Índice de Fraude

Uma pontuação de fraude é um número que resume a probabilidade de uma transação, solicitação ou sessão ser fraudulenta, gerada por um modelo que avalia vários sinais simultaneamente. Ela serve para classificar os casos, de modo que a capacidade limitada de análise seja direcionada àqueles que mais provavelmente justificam tal análise.

Uma pontuação não é um veredicto. É uma posição em uma classificação, e o que acontece em cada posição é uma decisão comercial tomada independentemente do modelo.

O que ele classifica Transações, solicitações, logins, sessões
Entradas típicas Dispositivo, rede, comportamento, velocidade, atributos de identidade, histórico
Saída Um número em uma escala arbitrária — não representa uma probabilidade, a menos que seja calibrado
O que faz com que isso se torne uma decisão Um limite definido pela empresa, e não pelo modelo
Medido por AUC para avaliar a qualidade, taxa de falsos positivos no ponto de operação
Erros comuns de uso Interpretar uma pontuação como uma probabilidade ou comparar pontuações entre fornecedores

O que compõe uma pontuação

Os modelos diferem, mas as famílias de sinais são consistentes: dispositivo e rede atributos como impressão digital, reputação de IP e detecção de proxy; comportamental sinais, incluindo padrões de navegação, cadência de digitação e tempo gasto em um formulário; velocidade entre entidades — quantos aplicativos compartilham um dispositivo, quantos cartões compartilham um endereço; identidade atributos e se eles são internamente consistentes; e histórico resultados de casos semelhantes.

O modelo aprende os pesos a partir de um histórico rotulado. É nessa dependência das rotulagens que se origina a maior parte dos problemas, e isso será abordado a seguir.

O limiar é mais importante do que o modelo

Essa é a parte que a maioria das discussões sobre pontuação de fraude ignora, e é nela que está o dinheiro.

Um modelo gera uma ordenação. Um limite transforma essa ordenação em aprovações, aplicativo aprovações e rejeições — e o limite é uma decisão comercial relacionada ao custo relativo de dois erros, não uma propriedade técnica do modelo. Alterá-lo implica um equilíbrio entre falsos positivos e falsos negativos ao longo de uma curva que o modelo define, mas na qual ele não escolhe um ponto específico.

Duas organizações que utilizam o mesmo modelo, mas com limites diferentes, obtêm resultados significativamente distintos, e ambas podem estar corretas. Um credor com margens reduzidas e um alto custo por perda decorrente de fraude deve se posicionar em um ponto diferente de uma plataforma de mercado cujo principal risco é perder bons clientes devido a atritos.

A consequência prática: uma comparação entre fornecedores com base em valores de pontuação não faz sentido. As pontuações são baseadas em escalas arbitrárias; portanto, um 700 de um sistema e um 700 de outro não têm nenhuma relação entre si. A comparação deve ser feita com base na qualidade da classificação em um ponto de operação equivalente — taxa de detecção com a mesma taxa de falsos positivos, ou o contrário.

Por que isso é importante para a verificação de identidade

Uma pontuação de fraude é uma inferência sobre uma identidade. A verificação de identidade é uma evidência a respeito dela, e as duas desempenham funções diferentes.

A inferência é probabilística e está disponível em qualquer lugar, a um custo baixo, em todas as transações. As evidências são caras, mais lentas e respondem a uma pergunta que a inferência não consegue esclarecer. Uma pontuação de 850 indica que esse caso se assemelha a outros que tiveram desfecho negativo; ela não revela quem é o candidato. Um documento verificado, acompanhado de uma imagem facial em tempo real, sim, revela isso e não gera nenhuma classificação.

Quando usadas em conjunto, a divisão fica clara: pontue tudo e deixe que a pontuação decida onde aplicar as evidências. Essa é a mesma estrutura que autenticação baseada em risco e isso se aplica de maneira geral pela mesma razão — o atrito é um orçamento, e a classificação é a forma de alocá-lo.

Há uma segunda contribuição que é mais importante do que parece. Os atributos de identidade verificados estão entre as características mais robustas que um modelo antifraude pode possuir. Um modelo que avalia dados declarados pelo próprio candidato está fazendo um raciocínio sobre as afirmações escolhidas por ele; o mesmo modelo, quando alimentado com nome, data de nascimento e número de documento verificados, está fazendo um raciocínio sobre fatos. Ele também possibilita a resolução de entidades — vinculando inscrições à mesma pessoa real —, que é exatamente o que os recursos de velocidade exigem e o que dados não verificados não conseguem oferecer.

O que uma pontuação de fraude não pode revelar

Normalmente, não se trata de uma probabilidade. A menos que um modelo tenha sido explicitamente calibrado, uma pontuação de 900 não significa uma chance de 90% de fraude. Tratar pontuações não calibradas como probabilidades resulta em cálculos de perda esperada que estão comprovadamente errados.

Ele aprende com os rótulos, e esses rótulos estão incompletos. Os pedidos recusados não geram nenhum resultado, de modo que o modelo nunca aprende se essas recusas foram corretas. Fraudes não detectadas são classificadas como legítimas. Um modelo treinado dessa forma fica mais apto a reproduzir decisões passadas, o que não é o mesmo que ficar mais apto a detectar fraudes.

Isso reflete o que os dados contêm. Quando as decisões históricas se correlacionam com a geografia, o custo do dispositivo ou outros indicadores de características protegidas, um modelo aprende essas correlações. A remoção do atributo explícito não elimina a correlação, e uma pontuação não é neutra simplesmente por ser numérica.

Isso se degrada. Os padrões de fraude mudam e os modelos sofrem desvios. Um modelo que não é monitorado e retreinado vai se deteriorando gradualmente, sem que se perceba, ao mesmo tempo em que continua a gerar números com aparência de confiança.

Isso não se explica por si só sem algum esforço. Vários regimes exigem que as decisões desfavoráveis sejam explicadas à pessoa afetada. Uma pontuação por si só não atende a esse requisito, e a explicação deve ser apresentada de forma deliberada.

Perguntas frequentes

Uma pontuação de fraude mais alta é sempre pior?

Isso depende da convenção do sistema — alguns atribuem pontuação ao risco em ordem crescente, outros à confiança; portanto, a direção deve ser confirmada, e não presumida. Dentro de um mesmo sistema, um risco mais alto significa que um caso está classificado acima dos demais, e não que a fraude tenha sido comprovada.

É possível comparar os índices de fraude de diferentes fornecedores?

Não em termos de valor. As escalas são arbitrárias e não têm relação entre si; portanto, números iguais não significam que haja algo em comum. Uma comparação significativa define uma métrica e mede a outra: taxa de captura com uma taxa de falsos positivos igual, ou taxa de falsos positivos com uma taxa de captura igual.

Qual é um bom limite para a pontuação de fraude?

O que quer que seja que equilibre o custo de uma perda por fraude com o custo de rejeitar um cliente legítimo, para aquela empresa. Não há uma resposta universal, e o mesmo limite pode ser adequado para uma organização e inadequado para outra que opere com o mesmo modelo.

Por que os modelos de fraude perdem eficácia com o tempo?

Como a fraude se adapta e a população muda, as relações que o modelo aprendeu deixam de ser válidas — o que se conhece como “desvio do modelo”. Os sistemas também se retreinam com base em suas próprias decisões, o que reforça os padrões existentes em vez de corrigi-los. Ambos os casos exigem um monitoramento deliberado com base em novos dados de resultados.

Leitura relacionada

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