1

O desafio do combate a fraudes

em instituições financeiras e de

seguridade

2

“...Somente no mês de agosto deste ano, foram registradas 167.395 tentativas de fraude

conhecida como roubo de identidade, em que dados pessoais são usados por criminosos para

firmar negócios ou mesmo obter crédito com a intenção de não honrar os pagamentos. O

número, adiantado pelo Serasa Experian ao GLOBO, representa uma tentativa de fraude a cada

16 segundos no país..... De acordo com as projeções da pesquisa, os custos variam de R$ 5,46

bilhões a R$ 10,11 bilhões anuais aos setores de serviços em geral, telefonia, bancos,

financeiras, seguradoras e construtoras. Menor, mas não menos grave, a fatura associada ao

governo oscila entre R$ 366,61 milhões e R$ 1,42 bilhão, levando-se em consideração fraudes

em programas sociais, na Previdência e gastos com processos judiciais.

. O Globo, 26/10/2015

3

Os problemas

Fragmentação dos órgãos de proteção contra fraudes:

Serasa+SPC, Boavista, CDLs regionais, Monitor das Fraudes...

Fragmentação das fontes de informação. Além das acima, é

preciso consultar o Registrato do Bacen (na prática, nem todo o

banco consulta bureaus para abertura de contas) que sofre

atualização batch mensal, ou o SCR, atualizado mensalmente

ou quinzenalmente.

Inadequação e fragmentação do tratamento de fraude dentro de

cada empresa. Funções, autonomia e informações dispersas

entre várias áreas como SAC, Ouvidoria, auditoria, e a vítima da

fraude tem que assumir o papel de integradora.

Registros de ocorrência policial tratam apenas as fraudes

consumadas, embora muitas informações valiosas para o

combate decorram das tentativas mal sucedidas.

4

Os problemas

Falta de cultura e de incentivo financeiro (bonificação) para

verificação da identidade do solicitante de crédito/serviços.

Baixo nível tecnológico no processo de autenticação, com a

biometria ainda engatinhando soma-se à fragmentação dos

sistemas de identificação existentes (RG, CNH, passaportes...).

O processo de alimentação das informações é mão-única dos

órgãos de proteção para o consumidor (vítima), não havendo

muita abertura para alimentação de dados importantíssimos no

sentido inverso. O processo não tem feedback (loop fechado

com nenhum dos agentes (consumidores, empresas,

investigadores).

Inexistência de gestão da informação pessoal (“personal

information brokers” ainda por surgir).

5

Os tipos

Clonagem de documentos.

Apropriação de dados de bases

corporativas ou públicas

Ataques cibernéticos.

6

7

8

Abordagens fundamentais Permitir upload de fotos, documentos, biometria, boletins de ocorrência,

assinaturas e dados adicionais para verificação positiva (senha, perguntas-

respostas pessoais). Para preservação de privacidade e evitando realimentação

de fraudes, a comparação realizada pelo consulente pode ser realizada de forma

“cega”, por comparação de hash dos valores informados com os armazenados

pelo consumidor.

Analisar o comportamento de consultas identificando desvios de perfil do

consumidor e alertando-o.

Permitir que o consumidor assinale as consultas que ele identifica como tendo

origem em fraude, enviando feedback para empresas, consulentes e autoridades

(expansão das funções do alerta).

Análise do perfil da fraude e do fraudador a partir do feedback enviado pelo

consumidor, enviando dicas direcionadas ao caso específico (alerta de possível

fraude, classificação do fraudador e previsão de atuação, etc.).

9

Informações tipicamente usadas para detecção e prevenção de fraudes financeiras por AI

• Consumo de bens duráveis;

• Utilização de serviços de comunicação;

• Utilização de mecanismos de pesquisa (tipos de pesquisa);

• Frequência de mudança de IP;

• Padrão temporal de compras;

• Interesses culturais (tráfego web e mobile);

• Comportamento em redes sociais (horários, páginas

percorridas);

• BACEN (SCR e CCS);

• Bureaus de crédito;

10

A importância da interação com os agentes

Recebem informações,

orientações, alertas

Enviam documentos

imagens, ativam alertas,

feedback

Recebem informações,

orientações, alertas,

verificam identidade.

Enviam informações de

contato, feedback

Recebem informações,

alertas, verificam

identidade, criam alertas

Trocam pistas e

evidências

11

Exemplo usando redes neurais supervisionadas por algoritmos

genéticos (GRNNs)

12

Usando recursos de AI

Ferramentas de Analytics suportadas por AI: Redes Neurais

artificiais supervisionadas constituem a ferramenta de AI mais utilizada, e com maior

sucesso na detecção e previsão de fraudes.

Variável de saída

(Classificação do

risco de fraude)

Nós (“neurônios”)

intermediários Variáveis de input

(obtidas no DW

virtualizado)

Fontes, RF,

BACEN, redes

sociais, RF, etc.

13

Seleção de variáveis

14

Variáveis dependentes e independentes

15

Importância relativa das variáveis de input

16

Medição da convergência dos modelos

17

Matriz de classificações

18

Curva ROC

19

Combate a fraudes na concessão e gestão de benefícios

20

Apropriação de identidade de terceiros: • Roubo de identidade (de vivos ou falecidos);

• “Empréstimo” de identidade.

