Olá, equipe de Fraude e Compliance 👋
Quanto mais tempo passo na Sardine, mais percebo que todos os problemas de risco são problemas de ciência de dados. Então, seja bem-vindo à sua edição tudo é dado da newsletter da Sardine. Acho que você vai gostar desta.
Aliás: Neste mês, lançamos nosso assistente de GenAI, o Finley. O Finley pode responder a perguntas como “Por que essa regra foi acionada?” ou “Aja como analista e, por favor, investigue o usuário abcdefghi.”
Mas a minha coisa favorita no Finley?
Ele recebeu o nome de um doguinho fofinho e é 100% certificado como um bom garoto.
- 📣 Desabafo: Aprendizado de Máquina à moda antiga > GenAI por enquanto
- 🛠 Tático: Aprimoramento de dados de comerciantes com IA
- 🖼 Padrão: Remixando fontes de dados
Produto: 🚢 A equipe da Sardine continua lançando novidades. Neste mês, adicionamos 8 novos recursos à nossa plataforma de risco para ajudar com regras, investigações e gestão de casos. Leia o blog para ver todos os detalhes.
Vamos mergulhar 🏊
ST.
📣 Desabafo do Mês: ML > GenAI para Fraude (por enquanto)
Você sistematicamente não está usando ML o suficiente. Não importa o quanto você esteja usando.
Este desabafo foi desencadeado por uma conversa que tive com o CTO de um neobank esta semana, que disse que há uma enorme oportunidade de assumir a liderança em aprendizado de máquina para detecção de fraude como um setor industrial.
Como era de se esperar, eu concordo.
Compartilhei a citação do Soups, “Todos os problemas de risco são problemas de ciência de dados,” e isso ressoou em mim como alguém que trabalhou em big tech e operou com ML como padrão e em larga escala.
Nós não temos isso no setor de serviços financeiros.
Ainda não.
Pouquíssimas instituições financeiras, neobancos ou lojistas de e‑commerce têm uma plataforma de tecnologia que se pareça com a do Google ou da Meta. Essas empresas recorrem automaticamente a ML e redes neurais para resolver quase todos os problemas. O melhor uso de ML está em áreas específicas, com modelos relativamente pequenos resolvendo questões pontuais. As maiores instituições financeiras estão formando equipes especializadas para internalizar ML e desenvolver essa capacidade.
Mas ainda há um longo caminho a percorrer.
Esses modelos precisam se tornar muito maiores e mais sofisticados para acompanhar o aumento de Fraude e Lavagem de Dinheiro que o mundo enfrenta. Ter um modelo de ML não é suficiente. Nosso objetivo é ter os modelos de melhor desempenho, gerenciados e atualizados de forma consistente por uma equipe de classe mundial.
E como todos os problemas de risco são problemas de ciência de dados, precisamos tratá-los dessa forma.
Todos os problemas de ciência de dados são problemas de engenharia de dados.
Isso significa que precisamos acertar o básico.
Precisamos de um conjunto de dados grande, limpo e acessível.
É fácil dizer, difícil fazer.
Coletar um grande conjunto de dados em serviços financeiros significa coletar dados pessoais e dados financeiros e, potencialmente, compartilhá-los. A sobrecarga de conformidade e governança é nada trivial.
Há uma enorme oportunidade de acertar o básico. Obtenha um conjunto de dados maior e aproveite técnicas de ML já comprovadas em produção para capturar o ROI que está sendo deixado na mesa.
Não estou criticando o GenAI; ele inevitavelmente será um divisor de águas (poxa, nós temos o Finley Live).
Para combater fraudes, o GenAI não é a melhor ferramenta. O aprendizado de máquina é suficiente. E é isso que usamos na Sardine, tanto por meio de modelos de aprendizado de máquina supervisionados, que extrapolam casos anteriores de fraude e identificam outras pessoas que provavelmente fazem parte de um esquema fraudulento, quanto por meio de modelos não supervisionados baseados em grafos, que nos permitem agrupar eventos ou usuários com características semelhantes em um possível esquema.
