online, levando varejistas e instituições bancárias a buscar novas soluções para prevenir, detectar e eliminar fraudes.

Um estudo mostrou que a Visa e a Mastercard perderam US$ 750 milhões com fraudes de cartão de crédito.

Na verdade, algumas das fraudes financeiras mais comuns incluem:

• Roubo de identidade;
• Phishing;
• Pharming.

Como a fraude de pagamento acontece e qual a reação das corporações

Também foi descoberto que apenas cerca de 1/4 dos clientes entendem como os fraudadores operam.

Quando os fraudadores roubam informações do titular do cartão nas páginas de pagamento ou através da dark web, eles se fazem passar pelo titular do cartão e compram itens online.

O vendedor online, acreditando que a compra é válida, processa o pagamento e envia a mercadoria ao fraudador. O titular do cartão nota as cobranças e entra em contato com o banco. O vendedor online recebe um estorno e taxas.

Estudos mostram que apenas 20% dos clientes entendem que, eventualmente, são os varejistas que pagam pela fraude.

A Associação de Profissionais Financeiros (AFP) em sua Pesquisa de Fraude e Controle de Pagamentos de 2020, afirma que 81% das organizações foram alvos de fraude de pagamento em 2019.

Esta é a segunda maior porcentagem de ataques/tentativas de fraude relatados desde 2009. A pesquisa diz que a fraude de pagamento já é um negócio de bilhões de dólares e está crescendo.

O presidente e CEO da AFP, Jim Kaitz, disse: ‘A fraude de pagamentos é um problema persistente que só está piorando, apesar dos repetidos avisos e da divulgação educacional’

Encontrando uma solução com o Machine Learning

Com o objetivo de diminuir essa tendência crescente de fraude em pagamentos, quase 60% dos varejistas possuem uma política de fraude em vigor em suas empresas.

A solução mais plausível parecia ser o Machine Learning (ML), que é uma área de inteligência artificial (IA).

O Machine Learning é a ciência que faz os computadores aprenderem e agirem como seres humanos, ao mesmo tempo que melhoram suas capacidades de aprendizagem de forma autônoma.

O Machine Learning é semelhante a várias equipes de analistas executando centenas de milhares de consultas e comparando os resultados para escolher o melhor resultado – em tempo real, levando apenas milissegundos.

Tipos de Machine Learning

Os sistemas antifraude geralmente empregam dois tipos de Machine Learning, osupervisionado e não supervisionado.

A aprendizagem supervisionada se concentra no treinamento de um algoritmo para usar dados históricos rotulados. Com conjuntos de dados rotulados já existentes, o objetivo do treinamento é fazer o sistema prever essas variáveis ​​em dados futuros.

Os modelos de aprendizagem não supervisionados processam dados não rotulados e os classificam em clusters, detectando relações ocultas entre as variáveis.

Esses dois tipos podem ser usados ​​separadamente ou juntos, na criação de algoritmos de detecção de anomalias mais sofisticadas.

Os pontos fortes do Machine Learning

Armados com esse aprendizado, os algoritmos envolvidos na análise de risco, diferenciam transações fraudulentas de operações legítimas muito mais rápido do que qualquer analista humano poderia.

As maquinas identificam até os padrões mais furtivos e aparentemente não relacionados que escapam à atenção humana. Além disso, esses algoritmos detectam transações fraudulentas com uma precisão significativamente alta.

A fé no Machine Learning se deve em grande parte à sua eficácia, já que 80% dos especialistas em fraude endossam a tecnologia para ajudar a reduzir a fraude de pagamento e as tentativas de fraude de pagamento.

Além disso, 63,6% das instituições financeiras que utilizam o Machine Learning nas suas transações comerciais também acreditam que ajuda a prevenir fraudes.

Assim, todo o processo de Machine Learning é sobre o produto final, quando um modelo de Machine Learning recebe informações sobre uma nova transação, ele gera uma recomendação sobre se se trata de uma tentativa de fraude ou não.

Ao empregar o Machine Learning, um popular agente de viagens online da América Latina, Almundo.com, reduziu as fraudes, estornos e revisões manuais em 70%.

Os sistemas antifraude, portanto, estão focados na detecção de fraudes em tempo real, melhorando a credibilidade dos dados, analisando o comportamento do usuário e descobrindo correlações ocultas.

O futuro do Machine Learning

Tudo isso faz da mitigação de fraudes um dos serviços mais procurados da inteligência artificial, pois é capaz de garantir imediatamente o retorno do investimento evitando fraudes em tempo real.

De acordo com um novo estudo da JuniperResearch, as soluções de otimização de rede e mitigação de fraude serão os serviços baseados em inteligência artificial mais procurados nos próximos 4 anos.

Os gastos corporativos globais em soluções de IA devem exceder US $ 15 bilhões até 2024. Geoffrey Moore, consultor de gerenciamento americano, afirma ‘Sem a análise de big data, as empresas são cegas e surdas, vagando pela web como cervos em uma rodovia.’