Análise de fraudes com base no comportamento

A análise de fraudes baseada no comportamento identifica fraudes com base na maneira como alguém age, e não no que sabe ou possui. Ela constrói um modelo de atividade normal — para um usuário, um segmento ou uma população — e sinaliza desvios significativos em relação a ele. Ela detecta ataques que as verificações de credenciais não conseguem identificar, mas pode ser contornada por invasores que tenham paciência suficiente para estabelecer eles mesmos a linha de base.

Também conhecido como Análise comportamental, detecção comportamental de fraudes
Tipos de sinal Padrões de transação, comportamento da sessão, navegação e tempo de resposta, sinais do dispositivo e da rede, comportamento biométrico, como dinâmica de digitação e de toque
Opções básicas Histórico por usuário, segmento de pares ou normas populacionais
Mais forte contra Apropriação de contas, bots e automação, e engenharia social em andamento
Mais fraco contra Fraudes cometidas pelo verdadeiro titular da conta e esquemas de longo prazo que estabelecem sua própria linha de base
Opera De forma contínua ao longo de uma sessão, não apenas em um momento de decisão
Problema de partida a frio Uma conta nova não possui histórico para comparação

Como funciona

A premissa é que a fraude se diferencia do uso legítimo mesmo quando as credenciais estão corretas. Um invasor que roubou uma senha possui o segredo certo, mas se comporta como alguém que não está familiarizado com a conta — navegando de maneira diferente, hesitando em pontos distintos, agindo mais rápido ou mais devagar, acessando a partir de um dispositivo e de uma rede diferentes.

Os sinais se dividem em três camadas. Transacional Essas normas abrangem valores, contrapartes, frequência e prazos. Sessão O comportamento abrange percursos de navegação, tempo de permanência, preenchimento de formulários e padrões de correção. Interação Esses comportamentos abrangem a cadência de digitação, o movimento do mouse, a pressão do toque e a orientação do dispositivo — sinais que são difíceis de imitar deliberadamente, pois não são controlados conscientemente.

A comparação, então, precisa de uma referência, e a referência utilizada determina o que o sistema é capaz de detectar:

Linha de base Detecta Limitação
A história pessoal do indivíduo Uma pessoa diferente usando uma conta conhecida Não serve para uma conta nova; perde eficácia quando o comportamento real muda
Um segmento de pares Atividade incomum para esse tipo de cliente Mais grosseiro e incomum não significa necessariamente fraudulento
Padrões conhecidos de fraude Repetições de métodos já observados Indiferente a qualquer novidade
Sinais de automação populacional Bots, scripts e atividades geradas por bots A automação sofisticada imita a variabilidade humana

Onde é forte e onde apresenta falhas

A análise comportamental é a melhor resposta disponível para apropriação de conta, porque a suplantação de identidade é justamente o caso em que as credenciais são válidas, mas a pessoa está errada. Essa medida também é eficaz contra a automação em grande escala e contra a engenharia social, em que um usuário genuíno está sendo orientado durante uma transação em tempo real e a hesitação fica evidente.

Dois modos de falha são de natureza estrutural, e não podem ser corrigidos por meio de modelos mais aprimorados.

A fraude de primeira mão é invisível para ele. Quando o titular legítimo da conta comete a fraude, não há anomalia comportamental — o comportamento corresponde ao da pessoa a partir da qual a linha de base foi estabelecida. Fraude interna é um problema de detecção totalmente diferente.

Os invasores persistentes estabelecem seu próprio ponto de referência. A identidade sintética que realiza transações normalmente há seis meses ensinou ao sistema o que é normal, e o fuga no final, se desvia de uma norma criada pelo fraudador. O modelo funciona exatamente como foi projetado e produz a resposta errada.

Por que isso é importante para a verificação de identidade

Ambos os modos de falha têm uma causa em comum: o comportamento é avaliado em relação a uma linha de base, e essa linha de base não diz nada sobre se a identidade por trás dela é real. Isso faz com que a análise comportamental seja um complemento à verificação de identidade, e não um substituto — um ponto que vale a pena deixar claro, pois os fornecedores de soluções comportamentais às vezes dão a entender o contrário.