No entanto.
Se estivermos falando sobre automatizar operações, seja de fraude ou de compliance, então a GenAI pode ser extremamente útil. Os bancos dedicam algo entre 10% e 30% de sua força de trabalho a operações e, com ferramentas como o AutoGPT, podemos automatizar a maior parte do trabalho entediante que eles precisam fazer todos os dias, por exemplo: revisar casos automaticamente, criar automaticamente uma narrativa de SAR ou registrar automaticamente uma contestação de chargeback.
E embora isso represente uma enorme economia de custos, o grande desafio com a GenAI é que ainda é muito cedo; os modelos, o valor e os casos de uso ainda estão em constante mudança.
Como engenheiro de dados, isso é difícil de construir (embora esteja mudando rapidamente!)
Na Sardine, estamos fazendo quatro coisas com base nessa hipótese
- Nós oferecemos aos clientes acesso ao data warehouse e a recursos de machine learning. Eles podem usar nossos dados e os recursos desenvolvidos pela Sardine diretamente para treinar seus modelos.
- Nós coletamos dados de mais de 35 provedores para enriquecer nosso conjunto de dados. Como cientistas de dados, nós os selecionamos com base em seu desempenho (cobertura, qualidade, SLA de resposta etc.).
- Estamos construindo o SardineX para criar a solução de compartilhamento de dados mais completa e em conformidade com as normas (314(b), GLBA) do mercado. De cientistas de dados para cientistas de dados.
- Estamos desenvolvendo o Finley como o copiloto definitivo de operações de fraude, treinado com nossos dados, nossa experiência e nossa plataforma.
➕ Fraud Squad: Ampliação de dados de comerciantes com IA
Aqui está um trecho da nossa análise sobre o uso de enriquecimento de dados de comerciantes no combate a fraudes e chargebacks
Durante décadas, emissores de cartões, bancos e neobancos têm atuado às cegas em sua batalha contra a fraude, resultando em perda de receita devido a recusas indevidas. Os dados que utilizam são muitas vezes confusos, o que faz com que bons clientes sejam bloqueados enquanto fraudadores escapam impunes. As equipes de combate à fraude ainda dependem de formatos antiquados, como mensagens ISO8583 e códigos NAICS, junto com dados de transações com cartão.
Isso muda hoje.
Visão 20/20 para dados de POS de comerciantes
Para emissores de cartão, como bancos e neobancos, os dados de comerciantes sempre foram pouco confiáveis e imprecisos.
Exemplo de mensagem ISO8583
Nesta transação simplificada, um usuário comprou 15 dólares em fast food na Yum. A Yum! Brands é a empresa-mãe do KFC, Taco Bell e Pizza Hut. Então a primeira pergunta é: em qual dessas marcas ele gastou?
Além disso, existem mais de 53.000 unidades da Yum Brands. Só em Manhattan há 26 Taco Bells. Como sabemos se o usuário concluiu essa compra nesse local? Como sabemos se era uma área com alto índice de fraude? Como sabemos em qual marca foi a compra?
Se o sistema de fraude depender de um Código de Categoria do Comerciante, isso pode levar tanto a altas taxas de fraude quanto a recusas indevidas. Ambos são ruins para os negócios e ruins para os clientes.
Veja como fica com a inteligência do comerciante combinada com os dados de dispositivo e o cérebro da Sardine.
- Coletar a localização real do telefone celular do usuário no momento da compra. Isso é algo que a Sardine já oferece hoje por meio de nossos recursos de Inteligência de Dispositivos.
- Identifique a verdadeira identidade do comerciante e vincule-a à transação. Isso é fornecido hoje pelas capacidades de inteligência de comerciantes da Spade – com um único ID para cada local ou instância de um comerciante, independentemente de como o nome aparece no descritivo ou de qual ID de Comerciante esteja presente.
