O segredo de uma performance de 4x a 10x melhor na prevenção a fraudes

White Paper

Detectar solicitações de pagamento potencialmente fraudulentas e bloqueá-las antes que sejam aceitas é uma prática consolidada. As ferramentas padrão dessa prática são modelos de score com AI/ML e regras de decisão. Parece que todas as soluções de prevenção a fraudes competem em pé de igualdade. Mas não é. Uma solução, o IBM Safer Payments, se destaca. E com muita folga.

O caso

Um exemplo: a FIS, grande processadora de pagamentos dos EUA, substituiu uma solução de score/regras já em uso pelo IBM Safer Payments. Para pagamentos móveis Zelle. Onde a fraude é abundante. Em 3 meses de operação, reduziu as perdas com fraude em 75% e os falsos positivos em 90%. Ou seja, 4x em fraude e 10x em falsos positivos, ao mesmo tempo. Em escala nacional. Em pagamentos em tempo real.

Os segredos e o tempero

Como isso é possível? Qual é o ingrediente secreto? A bala de prata? O segredo desse nível de performance está na combinação de funcionalidades aprendidas com a dura experiência prática no setor. O Safer Payments foi projetado por profissionais da área e gênios de AI.

Velocidade

O fator número um é a velocidade. A fraude é rápida e está ficando cada vez mais rápida, e a prevenção a fraudes precisa se mover na velocidade da fraude. Diversas funções do Safer Payments permitem adaptar rapidamente os modelos e as regras a novos padrões de fraude. Primeiro, todos os dados de produção ficam imediatamente disponíveis para análises e para a simulação de contramedidas. Minutos após o surgimento de uma tendência de fraude, as análises integradas isolam a inteligência necessária para construir contramedidas. Elas usam AI para propor contramedidas já com os resultados da simulação de seu impacto. Os clientes usam isso para imunizar suas operações de processamento, às vezes em menos de uma hora. Sem pular nenhuma etapa de um processo de implantação sólido.

Outro exemplo: o switch nacional de pagamentos europeu QIWI, que processa 9 bilhões de pagamentos em tempo real por ano, se viu da noite para o dia sob uma onda de ataques de um grupo criminoso que explorava uma fragilidade em seu ambiente de pagamentos. Como hardware e software estavam envolvidos, não havia correção rápida para a vulnerabilidade. Ela também afetava todas as instituições financeiras da região. O SaferPayments ajudou a encontrar um mecanismo para distinguir a sutil diferença entre a execução de transações fraudulentas e legítimas. Levou minutos para implantar e imunizar seus pagamentos em tempo real. A maioria das outras instituições financeiras teve que suspender totalmente o processamento desse tipo de transação por semanas.

Perfis

O fator número dois é o perfilamento comportamental. A chave para altas taxas de detecção e baixas taxas de falsos positivos é diferenciar o comportamento de pagamento criminoso do legítimo. Muitas vezes, o comportamento só pode ser detectado analisando longas sequências de transações passadas. E, mais difícil ainda, o comportamento passado precisa ser comparado ao comportamento atual. O comportamento atual, e especialmente a transação atual a ser avaliada, só é conhecido agora. Isso implica que as transações passadas precisam ser avaliadas dentro da janela de processamento da solicitação de pagamento atual. Em números: para cada transação de pagamento e para cada atributo comportamental a ser extraído, até cem transações precisam ser avaliadas e comparadas à transação atual em milissegundos. E isso para vários milhares de solicitações de pagamento por segundo.

Controle

Um terceiro exemplo: o switch nacional de pagamentos francês STET usou o Safer Payments para evitar mais de US$ 1 bilhão em perdas com fraude, com uma taxa de falsos positivos ultrabaixa de 1:1. A chave para falsos positivos tão baixos é a flexibilidade do Safer Payments para buscar no comportamento não apenas evidências incriminatórias, mas também evidências que inocentam. Quando mudanças no sistema jurídico da França alteraram da noite para o dia o comportamento de pagamentos legítimos em larga escala, a STET, usando o Safer Payments, conseguiu entender que não se tratava de fraude e evitou interceptar dezenas de milhares de transações legítimas.