O problema da “partida a frio” é o exemplo mais claro. Na abertura de uma conta, não há histórico; portanto, os sinais comportamentais estão em seu nível mais fraco justamente quando a questão da identidade está mais em aberto. É aí que a autenticação de documentos e a comparação biométrica entram em ação, e é aí que informações em tempo real As informações sobre o dispositivo e a rede fornecem um contexto que o comportamento, por si só, ainda não é capaz de oferecer.

Os dois se complementam bem quando a sequência é a correta. Verifique a identidade no momento do cadastro para garantir que a conta pertença a uma pessoa real e devidamente identificada; em seguida, deixe que a análise comportamental monitore uma conta cuja linha de base tenha valor. Identidade falsa e identidade roubada Os controles abordam a população que os modelos comportamentais não conseguem enxergar, ou seja, aquela que nunca teve uma identidade legítima da qual pudesse se desviar.

O que a análise comportamental não pode fazer

Isso não permite determinar a identidade. Ele detecta mudanças em um padrão. A quem esse padrão pertence é outra questão.

Não há nada com que trabalhar na integração. A ausência de histórico significa que não há linha de base por usuário, e as linhas de base por segmento são bem mais aproximadas.

Isso penaliza a mudança genuína. Novo emprego, novo país, novo aparelho, um acontecimento na vida — mudanças legítimas de comportamento, e um modelo sensível interpreta isso como risco.

A explicabilidade é uma restrição real. Quando uma decisão afeta o crédito ou o acesso à conta, um alerta que ninguém consegue explicar é difícil de justificar perante um órgão regulador ou perante o cliente.

A biometria comportamental tem implicações para a privacidade. A dinâmica da digitação e do toque são dados biométricos em diversos contextos, e tratá-los como telemetria comum é um erro.

Perguntas frequentes

O que é a análise de fraudes baseada no comportamento?

Um método de detecção de fraudes que compara o comportamento de uma pessoa com um padrão esperado, em vez de verificar o que ela sabe ou possui. Ele se baseia em padrões de transações, navegação durante a sessão e sinais de interação, como a cadência de digitação e a dinâmica de toque, e sinaliza desvios significativos.

Em que isso difere da detecção de fraudes baseada em regras?

As regras codificam padrões específicos conhecidos de antemão e são explicáveis, mas estáticas. A análise comportamental aprende o que é normal e sinaliza desvios em relação a isso, o que permite detectar métodos para os quais ninguém escreveu uma regra — ao custo de ser mais difícil de explicar. A maioria dos programas utiliza ambas as abordagens.

A análise comportamental é capaz de detectar fraudes de identidade sintética?

Raramente, por si só. Uma identidade sintética que se comporta normalmente durante meses estabelece a própria linha de base em relação à qual o modelo faz a avaliação; assim, o eventual desvio se afasta de uma norma criada pelo fraudador. A detecção de identidades sintéticas é um problema de identidade, tratado na abertura da conta.

A biometria comportamental é a mesma coisa que análise comportamental?

A biometria comportamental é um subconjunto. Refere-se especificamente a sinais de interação, como o ritmo de digitação, o movimento do mouse e a pressão do toque. A análise comportamental é mais ampla, abrangendo também padrões de transações e sessões, e apenas parte dela constitui dados biométricos no sentido regulatório.

Leitura relacionada

  • Fraude por invasão de conta — esse é o caso em que a análise comportamental se sai melhor, pois as credenciais são válidas e a pessoa não está
  • Fraude interna — o caso que ele não consegue ver, porque o comportamento é de responsabilidade do titular da conta
  • Identificação de dispositivos — um sinal complementar disponível antes que exista qualquer histórico comportamental
  • Fraude do tipo “bust-out” — o esquema de longo prazo que define a linha de base da qual mais tarde se afastará

Descubra nossas soluções

Para explorar nossas soluções, você está a apenas um clique de distância. Experimente nossos produtos ou converse com um de nossos especialistas para se aprofundar no que oferecemos.

Relatório
Analisando o aumento das fraudes de identidade impulsionadas pela IA

A IA não se limitou a tornar a fraude mais rápida. Ela a transformou em um sistema. Analisamos milhões de interações relacionadas à identidade para mapear como os ataques de identidade estão evoluindo em diferentes regiões, tipos de ataque e níveis de sofisticação — e o que as organizações precisam repensar para acompanhar essa evolução.

Veja os dados