Blog da KondutoDicas de e-commerceProteja sua loja

Por que o machine learning ainda precisa de nós para combater a fraude

Por 13 de fevereiro de 2020 maio 4th, 2020 Nenhum comentário

“Um grande avanço em machine learning terá o valor de 10 Microsofts”.

Esta frase que foi dita por Bill Gates em 2004 já dava uma noção do poder destas duas palavrinhas em inglês. Dezesseis anos se passaram desde então, e de fato o tal aprendizado de máquina está cada vez mais presente no nosso dia a dia.

E o que é esse negócio de machine learning mesmo? Bom, trata-se de uma área da ciência da computação que cria sistemas capazes de “treinar” computadores para executar tarefas com cada vez mais precisão em pequenas frações de segundo e em uma escala gigantesca.

Vamos para exemplos práticos. Por que o seu e-mail sabe automaticamente que aquela mensagem indesejada de fato era um spam? Por causa do machine learning! E por que a Netflix não para de indicar séries que te interessam? Por causa do machine learning também!

Pois é. Esta tecnologia entende seu comportamento, cria padrões, analisa dados, cruza informações e consegue fazer coisas que nós, reles mortais, levaríamos sei lá quanto tempo. Já pensou quantas regras teríamos que criar manualmente para definir só nossa lista de spam, por exemplo?

Enfim, o negócio é realmente incrível. O Felipe Held, nosso head de marketing aqui na Konduto, publicou há um tempo uma lista com 20 tarefas que o machine learning é capaz de executar (desde evitar colisões de embarcações com baleias até indicar a qualidade de um vinho). Você encontra este artigo obrigatório para quem se interessa pelo tema clicando aqui!

Machine learning no combate à fraude

O aprendizado de máquina também virou um grande aliado para o lado bom da força na eterna guerra contra os criminosos cibernéticos. É inclusive graças a ele que o sistema daqui da Konduto é capaz de coletar mais de 2 mil variáveis em menos de um segundo e determinar se um pedido é legítimo ou não.

Dados cadastrais, informações de pagamento, fingerprint, e geolocalização são só algumas das métricas que o machine learning analisa neste tempinho. Isso sem falar no monitoramento do comportamento do usuário, que permite ao antifraude saber se a pessoa ficou muito tempo na página, comparou preços, viu mais produtos e até se digitou ou copiou e colou os dados do cartão de crédito.

Com tudo isso coletado, o sistema dá uma recomendação ao lojista: aprovar (pedido considerado bom), revisar (pedido considerado suspeito) e negar (pedido considerado ruim). E faz isso milhares de vezes por dia, com e-commerces dos mais variados segmentos – algo humanamente impossível.

Bem, depois dessa verdadeira homenagem ao machine learning e seu poder, imagino que você pode estar pensando que quem conta com um sistema como este não precisa fazer mais nada para evitar a fraude. E é aí que você se engana, meu amigo e minha amiga.

O machine learning precisa da gente!

É isso mesmo. A tecnologia só funciona efetivamente com a intervenção de nós, meros mortais. Afinal, como o nome já diz, o machine é learning e precisa aprender constantemente. Aí você se pergunta: como é que eu vou ensinar alguma coisa para esse treco tão evoluído?

De várias maneiras, sendo uma delas a boa e velha revisão manual. Isso mesmo: pegar aquele pedido que foi considerado suspeito pelo machine learning e acionar um especialista (seja de sua equipe interna ou do fornecedor antifraude terceirizado). Ele vai fazer algumas coisas que a automação não faz, como procurar informações sobre o comprador em sites de busca ou redes sociais ou até mesmo entrar em contato com a pessoa para validar os dados.

Com tudo isso (e mais as informações do algoritmo em mãos), o analista toma a decisão de aprovar ou não o pedido e mostra o resultado ao sistema, que consequentemente aprende se este caso era para dar sinal verde ou vermelho e já segue a regra dali em diante.

Também é essencial que a gestão de risco de e-commerces dê um feedback se eventualmente o sistema de inteligência artificial do fornecedor deixar passar um chargeback. O motivo para isso é muito simples: o machine learning aprenderia com o erro e não deixaria fraudes semelhantes passar no futuro.

Outra maneira – retroativa, é verdade – de ensinar o machine learning é classificando chargebacks. Já mostramos em muitos artigos aqui no blog que chargeback não significa apenas compras fraudulentas com cartão de crédito. Há outros tipos de cbks, como fraudes amigas, autofraudes e desacordos comerciais.

Pensa só então no estrago que seria se o sistema de machine learning entendesse como fraude uma compra que foi feita de forma legítima por um cliente, mas que depois acabou estornada pelo e-commerce por alguma falha como prazo de entrega ou defeito do produto. Sim, muitos pedidos bons poderiam ser negados.

Aplique o “people learning”!

Diante de tudo isso, fica claro que o machine learning revolucionou a atuação da prevenção à fraude por absorver uma quantidade expressiva de informações e detectar padrões muito complexos em menos de um segundo. No entanto, o funcionamento dele é potencializado com interferências de nós, seres humanos felizes.

Pense comigo: uma loja que simplesmente recusasse todos os pedidos considerados suspeitos pelo machine learning poderia condicioná-lo a ser mais conservador na análise e a barrar pedidos que na verdade são bons (levando o número de falsos-positivos lá em cima). Já o e-commerce que fizesse o contrário e decidisse aprovar os pedidos suspeitos indiscriminadamente correria o risco de ver a taxa de chargebacks disparar.

Parece papo de maluco, mas lembre-se de “conversar” com o machine learning de sua solução antifraude – mesmo retroativamente, caso algum chargeback tenha passado. No fim, é importante ressaltar que o machine learning só existe porque muitas mentes humanas geniais foram capazes de criá-lo e desenvolvê-lo.

Você já assina a newsletter da Konduto?

Eduardo Carneiro

Autor Eduardo Carneiro

Eduardo é jornalista formado pela Cásper Líbero e produziu conteúdos sobre prevenção à fraude na Konduto entre junho de 2019 e novembro de 2020.

Mais posts de Eduardo Carneiro

Deixe um comentário