ARTIGO · Thiago Martins

Modelos de detecção de fraudes bancárias: como reduzir falsos positivos e aumentar a segurança

A detecção de fraudes em transações bancárias é um dos casos de uso mais comuns de machine learning no setor financeiro, mas muitos modelos têm um problema: eles geram muitos falsos positivos, ou seja, bloqueiam transações legítimas por engano, o que causa frustração nos usuários e prejuízo para o banco. No projeto do modelo antifraude do Banco Y, nosso maior desafio era reduzir a taxa de falsos positivos sem diminuir a taxa de detecção de fraudes verdadeiras. Para isso, utilizamos um conjunto de dados de 10 milhões de transações históricas, e testamos diferentes algoritmos, incluindo redes neurais e gradient boosting. Também adicionamos features específicas para o mercado brasileiro, como histórico de compras do usuário e comportamento de gastos por região. O resultado foi um modelo com taxa de acerto de 98%, redução de 62% no número de fraudes aprovadas e redução de 40% no número de falsos positivos. A economia gerada para o banco foi de R$ 4,2 milhões por ano, pois evitamos perdas com fraudes e reduzimos o número de transações bloqueadas por engano, que geravam custos de atendimento ao cliente.

Machine LearningFintechDetecção de fraudes

Modelos de detecção de fraudes bancárias: como reduzir falsos positivos e aumentar a segurança

No projeto do modelo antifraude do Banco Y, nosso maior desafio era reduzir a taxa de falsos positivos sem diminuir a taxa de detecção de fraudes verdadeiras. Para isso, utilizamos um conjunto de dados de 10 milhões de transações históricas, e testamos diferentes algoritmos, incluindo redes neurais e gradient boosting. Também adicionamos features específicas para o mercado brasileiro, como histórico de compras do usuário e comportamento de gastos por região.

O resultado foi um modelo com taxa de acerto de 98%, redução de 62% no número de fraudes aprovadas e redução de 40% no número de falsos positivos. A economia gerada para o banco foi de R$ 4,2 milhões por ano, pois evitamos perdas com fraudes e reduzimos o número de transações bloqueadas por engano, que geravam custos de atendimento ao cliente.