Concessão indevida de benefícios: • Simulação de condições inexistentes do beneficiário;

• Ocultação de condições existentes.

Continuidade indevida de benefícios (*): • Omissão de mudança de condições do beneficiário;

• Omissão de falecimento do beneficiário.

(*) Pode ocorrer por erro ou por fraude intencional.

Principais categorias de fraudes ou erros na concessão e manutenção de benefícios sociais

21

1. Cultura da impunidade: Meandros na legislação e nos procedimentos jurídicos,

corrupção dos agentes, excesso de recurso e instâncias e penas brandas tornam

os processos extremamente morosos ou simplesmente eternos.

2. Falta de investimento em controles preventivos e preditivos: Em parte

decorrente dos dois fatores acima, mas tendo também como causa adicional o

excesso de imediatismo das administrações públicas, que hesitam em

desenvolver processos mais robustos e eficazes por demandarem períodos que

podem ser mais longos do que os mandatos, deixando os benefícios para serem

colhidos por eventuais sucessores “não-alinhados”.

3. Falta de integração das bases de informações: Entre os vários órgãos oficiais

e destes com demais agentes de mercado (prestadores de serviços públicos

continuados, redes sociais, mecanismos de pesquisa e lojas virtuais)

Causas de fraudes ou erros na concessão e continuidade de benefícios sociais

22

Fraudes similares em outros países (ex.: Department for Work and Pensions - UK)

Fonte: National Audit Office – Tckling Benefit Fraud - feb/2003

Fraude do tipo “falsa separação”

23

Integração de bases de

informações

Ferramentas de analytics suportadas

por AI

Ferramentas autenticação

do beneficiário

Como combater eficaz e rapidamente fraudes de benefícios usando TI

24

Como combater eficaz e rapidamente fraudes de benefícios usando TI

Integração das bases de informações (fontes):

• Saúde (SUS);

• Ministério do Trabalho;

• Receita Federal e estaduais;

• IBGE;

• Prestadores de serviços continuados (telefonia, energia);

• Administradoras de cartões de crédito e planos de saúde;

• Seguradoras e Fundos de previdência complementar;

• BACEN (SCR e CCS);

• Bureaus de crédito;

• Caixa (financiamento de imóveis residenciais);

• Mecanismos de pesquisa web e apps móveis;

• Redes sociais;

• Os próprios beneficiários (através de aplicativos móveis),

• Lojas virtuais e outros apps móveis de mercado.

25

Como combater eficaz e rapidamente fraudes de benefícios usando TI

Integração das bases de informações (métodos):

• Uso de abordagem de Big Data para integração de dados

estruturados e não-estruturados;

• Aceleração do desenvolvimento da base de dados,

especialmente com o uso de virtualização de dados, para

construir um DW totalmente operacional em curto prazo,

elevada disponibilidade, e com custo reduzido;

Data Virtualization completo para as situações em que não é possível integração física

de BDs

26

Ambiente de produção (transacional) multi-DBMS

Analytics e AI

Oracle DB2 SQL Server

Data mining

e BI Aplicativos

Segurança

Regras de Virtualização

Conector Metadados e

regras de

agrupamento

DV Adm

Virtualização de dados

27

Como combater eficaz e rapidamente fraudes de benefícios usando TI

Ferramentas de Analytics suportadas por AI:

• Alguns cruzamentos de informação podem auxiliar na detecção de fraudes ou erros na

análise de solicitações de benefícios, mesmo sem o uso de ferramentas de Inteligência

artificial (AI), através de aplicações convencionais atuando sobre a Base de dados

virtualizada. Ex.: no caso de uma tentativa de fraude do tipo “falsa separação de cônjuges”,

onde um deles solicita auxílio de custeio alegando estar vivendo precariamente por ter

perdido a renda do outro cônjuge do qual era dependente, pode ser facilmente

desmascarada por meio de acessos a dados de redes sociais, administradoras de cartões

de crédito, dados da RF e do Ministério do Trabalho, SCR do BACEN, empresas de telefonia

celular e lojas virtuais.

• Entretanto, para acrescentar inteligência preditiva, alertando para potenciais fraudadores,

mesmo antes da solicitação de benefícios, as ferramentas de AI tornam-se imprescindíveis,

para reunir e analisar automaticamente as muitas variáveis de várias fontes na construção e

um perfil de risco (semáforos verde amarelo, vermelho) sobre o risco de fraude decorrente

de indivíduos que, por exemplo, trabalham para um mesmo empregador que outros que

cometeram determinada fraude, ou moram na mesma vizinhança, tenham algum grau de

parentesco com estes, compartilhem grupos e interesses em redes sociais.. E que estejam

altamente endividados em cartões de crédito e/ou cheque especial, ou que tenham histórico

de inadimplência registrados em bureaus ou tenho mesmo “score social”.

19

Obrigado pela atenção

de como • Entre em contato conosco para mais detalhes

desenvolver e aplicar as ideias aqui apresentadas

Av. das Nações Unidas, 12495 – 15º andar

04578-000 – São Paulo – SP – Brasil

+55 11 2844-1871

www.intellisearch.com.br