Fraudes online custam à economia global mais que US$400 bilhões, com mais de 800 milhões de registros pessoais roubados só em 2013. Cada vez mais, a fraude tem diversificado a diferentes canais digitais, incluindo pagamentos móveis pela Internet, criando novos desafios ao mesmo tempo em que padrões de fraude inovadores emergem.
Uma técnica que as organizações utilizam para detectar e prevenir fraudes eletrônicas é a denominada "outlier", ou detecção de anomalias. Na verdade, ele é o núcleo de uma das nossas camadas de proteção contra fraudes, chamado DetectTA (o TA significa transação anomalia). O DetectTA foi projetado para dar às instituições financeiras a capacidade de descobrir uma fraude e superá-la ao longo do ciclo de vida da mesma.
Por meio da detecção de anomalias, as empresas são capazes de diferenciar entre o comportamento normal e anormal de uma conta do cliente, por exemplo, por meio de análise estatística. Os padrões podem ser utilizados ??para identificar transações potencialmente fraudulentas – como uma farra de gastos em artigos de luxo caros. Se não são típicos de uma conta, estas seriam consideradas transações outlier, que, por definição, se desviam dos padrões de comportamento normais. Outlier é o valor aberrante ou valor atípico, ou que é inconsistente, portanto. Métodos padrão para detecção de outlier estatístico observam como duas variáveis ??normalmente interagem para determinar o comportamento normal.
O objetivo é identificar as transações que não se comportam de uma maneira normal. Para isso, um algoritmo de detecção de outlier, com um modelo baseado em densidade, pode ajudar a identificar anomalias óbvias.
Estes valores extremos podem indicar que as transações de alto valor estão ocorrendo em contas inativas – e isso poderia ser um aviso de atividade fraudulenta. No entanto, verificou-se na literatura que estes algoritmos são testados quando pequenos grupos de anomalias estão presentes. Isso é algo que acontece em detecção de fraudes, pois quando um ladrão encontra uma estratégia que funciona, ele vai usar a mesma estratégia até que ele não funciona mais.
A fim de detectar estes tipos de anomalias, métodos como o Local Outlier Factor (LOF) têm sido desenvolvidos nos últimos anos. Este método é utilizado para estimar a densidade localmente utilizando apenas os vizinhos mais próximos. As operações que tenham substancialmente menor densidade do que os seus vizinhos são considerados como sendo valores aberrantes.
Estes novos resultados fazem sentido, uma vez que é esperado que as transações fraudulentas de quantidades elevadas poderiam ser feitas em um curto período de tempo. O fraudador está tentando maximizar o seu lucro o mais rápido possível, provavelmente usando contas recém-abertas com identidades roubadas.
A detecção de fraudes não é de modo algum uma tarefa fácil. Devemos incluir em nossa análise as melhores ferramentas disponíveis e compreender muito bem a deficiência e as limitações dos métodos que usamos.
Neste artigo, tentamos destacar os benefícios do uso de métodos de detecção de outlier avançados, como o LOF. Com este método, podemos melhorar as nossas taxas de detecções e reagir mais rapidamente às novas estratégias fraudulentas.
Alejandro Correa Bahnsen, cientista de dados da Easy Solutions.
