A digitalização trouxe ganhos importantes para consumidores e empresas. Serviços ficaram mais rápidos, jornadas foram simplificadas e novos modelos de negócio passaram a fazer parte do cotidiano de milhões de pessoas. Ao mesmo tempo, o avanço do ambiente digital ampliou a superfície de exposição das organizações e criou novas possibilidades para a atuação de fraudadores, que também passaram a explorar tecnologia, escala e velocidade de forma cada vez mais sofisticada.
Nesse cenário, a própria função de prevenção à fraude precisou evoluir.
Durante muito tempo, boa parte da atuação da área esteve concentrada em identificar transações suspeitas, bloquear comportamentos de risco e reduzir perdas financeiras. Essas responsabilidades continuam relevantes, mas hoje representam apenas uma parte do problema. Prevenir fraude passou também por compreender jornadas, avaliar impactos para clientes legítimos, apoiar decisões de produto e contribuir para que o crescimento do negócio aconteça dentro de níveis de risco conhecidos e administráveis.
Essa mudança amplia bastante a discussão. Em vez de olhar apenas para a fraude que queremos impedir, passamos a olhar para a qualidade da decisão que estamos tomando e para tudo aquilo que sustenta essa decisão.
Dados são fundamentais, mas sua qualidade muda tudo
Nos últimos anos, tornou-se quase automático associar grandes volumes de dados a melhores decisões. Na prática, porém, a quantidade disponível diz pouco quando não existe confiança sobre a qualidade, a origem e o significado das informações analisadas.
Uma base transacional pode conter milhões de registros e, ainda assim, produzir conclusões equivocadas. Imagine, por exemplo, que uma falha de integração registre determinadas compras em duplicidade. Para quem analisa os dados sem conhecer esse problema, aquele comportamento passa a fazer parte do histórico real do cliente. A partir daí, indicadores podem ser distorcidos, regras podem ser acionadas indevidamente e modelos podem aprender relações que nunca existiram de fato.
O mesmo vale para campos preenchidos incorretamente, mudanças de sistemas sem controle adequado, diferenças conceituais entre bases, falhas de carga ou informações que perdem consistência ao longo de uma jornada.
Por isso, uma estratégia de inteligência analítica aplicada à fraude não começa quando o cientista de dados abre um notebook ou quando o primeiro modelo entra em produção. Ela começa antes, na compreensão do negócio, na definição das variáveis, na governança das informações e no entendimento sobre como cada dado foi produzido.
Esse cuidado é especialmente importante em fraude porque as decisões tomadas a partir dessas informações têm efeito direto sobre pessoas e operações. Um erro na base pode significar deixar uma fraude passar, mas também pode significar impedir um cliente legítimo de acessar um produto, realizar uma compra ou movimentar sua conta.
A qualidade da análise depende, em grande medida, da qualidade da realidade que os dados conseguem representar.
Machine Learning exige acompanhamento além da implementação
O avanço do machine learning transformou de maneira significativa a prevenção à fraude. Modelos passaram a processar grandes quantidades de variáveis e identificar relações que dificilmente seriam percebidas apenas por meio de regras manuais ou análises tradicionais.
Essa capacidade trouxe ganhos relevantes, principalmente em ambientes com alto volume transacional e necessidade de decisões em tempo real. Ainda assim, existe um risco importante quando tratamos a implementação de um modelo como o ponto final da estratégia.
Fraude é um fenômeno adaptativo. Fraudadores observam mecanismos de controle, testam limites, mudam padrões de comportamento e exploram novas vulnerabilidades. Ao mesmo tempo, o próprio negócio muda. Novos produtos são lançados, jornadas são alteradas, perfis de clientes se transformam e comportamentos considerados normais em determinado período podem deixar de representar o mesmo nível de risco meses depois.
Um modelo treinado sobre dados históricos carrega, inevitavelmente, as características daquele período. Sua performance precisa ser acompanhada justamente porque o ambiente em que ele opera continua se modificando.
Esse acompanhamento envolve observar mudanças nas distribuições das variáveis, comportamento das populações, taxas de captura, falsos positivos, qualidade dos dados de entrada e aderência dos resultados à realidade operacional. Também exige diálogo constante com quem conhece o negócio e acompanha como as fraudes estão se manifestando na prática.
O conhecimento técnico continua sendo essencial, mas ele ganha muito mais valor quando está conectado ao conhecimento de negócio. Modelos são ferramentas de decisão e, como qualquer ferramenta, precisam ser avaliados dentro do contexto em que estão sendo utilizados.
O contexto costuma ser mais valioso do que um sinal isolado
Ao longo dos últimos anos, diferentes tecnologias ocuparam o centro das discussões sobre prevenção à fraude. Biometria, documentoscopia, inteligência artificial, análise comportamental, device fingerprinting e grafos trouxeram capacidades importantes e ajudaram a elevar significativamente o nível de maturidade das operações.
