Desmascarando o Risco com uma Abordagem Unificada

Na incansável batalha contra fraudes, o nosso setor tradicionalmente tem focado fortemente em ataques de terceiros – os criminosos evidentes que tentam roubar identidades ou invadir contas. Embora esse foco seja crucial, ele pode obscurecer uma ameaça muito mais insidiosa e frequentemente subestimada: a autofraude (FPF, first party fraud).

A autofraude ocorre quando um cliente aparentemente legítimo manipula produtos ou serviços em benefício próprio. Diferente dos fraudadores externos, esses indivíduos frequentemente utilizam sua identidade verdadeira, o que os torna extremamente difíceis de detectar pelos métodos tradicionais de detecção de fraudes. A natureza sorrateira da autofraude faz com que ela frequentemente passe despercebida, disfarçada como risco de crédito legítimo ou inadimplência, corroendo silenciosamente a lucratividade de diversas empresas ao redor do mundo.

O principal desafio com autofraude, especialmente nos casos de “sem intenção de pagar”, é que ela obscurece as linhas entre risco de crédito e fraude propriamente dita. Um cliente pode parecer apenas um “mau pagador”, quando, na verdade, trata-se de um fraudador. Os sistemas tradicionais de prevenção à fraude, muitas vezes isolados das avaliações de risco de crédito, não são projetados para detectar esse tipo de engano deliberado.

A dificuldade para detectar a autofraude decorre de vários fatores:

Combater eficazmente a autofraude– especialmente a variante “sem intenção de pagamento” – requer uma abordagem unificada e baseada em dados que elimine os silos tradicionais entre fraude, risco de crédito e até mesmo cobranças. Isso exige a adição de uma camada crucial de inteligência comportamental às avaliações de risco.

Conectando os Pontos em Todo o Ciclo de Vida do Cliente: Um ponto forte fundamental reside na unificação de plataformas de risco de crédito, prevenção de fraudes e cobranças. Essa visão holística é fundamental para a autofraude:

• Dados Integrados para Risco de Crédito: Insights de dados coletados durante a detecção de fraudes, incluindo sinais comportamentais, podem alimentar e aprimorar diretamente os modelos de risco de crédito, fornecendo uma avaliação mais precisa da probabilidade real de pagamento.
• Alerta Precoce para Cobranças: Ao identificar a autofraude na fase de solicitação ou no início do ciclo de vida da conta, as empresas podem ajustar proativamente as estratégias de cobrança, priorizar contas ou até mesmo impedir a integração de indivíduos de alto risco desde o início.
• Ciclos de Feedback para Melhoria Contínua: Dados de desempenho dos esforços de risco de crédito e cobrança podem ser realimentados nos modelos de fraude, criando um ciclo de feedback poderoso que refina continuamente os recursos de detecção.

Autofraudes não são simplesmente dívidas incobráveis; são um ato deliberado de engano que exige uma solução dedicada e inteligente. Ao ir além de operações isoladas e adotar uma abordagem de risco unificada que combina de forma inteligente dados tradicionais e comportamentais, utiliza aprendizado de máquina avançado e permite a tomada de decisões em tempo real, as empresas podem desmascarar efetivamente esquemas de “sem intenção de pagamento” e outras formas de autofraude. Isso não apenas atenua perdas financeiras significativas, mas também garante que os recursos sejam focados em clientes verdadeiramente legítimos, promovendo um ecossistema mais seguro e lucrativo para todos.

Jason Abbott é um líder experiente em prevenção de fraudes, com 18 anos de experiência, atualmente atuando como Diretor de Soluções Antifraude na Provenir. Especialista em fraude de aplicações, identidade e autenticação, com sólida experiência na gestão de produtos e estratégias de entrada no mercado de softwares antifraude. Tendo ocupado cargos importantes em grandes bancos do Reino Unido, como JPMorgan Chase & Co., Barclays e HSBC, Jason tem capacidade comprovada de gerar resultados nos setores de varejo, corporativo e de patrimônio, contribuindo ativamente para o setor ao compartilhar insights sobre ameaças de fraude em evolução.

Em um mundo cada vez mais digital, a promessa de um onboarding de clientes sem atritos e de uma verificação de identidade instantânea (ID&V) levou à ampla adoção de soluções digitais de captura de documentos e verificação por selfie. Essas tecnologias, frequentemente elogiadas por sua rapidez e conveniência, sem dúvida revolucionaram a forma como as empresas interagem com seus clientes, permitindo uma escalabilidade rápida e uma experiência do usuário significativamente aprimorada.

No entanto, como Diretor de Soluções de Fraude, minha perspectiva é clara: ID&V digital, embora fundamental, não é a solução definitiva para combater as sofisticadas ameaças de fraude atuais.

