O ser humano, de uma forma geral, está habituado a lidar com dois caminhos diante de situações de negociação ou troca de valor. Existe por padrão, a maneira correta, mas há também aquela que surge como um tipo de bug no comportamento humano, que nos leva ao centro da questão de hoje, as fraudes.
O Machine Learning é um daqueles termos que soa bastante tecnológico, mas não é uma criação tão recente, seus primeiros passos ocorreram 1959, com o engenheiro do MIT, Arthur Samuel. Apesar de o ML ser um ‘senhor experiente’, os seres humanos vêm praticando e desenvolvendo meios de fraudar e obter vantagem de forma irregular há muito mais tempo.
Neste ponto é importante conceituarmos fraude, que é, resumidamente um ato de má-fé, onde alguém busca enganar outra pessoa a fim de obter algum tipo de vantagem. Num passado distante, os ‘golpes’ não dispunham de tantos caminhos e a velocidade da comunicação atuais para multiplicar suas vítimas, afinal, os processos ocorriam offline.
A tecnologia nos presenteou com amplo acesso à informação, conexões de alta velocidade e gigantescos volumes de dados produzidos a todo instante, relacionados inclusive ao que compramos online. Apesar do lado positivo, não é raro que tenhamos de lidar com enormes vazamentos de dados de instituições confiáveis, que acabam expondo usuários à possibilidade de surpresas desagradáveis.
Em 2020 fomos atingidos repentinamente pela pandemia que parou o mundo e acelerou o consumo via comércio eletrônico. Assim, intensificamos o número de transações online e, também, o tempo em um ambiente em que fraudadores modernos encontram novas possibilidades e recursos para escalar suas “operações”.
Entre os tipos mais comuns de fraudes que afligem a sociedade podemos citar:
- Roubo de dados em sites falsos;
- Abertura de empresas;
- Boletos falsos;
- Tomada de crédito com documentos falsos;
- Roubo de identidade;
- Interceptação de mercadorias;
- Phishing.
Diante deste cenário complexo onde tudo acontece tão rápido, o Machine Learning é fundamental para a proteção de instituições e consumidores. Capaz de aprender e avaliar padrões de consumo, as soluções baseadas em Machine Learning identificam eventuais desvios, permitindo que medidas de segurança sejam executadas a tempo.
A identificação de comportamentos fraudulentos pode ser bastante complexa e demorada, em especial se pensarmos em negócios que lidam com grandes volumes de dados. Contribuindo para operações mais seguras, as análises exponencialmente mais rápidas ainda acabam refletindo em serviços mais fluídos e experiências mais positivas para os usuários.
Comportamentos podem mudar muito rápido em resposta a inúmeros fatores às vezes assustadoramente imprevisíveis, por isso, dispor de soluções em Machine Learning é importante para os negócios. É preciso lidar com dados gerados na operação, perfil do cliente, padrões vigentes no mercado e até mesmo ações sazonais que possam provocar mudanças no comportamento esperado, por exemplo.
É importante compreender, ainda, que as soluções desenvolvidas atendem a fins específicos, e são altamente personalizadas. Enquanto (x) busca prevenir fraudes, (y) pode ter a necessidade de reduzir falsos positivos, por exemplo.
Há diversos modelos de Machine Learning, assim como há diferentes algoritmos que podem ser aplicados a cada caso, então, contar com profissionais aptos para determinar a melhor abordagem é essencial. Modelos treinados de maneira específica são mais eficientes, por lidar com nuances do comportamento do consumidor, tendências de fraude e padrões de gastos, por exemplo. O crescente volume de transações realizadas online, sejam elas de ecommerce ou relacionadas a serviços ao cidadão, reforçam a importância das estratégias inteligentes para o combate a fraudes. Permanecer alheio ao uso da tecnologia como caminho para potencializar tais ações é algo insustentável para o gestor moderno, tanto em empresas quanto em órgãos públicos