- Coletar a verdadeira localização do comerciante e vinculá-la à transação. Isso já é fornecido hoje por meio de recursos de inteligência de comerciantes.
- No momento da autorização da transação, combine esses pontos de dados para fornecer uma avaliação de fraude em tempo real. O mecanismo de regras, o painel da Sardine e o 🧠 reúnem qualquer fonte de dados, enriquecem-na e tomam decisões em tempo real.
Visão 20/20 para o e-commerce
Aqui está um exemplo de comércio eletrônico
Neste exemplo, vemos um usuário fazendo uma compra de US$ 50 na Amazon. Mas não sabemos se isso é eletrônicos, livros ou conteúdo digital, cada um com seu próprio risco de fraude. O código MCC está definido como “livrarias”, o que não abrange tudo o que a Amazon faz. A transação é suspeita de fraude pela mensagem, mas como podemos validar isso? Será que isso pode levar a uma recusa indevida?
Podemos tornar isso muito mais detalhado com os dados do comerciante.
- Coletar dados de histórico do dispositivo. Se este dispositivo tem apresentado rotineiramente um bom comportamento, com baixo risco de fraude em vários estabelecimentos, mesmo que o cartão seja novo, temos maior confiança de que não se trata de uma fraude.
- Colete sinais de comportamento do usuário. Esta nova compra com cartão neste dispositivo está sendo feita digitando, deslizando ou tocando nas teclas da mesma forma que sempre, ou algo mudou? Se algo mudou, isso pode ser uma fraude. Se estiver igual, provavelmente não é.
- Subcategorize o comerciante. Foi esta uma transação da AWS, uma assinatura do Amazon Prime ou uma compra de um Kindle? A resposta faz uma diferença significativa para a sua tomada de decisão.
- Crie regras personalizadas. A Sardine permite que os usuários criem rapidamente novas regras usando no-code ou low-code. Os usuários podem selecionar entre uma ampla variedade de recursos (que incluem pontos de dados enviados para a API da Sardine, enriquecimentos feitos pela Sardine por meio de sinais de risco de consórcio e campos derivados pelos modelos proprietários da Sardine). Em seguida, adicione ações de resultado e envie a regra em ambientes Live ou Shadow.
- Pontuação de risco em tempo real. No momento da autorização da transação, combine esses pontos de dados para fornecer uma avaliação de fraude em tempo real. Em seguida, aprove, negue ou marque a transação para revisão.
Obtenha uma visão em tempo real do verdadeiro ID do comerciante, incorpore quaisquer dados que desejar, crie uma regra personalizada e decida se deve aprovar a autorização da transação.
Menos falsos positivos. Mais conversão. Menos fraude.
Adorável.
Se quiser ler o texto completo, você pode conferir aqui
E se você estiver buscando aprimoramento com IA para risco de comerciantes, entre em contato. Basta responder a esta mensagem ou nos enviar um e-mail hello@sardine.ai
🕵️ Padrão: Por que precisamos recombinar fontes de dados
“Enriquecimento de dados” soa tão sem graça, mas é incrivelmente poderoso.
O Poder do Enriquecimento de Dados:
O ditado "qualidade acima de quantidade" nunca foi tão verdadeiro em um mundo que está se afogando em dados. Entra em cena o enriquecimento de dados – aprimorar dados brutos com informações adicionais para oferecer uma visão mais clara. É como ter uma lupa que destaca os detalhes mais cruciais.
Todos os problemas de risco são problemas de ciência de dados.
Mas não se trata apenas de ampliar; trata-se de destacar os detalhes certos.
Você precisa dos melhores dados dos melhores provedores, disponíveis quando precisar, no formato de que precisar. Isso pode incluir telefone, e-mail, endereço, cartão de crédito, conta bancária e números de seguridade social (SSN) ou identificadores centrais locais.
