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:

As operadoras de telecomunicações (telcos) perdem cerca de USD 40 bilhões para fraudadores a cada ano, e isso está piorando.

A fraude aumentou 28% de 2019 a 2021 e, com o aumento dos custos dos aparelhos, os fraudadores estão saindo impunes com produtos e serviços de maior valor. Ficou mais difícil identificar o comportamento fraudulento à medida que ele se torna mais complexo — existem mais de 200 tipos de fraude apenas no setor de telecomunicações. O problema claramente não vai desaparecer tão cedo.

Mas não se renda! As empresas de telecomunicações podem lutar contra isso com três táticas extremamente

• Acesso
• Análise
• Ação

E no centro de tudo? Outro A: dados “Alternativos”. Alimentar dados alternativos em cada etapa do processo de mitigação de fraudes é a chave para recuperar bilhões em perdas anuais.

1. Acesso 

A primeira etapa para combater a fraude é o Acesso — o acesso aos dados, incluindo dados alternativos, oferece informações mais completas sobre fraudes e verificações de KYC durante os processos de ativação. 

Um tipo comum de fraude nesta fase do ciclo de vida do cliente é a fraude de assinatura, que pode ser muito cara. Os fraudadores usam identificações roubadas e informações de cartão de crédito para criar contas, comprar aparelhos caros e embolsar a mercadoria gratuita ou revendê-la. Se o criminoso comprar um smartphone de última geração, isso significa potencialmente uma perda de receita na casa de milhares em um único esquema.

O acesso a extensas fontes de dados, tradicionais e alternativos, permite que você identifique até as anormalidades mais sutis durante as verificações de fraude e KYC na integração. Por exemplo, identidades sintéticas são comumente usadas por fraudadores para abrir contas, o que pode ser difícil de detectar, já que identidades sintéticas usam alguns elementos legítimos para passar despercebidas. Os dados alternativos podem fornecer as pistas necessárias para detectar fraudes, mesmo em casos assim. Verificar o e-mail para ver se há pequenas alterações ou ver se a localização geográfica corresponde às atividades nas redes sociais.

2. Análise 

O segundo passo é a Análise: verificar com precisão todos os dados que você acessou. E não análise apenas à moda antiga — integre a aprendizagem de máquina e IA em suas análises.

Digamos que uma vítima de phishing teve seu telefone violado e o criminoso tenha o encaminhamento de texto ativado para que possa receber um código de segurança. A análise de IA/ML de dados móveis pode alertar a equipe de risco de que os textos estão sendo encaminhados e sugerir que outras verificações sejam realizadas.

Táticas como o controle de contas podem causar danos mesmo após a integração. Imagine ter que detectar pequenas inconsistências para centenas de milhares de assinantes durante todo o ciclo de vida por conta própria. Pode ser um desafio para as soluções de decisão legadas identificar indicadores de fraude complexos.

Ter uma tecnologia inteligente e automatizada que pode selecionar dados incomuns e analisá-los com rapidez e precisão fará a diferença para assinantes novos e ativos. A aprendizagem de máquina e a IA ficam mais inteligentes à medida que analisam dados e comportamentos, melhorando o reconhecimento de padrões fraudulentos que, de outra forma, seriam ignorados.

Otimize seu processo de fraude com aprendizagem de máquina e tecnologia de IA para analisar qualquer tipo de dado e melhorar sua precisão a cada análise.

3. Ação 

A etapa final para impedir a fraude é a Ação: quando você acessa todos os dados tradicionais e alternativos de que precisa e a IA/ML os analisa, você está pronto para tomar uma decisão.

Se a primeira camada de verificações ainda não mostrar uma imagem clara da legitimidade de um assinante, sua solução de decisão pode verificar mais detalhadamente os dados para uma análise mais profunda. Dependendo do seu modelo, você pode oferecer um plano para assinantes de alto risco ou rejeitá-los imediatamente. Se tudo der certo, por outro lado, seu mecanismo de decisão pode fazer a aprovação e a integração.

A tomada de decisão avançada usa todos os dados que você coletou para tomar as decisões mais precisas — que protegem você contra fraudes. Ele melhora a eficiência e economiza dinheiro fazendo apenas as verificações necessárias — você não precisa adotar uma abordagem única.

Depois que as decisões são tomadas, os resultados realimentam a plataforma, adicionando dados e análises ainda mais valiosos para direcionar a tecnologia de IA/ML tornando suas decisões mais precisas no futuro.

Vimos alguns exemplos de como os dados alternativos podem alimentar u

O cenário financeiro é muito amplo, especialmente em escala global. As telecomunicações se estendem por todo esse cenário, já que serviços sem fio e produtos como aparelhos e modems estão em alta demanda entre pessoas de todas as condições financeiras. Para atingí-las, você não pode confiar apenas em dados tradicionais, como scores de crédito, para determinar o risco de inadimplência. Coletar e usar dados alternativos pode ajudar a impactar inúmeras vidas, explorando um mercado mundial enorme.