A crença de que uma digitalização perfeita de documento e uma prova de vida convincente sejam tudo o que é necessário para garantir uma identidade é uma simplificação perigosa. Embora essas ferramentas sejam eficazes para verificar a autenticidade aparente de um documento e a presença de uma pessoa real, muitas vezes elas falham em detectar as formas mais insidiosas de fraude, que estão custando bilhões às empresas todos os anos.

A realidade é que muitos fraudadores vão escapar de uma verificação puramente digital. Eles são os responsáveis por fraudes com identidades sintéticas, fraudes sofisticadas em aplicações, fraudes em pagamentos e pelos estágios iniciais de sequestros de conta. Muitas vezes atuam em quadrilhas, coordenando ataques que, individualmente, podem parecer inofensivos, mas que, em conjunto, indicam um comprometimento sistêmico. Os custos associados a essas ameaças não detectadas são enormes — levando a perdas financeiras diretas, danos reputacionais, aumento de despesas operacionais e perda da confiança.

É aqui que uma estratégia robusta e com múltiplas camadas de prevenção à fraude se torna não apenas benéfica, mas absolutamente crítica. Trata-se de ir além da simples verificação de um documento e um rosto — é entender o contexto da identidade, a intenção por trás da solicitação e a rede de atividades que pode indicar a atuação de uma quadrilha de fraude.

Uma solução verdadeiramente robusta precisa preencher as lacunas deixadas pelas verificações primárias de ID&V, oferecendo camadas cruciais de defesa para uma detecção e prevenção abrangente da fraude.

Veja como uma solução completa normalmente opera:

A verificação de identidade digital com captura de documentos e selfies tem seu papel como uma linha de defesa essencial, oferecendo agilidade e conveniência. Porém, diante de fraudadores cada vez mais engenhosos, da proliferação de deepfakes, da ameaça constante de vazamentos de dados e das ações coordenadas de quadrilhas de fraude, confiar apenas nesses métodos é como deixar a porta dos fundos aberta.

A verdadeira solução definitiva não está em uma única tecnologia, mas sim em uma abordagem abrangente, adaptável e inteligente de prevenção à fraude. Ao integrar dados diversos, utilizar machine learning avançado e permitir decisões em tempo real e com contexto, as empresas podem construir uma defesa realmente robusta — capaz de capturar quem tenta passar pela rede, proteger seus ativos e fortalecer a confiança na economia digital.

O mundo continua se tornando cada vez mais digital – e os fraudadores estão tirando vantagem, encontrando consistentemente novas maneiras de explorar quaisquer fraquezas em sistemas de tecnologia e serviços financeiros. A fraude de aplicações em particular surgiu como uma ameaça significativa em serviços financeiros, com tentativas (e os vários tipos) aumentando constantemente. De acordo com o Relatório do Estado da Fraude Omnicanal de 2023 da TransUnion, quase 5% das transações digitais globalmente em 2022 foram consideradas possivelmente fraudulentas (4,2% para serviços financeiros especificamente), e havia mais de US$ 4,5 bilhões em saldos pendentes nos EUA para financiamento de automóveis, cartões de crédito/varejo e empréstimos pessoais não garantidos, graças a identidades sintéticas (o que, aliás, marca um aumento de 27% desde 2020 e o maior nível já registrado). Além disso, houve um aumento de 39% de 2019 a 2022 em casos de tentativas de fraude em serviços financeiros, com o principal tipo sendo a fraude de identidade.

Então, o que isso significa para instituições financeiras, provedores de pagamento, credores, fintechs, etc? Isso significa que, à medida que os fraudadores e seus métodos evoluem, também devem evoluir as maneiras pelas quais nós, como indústria, os detectamos e prevenimos. Mas como? Uma chave é a orquestração de dados. Porque com uma visão mais holística e abrangente de seus clientes, você pode:

Então está claro que a prevenção de fraudes é crítica. Mas se sua reação imediata for comprar todos os dados… pense novamente.

De acordo com a TransUnion, “a resposta impulsiva ao aumento de violações de dados e fraudes digitais persistentes pode ser aumentar a verificação de identidade e as verificações de autenticação. No entanto, a transição para uma experiência do cliente sempre ativa e digital, evidenciada pelo aumento drástico nas transações digitais nos últimos anos, significa que os líderes de fraude devem estar cientes da experiência do cliente e permitir que a empresa impulsione o crescimento da receita, reduzindo o risco de fraude”.

Então, apesar de ser tentador usar cada vez mais dados, você precisa equilibrar isso com a) a experiência do cliente (você está pronto para adicionar mais atrito à jornada?) e b) o custo desnecessário e a ineficiência de comprar mais dados do que você precisa. Porque quanto melhor você for em acessar e integrar os dados de fraude certos, no momento certo na jornada do cliente, melhores resultados você verá:

A análise preditiva, como aprendizado de máquina incorporado e inteligência artificial, também ajuda, analisando automaticamente grandes quantidades de dados e oferecendo insights sobre padrões de comportamento que podem indicar fraude.