Nós sempre aconselhamos: “Não se limite a agregar dados; faça uma curadoria deles.” Por exemplo, selecionamos 35 provedores especializados para o nosso arsenal – todos avaliados pela nossa equipe interna de fraude e compliance – estamos em uma missão de fornecer dados que realmente importam.
Seja com dados de open banking ou com aqueles sinais difíceis de obter de um "consórcio bancário", estamos trabalhando duro para consegui-los porque geram resultados.
Um exemplo: o ouro nos dados de consórcios bancários
Na minha primeira semana na Sardine, nosso cofundador Adi me disse: “Se, na época em que eu trabalhava com fintech, você tivesse me dito que poderíamos ter dados de consórcios bancários, eu teria ficado impressionado.”
Então, por que tanto alvoroço em torno dos dados de consórcios bancários? Imagine identificar um potencial fraudador não apenas pelas ações atuais, mas analisando um histórico em que ele já possa ter sido implicado antes.
Esses dados funcionam como uma memória, recuperando situações que nos ajudam a tomar decisões melhores agora. Combine isso com dados de open banking, histórico de e-mails ou dados de telecomunicações, e você pode barrar um agente mal-intencionado já na etapa de onboarding, antes que se torne um problema, ou recusar a transação certa no momento do pagamento.
Como selecionamos os provedores de dados.
Precisamos de três coisas para tornar os dados úteis para a equipe de combate à fraude.
- Desempenho:Os dados e os provedores precisam entregar resultados. Os principais KPIs são melhor conversão no checkout, redução de chargebacks e de trabalho manual. Os provedores de dados precisam entregar, e essa é a nossa principal métrica ao selecionar provedores.
- Curadoria: Nem todos os dados são iguais. Na era da informação, a capacidade de discernir é fundamental. Na Sardine, cada ponto de dados e cada fornecedor é cuidadosamente coletado e avaliado. Nossa equipe experiente garante que os dados em que você confia sejam relevantes e precisos.
- Personalização: Nós entendemos: cada empresa é única. Por isso, a escolha é sua, seja para consumir nossos dados enriquecidos via API ou criar regras personalizadas por meio do nosso painel intuitivo. Nós fornecemos as ferramentas; você as utiliza.
Combinar sinais é a chave
Imagine que um fraudador roubou um telefone. Ele passaria na verificação do número de telefone e possivelmente de nome e endereço, se esses dados também tivessem sido roubados. Mas e o e-mail? E o dispositivo que ele está usando? Você pode perder o dado crucial se não reunir todas essas informações.
A essência da detecção é procurar agulhas no palheiro. Isso é algo em que a IA é excepcionalmente boa. Ela identifica inconsistências, mas, como toda ciência de dados, exige muitos dados e dados de alta qualidade.
A ciência de dados precisa de acesso a dados
Para encontrar agulhas em um palheiro, os cientistas de dados precisam de acesso ao data warehouse, mas isso é surpreendentemente difícil de conseguir. A maioria das plataformas de fraude e risco fornece uma pontuação de risco, mas pode não compartilhar os dados. O problema é que cada empresa tem um perfil de risco único. Seus cientistas de dados costumam ser os mais indicados para criar novos modelos, mas ainda é raro obter acesso aos dados certos com a qualidade certa.
Juntando tudo
Selecione os provedores de dados certos, avalie seu desempenho e garanta que os cientistas de dados tenham o acesso de que precisam para resolver os problemas que a empresa está enfrentando.
Se você gostou disso, encontrará o conteúdo completo aqui
É isso, pessoal 👋
Curtiu isso? Você pode agradecer fazendo uma demonstração da Sardine.
Ainda aqui? Que tal dar um alô no Twitter ou no LinkedIn?
🧙Missão: Envie para nós o seu problema de fraude mais difícil de resolver. Em que você está travado? Sardinhas nadam juntas.
Estamos aqui para ajudar.