1. O que são dados alternativos?

Não são dados apenas para “fazer bonito” — é uma ferramenta poderosa para inclusão financeira.

Eu outras palavras, dados alternativos são todas as informações não mantidas pelos bureaus de crédito que podem mostrar a saúde financeira e do risco geral de uma pessoa de uma forma mais holística. Eles podem incluir informações financeiras como aluguel, serviços públicos ou até mesmo pagamentos de telecomunicações, mas também analisam outras informações, como atividades em redes sociais, geolocalização e registros de propriedade.

Dados alternativos podem contar uma história mais completa do que dados tradicionais isoladamente. Existem 50 milhões de credit invisibles, os “invisíveis do crédito” nos EUA, acompanhados por 70% da população da América Latina, 60% do Sudeste da Ásia e quase um quarto da população mundial — há quase 1,7 bilhão de pessoas sem histórico bancário ou de crédito. É uma quantidade enorme de pessoas que não estão qualificadas para abrir uma conta de telecomunicações pelos métodos tradicionais.

E, enquanto os scores de crédito já provaram ser fortes indicadores de que alguém pagará suas contas em dia, não faz sentido levar em consideração a utilidade e outros padrões de pagamento recorrentes para prever o mesmo comportamento para empresas de telecomunicações? Mais de 90% dos americanos fazem pagamentos em telefones celulares financiados, mas apenas 2,5% dos arquivos dos bureaus de crédito ao consumidor contêm informações de pagamento de telecomunicações. Embora você possa ter os registros de pagamento de seus próprios assinantes, poder acessar essas informações para quem deseja trocar de operadora seria uma maneira confiável de determinar o risco. A inclusão de dados de serviços públicos para complementar os scores de crédito é capaz de oferecer insights relevantes como indicadores de risco ainda mais sólidos.

Informações de telecomunicações, serviços públicos e locação/propriedade geralmente são excelentes indicativos de confiabilidade de crédito, mas simplesmente não são consideradas pelos bureaus de crédito. É por isso que os dados alternativos são tão poderosos.

2. Como você pode obter dados alternativos?

As empresas de telecomunicações podem acessar dados alternativos por meio de registros públicos, juntamente com quaisquer parceiros de dados que possa integrar à sua solução de decisão. Esses parceiros de dados podem compartilhar atividades de mídia social, informações de emprego e muito mais — que você poderá acessar, dependendo das regras e regulamentações de conformidade da sua região, sobre decisões de crédito.

Embora essas informações possam não ter uma correlação direta com a confiabilidade do crédito, elas podem fornecer uma visão mais completa do estilo de vida de uma pessoa. As redes sociais, por exemplo, podem ser uma fonte muito esclarecedora de dados alternativos, com informações sobre atividades e hábitos que podem ser pertinentes. À medida que mais redes sociais começam a oferecer opções de pagamento incorporadas em suas plataformas, o perfil do Instagram da pessoa pode fornecer uma visão de seu comportamento transacional. Compreender com que frequência uma pessoa compra no Instagram, o valor dos itens que compram e se essas compras estão relacionadas a pagamentos pontuais de contas podem ser formas úteis de analisar esse comportamento.

Procure ter acesso a integrações de dados e parceiros que oferecerão a você uma visão mais ampla dos parâmetros necessários para analisar os assinantes e obter os melhores resultados com dados alternativos. Escolher uma tecnologia que acelere a integração de parceiros e o acesso a dados alternativos garantirá um ROI rápido, conectando você a mais assinantes, mais rapidamente.

3. Os dados alternativos funcionam?

Sim! Os scores de crédito podem não refletir necessariamente a saúde financeira atual de uma pessoa, pois a pontuação pesa muito sobre o comportamento de crédito passado, além do comportamento atual. Mesmo que alguém seja muito responsável no presente, decisões erradas no passado ainda podem afetar negativamente o crédito delas. Se você analisou o perfil dessa pessoa por meio de seu processo de decisão tradicional, ela pode ser sinalizada como de alto risco, levando a uma avaliação imprecisa. O mesmo aconteceria com alguém que nunca teve acesso ao crédito devido à situação financeira anterior ou práticas discriminatórias de empréstimo. Dados alternativos resolvem esse problema.

E há provas para fundamentá-los: entre financiadores/provedores de crédito que usam dados alternativos 64% observam uma avaliação de risco aprimorada, 48% têm um aumento na aceitação da oferta e 64% vêem benefícios tangíveis em um ano após a implementação. Outros benefícios incluem decisões mais precisas, melhor proteção contra fraudes, maior inclusão financeira, velocidade de lançamento no mercado, integração rápida e valor geral maximizado.

Estamos vivendo em uma era em que a informação é mais acessível do que nunca — é hora de usá-la. A indústria das telecomunicações está na vanguarda da inovação, então por que continuar avaliando a qualidade de crédito da mesma forma que fazíamos décadas atrás? Ao integrar dados alternativos em suas decisões, você está tornando o mundo ainda maior para milhões de pessoas que precisam de serviços de telecomunicações e convidando assinantes de baixo risco para acelerar o seu crescimento.