Uma visão mais holística e integrada de seus clientes permite que você fique à frente das ameaças, e uma plataforma de decisão de risco de ponta a ponta garante que você possa melhorar continuamente seus modelos de risco de fraude e otimizar decisões conforme as ameaças evoluem – tudo junto com suas decisões de risco de crédito. A eliminação desses ambientes isolados oferece o máximo de flexibilidade e agilidade em cada etapa de seus processos de decisão de risco. Reduza a complexidade de gerenciar múltiplas ferramentas de detecção de fraudes online e sistemas de tomada de decisão díspares com uma solução unificada e ponta a ponta para fraude, crédito e conformidade em toda a jornada do cliente. E veja seu negócio crescer como resultado.

A batalha contra riscos e fraudes em instituições financeiras é complexa e está sempre mudando. E a fraude não começa e termina com o onboarding de requisitantes — é um desafio contínuo que exige estratégias em evolução. É por isso que é fundamental analisar soluções de tomada de decisão de risco, incluindo inteligência artificial e aprendizado de máquina, que podem acessar dados em tempo real ao longo da jornada — abordando a triagem de fraudes não apenas na fase de inscrição, mas durante todo o ciclo de vida do cliente.

A inteligência artificial e o aprendizado de máquina (IA/ML) desempenham um papel fundamental na detecção e prevenção de atividades fraudulentas. Com os métodos de fraude financeira se tornando cada vez mais sofisticados, uma maneira importante de ficar à frente dos fraudadores é acessar dados em tempo real, integrá-los às suas soluções de tomada de decisão de risco e automatizar o uso desses dados com IA/ML. Dessa forma, você pode reagir rapidamente (e com precisão) às ameaças de fraude em constante evolução.

Mas é fundamental equilibrar a mitigação de fraudes com a experiência do cliente. Embora seja uma tecnologia reconhecidamente poderosa, a IA/ML requer mais do que apenas algoritmos avançados e modelos de risco – ela precisa de uma compreensão abrangente das operações gerais de tomada de decisão, da experiência do cliente, do cenário regulatório e de conformidade das organizações de serviços financeiros nas regiões em que você opera. Um modelo eficaz de tomada de decisão de fraude precisa não apenas interceptar fraudadores, mas também ter certeza de que não introduza mais atrito para clientes legítimos. Reforçar a rede contra fraudadores não é a resposta mais ideal – precisamos garantir que a inteligência incorporada esteja funcionando de forma eficiente para manter os maus atores afastados, ao mesmo tempo em que estendemos os produtos e ofertas certos a um número crescente de clientes com boa capacidade de crédito.

A inteligência artificial e o aprendizado de máquina (IA/ML) desempenham um papel fundamental na detecção e prevenção de atividades fraudulentas. Com os métodos de fraude financeira se tornando cada vez mais sofisticados, uma maneira importante de ficar à frente dos fraudadores é acessar dados em tempo real, integrá-los às suas soluções de tomada de decisão de risco e automatizar o uso desses dados com IA/ML. Dessa forma, você pode reagir rapidamente (e com precisão) às ameaças de fraude em constante evolução.

Mas é fundamental equilibrar a mitigação de fraudes com a experiência do cliente. Embora seja uma tecnologia reconhecidamente poderosa, a IA/ML requer mais do que apenas algoritmos avançados e modelos de risco – ela precisa de uma compreensão abrangente das operações gerais de tomada de decisão, da experiência do cliente, do cenário regulatório e de conformidade das organizações de serviços financeiros nas regiões em que você opera. Um modelo eficaz de tomada de decisão de fraude precisa não apenas interceptar fraudadores, mas também ter certeza de que não introduza mais atrito para clientes legítimos. Reforçar a rede contra fraudadores não é a resposta mais ideal – precisamos garantir que a inteligência incorporada esteja funcionando de forma eficiente para manter os maus atores afastados, ao mesmo tempo em que estendemos os produtos e ofertas certos a um número crescente de clientes com boa capacidade de crédito.

Nem todas as instituições financeiras têm a capacidade de integrar conjuntos de dados extensos em um modelo ou data lake inteligente e unificado. Sejam restrições técnicas, problemas de recursos, pendências de TI ou os desafios de mesclar sistemas distintos, há muitos fatores que podem dificultar a integração eficiente de dados. O que é necessário é uma camada eficaz de orquestração de fraudes, combinada com recursos de pouco código ou sem código, permitindo que você se adapte e inove tão rapidamente quanto as ameaças, lhe dando uma vantagem competitiva significativa (e, novamente, ajudando a manter uma experiência positiva do cliente com atrito limitado).

Então, quais são as principais coisas a serem consideradas quando se trata de aprimorar sua estratégia de mitigação de fraudes aproveitando IA/ML? Pense no seguinte: