Filtragem anti-fraude: crie um panorama a partir de Big Data

Comece com os dados  Por meio da análise dos dados provenientes de milhares e milhares de transações, os comerciantes podem construir...

Comece com os dados 

Por meio da análise dos dados provenientes de milhares e milhares de transações, os comerciantes podem construir uma imagem do comportamento de fraudadores e clientes, o que ajuda a estabelecer o contexto para o gerenciamento de fraude.

As melhores soluções de dados abrangem transações específicas, reunindo inteligência a partir de todos os pontos concebíveis. Os provedores de pagamento e os comerciantes precisam de sistemas capazes de capturar e coletar essas enormes quantidades de dados, para que possam ser analisados quanto às tendências, mesmo que elas ainda estejam começando ou evoluindo.

 Os dados que um comerciante reúne podem ser usados ??para esboçar padrões dentro de sua base de clientes, mas também são críticos para criar inteligência e uma boa compreensão das tendências de fraude emergentes dentro e entre os segmentos de mercado e geografias. Isso só é possível através da atualização constante de sistemas de gerenciamento de fraude com informações de fontes internas e externas, incluindo arquivos de cartão, dados de reabastecimento e informações negociadas na deep web.

Os serviços de troca de dados sobre fraude também podem desempenhar um papel valioso aqui - conectando comerciantes e emissores em uma troca de informações multidirecional, o que aumenta a capacidade de todas as partes na tomada de decisões precisas e bem informadas.

Ter dados mais ricos facilita a definição de estratégias de detecção de fraude mais precisas, efetivas e eficientes. Isso, por sua vez, reduz o impacto em clientes genuínos e nas taxas de conversão de pagamento. 

Aproveitando os dados com o machine learning

O machine learning aplica técnicas de reconhecimento de padrões para dados de transações tanto fraudulentas quanto genuínas, para construir algoritmos que possam prever a probabilidade de uma transação ser fraudada. Esses modelos preditivos, com a capacidade de extrair significados de dados complicados, podem identificar e sinalizar padrões muito complexos ou técnicas automatizadas.

A capacidade de criar grandes conjuntos de dados complementa ferramentas de indicadores de fraude mais tradicionais. E quando os modelos machine learning são corretamente "treinados" (usando quantidades em massa de dados de transação relevantes) e configurados corretamente por especialistas, essas técnicas podem ser usadas para bloquear a fraude nos bastidores, de forma invisível para os compradores, sem prejuízo para as taxas de conversão.

Ao identificar a fraude com precisão, os modelos de machine learning também ajudam a suportar melhores taxas de conversão, reduzindo falsos positivos e garantindo que os clientes genuínos não sejam desnecessariamente recusados ??ou adiados por processos de revisão manual.

Uma vez que as máquinas aprendem com a experiência, elas podem lutar para detectar eventos isolados e agir quando os padrões de compra do cliente mudam repentinamente. Também é importante que os modelos de machine learning sejam apenas uma parte de uma solução global de gestão de fraude ? os analistas humanos experientes continuam a ser importantes para interpretar e atuar sobre a riqueza de dados e de transações que agora estão disponíveis.