Antecipar-se a fraudes é possível? Com analytics, sim

Se buscarmos o significado da palavra fraude, descobriremos que em um sentido amplo, remete a um esquema ilícito, de má-fé, realizado com o intuito de lesar alguém ou obter ganhos. Trazendo para o nosso dia a dia, a fraude pode acontecer de diversas maneiras, por inúmeros motivos e em esferas variadas. É um problema recorrente e enfrentado por empresas dos mais diversos segmentos de atuação. Onde houver vulnerabilidades, riscos operacionais, ausência de processos estruturados, de melhores práticas, de segurança da informação, de controles e auditoria interna, lá estarão os fraudadores.

Mas como é possível prever que uma fraude vai ocorrer? Como antecipar-se e evitar o prejuízo antes que o dano ocorra? Isso parece algo meio visionário e meio distante da realidade. Será que métodos e modelos matemáticos são capazes de prever situações futuras? Sim, com certeza. Os esclarecimentos a essas dúvidas podem vir através do analytics, que é uma tendência cada vez mais em uso e que tem trazido resultados extremamente positivos.

Estudos apontam que, no Brasil, empresas perdem cerca de 5% do seu lucro com fraudes. Além disso,77% das empresas brasileiras foram afetadas por esses golpes entre 2015 e 2016. Perde-se no varejo, perde-se no comércio eletrônico, perde-se na indústria, na construção civil, no segmento de energia e em inúmeras outras áreas. Fraudes que vão desde o CPF falso; um boleto que é emitido, bloqueia a venda do bem que não é pago; mercadorias que são desviadas; até golpes na área de saúde, quando exames médicos que só podem ser prescritos para mulheres – são, por exemplo, equivocadamente solicitados para um homem de 40 anos.

 Antes de detalhar como essa tecnologia pode minimizar os prejuízos, é preciso contextualizar: normalmente o fraudador, independente da natureza do ato ilícito que pretende cometer, segue um padrão. Exemplificando com o caso do comércio eletrônico, cujos índices de fraude ficam em torno de 1,4% do valor total das receitas do setor, os consumidores normalmente apresentam um determinado padrão de navegação, como por exemplo, fazem pesquisas em vários sites ou então usam os websites de comparação de preço; pagam sempre com cartão e realizam compras pequenas. Já quem pretende cometer um crime tende a ter outro tipo de comportamento: entra direto no site que foi eleito como a vítima da vez, pois preço não é a questão; vai pagar com boleto e ainda comprar em grande quantidade. Analisando esse cenário é possível identificar padrões comuns de fraude antes mesmo desta efetivamente virar um pedido.

É neste cenário que entra o analytics, que permite a criação de um modelo matemático, que tem a vantagem de poder ser atualizado automaticamente quando se utiliza uma ferramenta. Unindo uma série de variáveis, inseridas dentro de um contexto maior, esse modelo permite que o algoritmo seja modificado sem nenhum tipo de intervenção humana, de acordo com os dados que são recebidos. Isso é na verdade o que o mercado chama de inteligência artificial e/ou aprendizagem de máquina (machine lerarning). A grande vantagem desses sistemas é que eles têm a capacidade de aprender sozinhos: coletam o histórico e modificam-se conforme novos padrões são identificados. Ou seja, a inteligência permite adquirir um conhecimento em cima da base de dados. É com essa lógica que se consegue obter análises de fraude muito fortes, efetivas e preditivas.

E para tudo funcionar bem, é crucial contar com um histórico do que já aconteceu, bem formatado, alimentado com todos os padrões que foram detectados em situações em que as fraudes foram comprovadas. É o Big Data, que dá condições de ampliar ainda mais esse universo de informação, integrando-se a fontes externas de dados, como por exemplo, o Serasa ou outras intuições de proteção ao crédito, Receita Federal, boletins de ocorrências, etc. Onde houver dado disponível, seja ele estruturado ou não estruturado, ele puder ser captado, com certeza ele será agregado e muito útil.

Na prática, o Grupo Energisa, um dos principais conglomerados privados do setor elétrico do país, é um exemplo real de que o apoio da tecnologia analítica pode ser extremamente positivo e rentável para a detecção de fraudes e prevenção de perdas. O projeto DW ENERGISA, que visou a implementação de um ambiente analítico corporativo, fundamentado na arquitetura de Data Warehouse e apoiado no analytics, contribuiu para uma redução de 3,2% nas perdas não técnicas (popularmente conhecidas como gatos), o que equivale a cerca de 365 GWh, montante suficiente para atender 2,4 milhões de consumidores residenciais durante um mês. Isso é possível pois os desvios, graças à análise e cruzamento de informações históricas, são identificados antecipadamente, de maneira rápida, precisa e consistente.

Enfim, é impressionante, mas é difícil imaginar um setor que não apresente fraudes e, ao mesmo tempo, tenha condições de construir um histórico de dados que torne as empresas menos vulneráveis. O maior problema hoje é que ainda associa-se o analytics a algo extremamente complexo, difícil de ser feito e que demanda conhecimentos muito avançados. Não é bem assim e isso precisa ser desmistificado. O importante é começar, por menor que seja o histórico, ele já pode ajudar a alimentar uma base de dados e criar condições para ter respostas, mesmo que o resultado surja um pouco mais adiante.

É preciso enxergar que prever fraudes e evitar prejuízos é um fator de sobrevivência: a empresa que lidar muito bem com essa questão sairá na frente e obterá uma lucratividade bem maior de que seus concorrentes, ainda às voltas com perdas associadas a esses crimes. Acreditar que previsões é uma realidade do mundo corporativo apoiar-se em tecnologias relacionadas ao analytics é sem dúvida um grande passo para incrementar os negócios.

* Celso Poderoso é diretor América Latina da área de Professional Services da MicroStrategy, empresa focada no fornecimento de plataformas analíticas e software de mobilidade

Fonte: www.canaltech.com.br