A funcionalidade Buy Now Pay Later (BNPL) está se tornando cada vez mais popular na indústria de cartões de crédito, à medida que os credores procuram conquistar espaço no mercado de US$ 19,5 bilhões de seus concorrentes diretos. A adição de pagamentos no formato BNPL aos cartões de crédito permite que os consumidores distribuam o custo de suas compras ao longo do tempo, normalmente com um período de curto prazo sem juros entre três e seis meses. Isso também permite que os credores de cartões de crédito recuperem parte dos negócios que perderam para os participantes do BNPL.

Por que é popular:

A funcionalidade BNPL está se tornando popular porque oferece maior flexibilidade e acessibilidade aos consumidores, ao mesmo tempo em que acrescenta fluxos de receita adicionais e vantagem competitiva para os credores de cartões de crédito. Os consumidores têm mais tempo para pagar compras maiores e não precisam criar uma conta BNPL totalmente nova ou baixar outro aplicativo para se beneficiar. Um bônus adicional são as recompensas incorporadas que eles já recebem com seu cartão de crédito. Os credores podem aproveitar o aumento da receita com os juros do BNPL, mas a principal vantagem é o potencial de atrair novos clientes e manter os atuais – se o seu cartão de crédito já oferece o BNPL, você não precisa fazer compras com outro provedor de serviços financeiros.

Como oferecê-lo:

Para usar a funcionalidade BNPL de forma eficaz, os emissores precisam aumentar a flexibilidade de sua plataforma. Isso pode ser alcançado por meio do uso de recursos avançados de tomada de decisão, que identificam os usuários com maior probabilidade de usar a funcionalidade BNPL, determinam ofertas personalizadas e até mesmo monitoram o comportamento para otimizar os planos com base nas atividades de pagamentos – tudo isso refletindo o seu apetite por riscos.

80% dos consumidores querem ofertas de cartões de crédito adaptadas às suas necessidades – a personalização não é mais um bônus, mas um requisito básico. Desde a integração até o ciclo de vida completo do cliente, os cartões de crédito hiperpersonalizados estão atendendo aos clientes onde eles estão e apoiando-os em suas jornadas financeiras. Como as condições econômicas variam, esses cartões – que são orientados por aprendizado de máquina, tomadas de decisões e análises avançadas – podem ajudar a garantir que os consumidores ainda paguem seus cartões e que os credores de cartões de crédito mantenham carteiras de baixo risco.

Por que é popular:

Os cartões hiperpersonalizados são atraentes para novos usuários, que buscam benefícios e recompensas personalizados, criados especificamente para seus padrões de gastos, comportamentos e até mesmo estilo de vida. Um cartão de crédito hiperpersonalizado pode oferecer recompensas para categorias específicas de gastos com os quais o usuário se envolve com frequência, como viagens, refeições ou compras online. O cartão também pode oferecer benefícios exclusivos, como descontos, cashback ou serviços de concierge, o que estimula a fidelidade do cliente. A abordagem orientada por dados por trás dos cartões de crédito hiperpersonalizados também ajuda os usuários a entender melhor seus hábitos de consumo e a tomar decisões financeiras mais bem informadas, ao mesmo tempo em que ajuda os credores a obter insights sobre os hábitos de consumo e as preferências de seus clientes, reduzir o risco e minimizar as perdas com contas inadimplentes e, por fim, identificar possíveis fatores de risco e tomar medidas proativas para evitar inadimplências.

Como oferecê-los:

Os cartões de crédito hiperpersonalizados são baseados em dados, tomada de decisões e tecnologia de aprendizado de máquina para fornecer análises avançadas. Essa tecnologia permite que os credores reúnam e analisem grandes quantidades de dados alternativos e tradicionais para obter uma compreensão mais profunda do perfil financeiro do mutuário e criar uma experiência de cartão de crédito exclusiva para ele. A tecnologia de tomada de decisão também pode ser usada para automatizar o processo de solicitação e aprovação do cartão de crédito, permitindo que os credores avaliem rapidamente a capacidade de crédito do tomador e façam ofertas de crédito personalizadas em tempo real.

Vá da tendência ao sucesso

A indústria de cartões de crédito está evoluindo rapidamente, e essas três tendências representam apenas algumas das mudanças inovadoras que estão ocorrendo. Os cartões de crédito alternativos, a funcionalidade BNPL e a hiperpersonalização estão remodelando a forma como os consumidores acessam e usam o crédito, ao mesmo tempo em que contribuem para o crescimento da indústria global.

Ao adotar essas tendências, os credores de cartões de crédito podem alcançar novos usuários com pouco ou nenhum histórico creditício, competir com os novos players do BNPL e atender às necessidades exatas dos clientes atuais. Entretanto, as empresas devem aproveitar a análise avançada e as fontes de dados alternativos para obter o máximo desses novos recursos. À medida que o setor continua a evoluir, fica claro que os cartões de crédito continuarão sendo uma ferramenta financeira essencial para os consumidores, e aqueles que adotarem a inovação estarão melhor preparados para prosperar.