A experiência, entretanto, mostra que poucas situações de fraude podem ser compreendidas adequadamente a partir de um único sinal.
Uma transação pode parecer perfeitamente legítima quando observada de forma isolada. A leitura muda quando conseguimos relacioná-la ao dispositivo utilizado, ao histórico daquela conta, aos documentos apresentados, ao comportamento recente do usuário ou às conexões existentes com outras identidades e transações.
É justamente nesse ponto que a inteligência analítica ganha força. O valor não está apenas na existência dos dados, mas na possibilidade de estabelecer relações entre eles e construir contexto suficiente para apoiar uma decisão.
Por isso, arquiteturas modernas de prevenção tendem a integrar diferentes fontes de informação, combinando sinais transacionais, cadastrais, comportamentais, tecnológicos e relacionais. Quanto mais complexa a fraude, maior tende a ser a importância dessa visão integrada.
Essa lógica também ajuda a explicar por que dificilmente uma única tecnologia será capaz de resolver todo o problema. Cada ferramenta observa uma parte da realidade, enquanto a estratégia precisa conseguir interpretar o conjunto.
Segurança e experiência precisam ser avaliadas na mesma equação
Uma das discussões mais recorrentes em prevenção à fraude envolve o equilíbrio entre segurança e experiência. Embora o tema esteja presente há anos, ele continua relevante porque esse equilíbrio aparece diariamente nas decisões operacionais das empresas.
Aumentar a quantidade de bloqueios pode reduzir determinadas perdas, mas também pode aumentar a incidência de falsos positivos. Em jornadas digitais, essa consequência pode aparecer na forma de abandono, queda de conversão, aumento de contatos nos canais de atendimento ou perda de confiança por parte do cliente.
Ao mesmo tempo, reduzir excessivamente os controles em busca de uma experiência mais fluida pode criar espaço para perdas financeiras, exploração de vulnerabilidades e impactos reputacionais.
O desafio, portanto, está em compreender o custo total das decisões.
Equipes maduras procuram avaliar não apenas quanto de fraude foi bloqueado, mas também quem foi impactado pelo controle, qual fricção foi introduzida, quais clientes legítimos precisaram passar por etapas adicionais e qual efeito essas decisões tiveram sobre o negócio.
Esse tipo de análise muda a forma como a prevenção é medida. Em vez de celebrar simplesmente um crescimento no volume de bloqueios, é necessário entender se o resultado representa de fato uma melhora na capacidade de identificar risco ou apenas uma estratégia mais restritiva.
Nem toda redução de aprovação é sinal de eficiência, assim como nem toda redução de fricção significa uma boa experiência. A interpretação dos indicadores precisa considerar o contexto e os objetivos do negócio.
GenAI e o ganho de capacidade analítica
A chegada das soluções de Inteligência Artificial Generativa adicionou uma nova dimensão à discussão sobre inteligência aplicada à fraude.
Neste momento, uma das oportunidades mais interessantes está no apoio ao trabalho de analistas e investigadores, especialmente em atividades que exigem lidar com grandes volumes de informações estruturadas e não estruturadas.
Uma investigação pode envolver dados transacionais, registros de autenticação, histórico de atendimento, documentos, informações cadastrais, evidências coletadas em diferentes sistemas e uma sequência de eventos que precisa ser reconstruída para que se compreenda o que ocorreu.
Boa parte desse trabalho ainda depende de atividades manuais de busca, consolidação e organização das informações. A GenAI pode contribuir justamente nesse processo, auxiliando na síntese de históricos, na organização de evidências, na identificação de relações relevantes e na estruturação de análises iniciais.
Isso não elimina a necessidade de julgamento humano, especialmente em situações nas quais contexto, impacto e interpretação são determinantes para a decisão. O ganho está em reduzir parte do esforço operacional que antecede a análise, permitindo que especialistas concentrem mais tempo na investigação propriamente dita, na formulação de hipóteses e na avaliação de risco.
À medida que essas tecnologias amadurecem, a discussão tende a avançar também para temas como governança, explicabilidade, qualidade das respostas e segurança no uso das informações. Em uma disciplina tão sensível quanto prevenção à fraude, incorporar uma nova tecnologia exige compreender tanto suas capacidades quanto seus limites.
Uma disciplina cada vez mais multidisciplinar
A prevenção à fraude atual está muito distante de uma atividade restrita à análise de transações.
Dados, estatística, engenharia, segurança, produto, experiência do cliente, investigação, operação e conhecimento de negócio passaram a se encontrar dentro da mesma estratégia. Essa combinação é necessária porque os problemas enfrentados pelas organizações também deixaram de respeitar fronteiras claras entre áreas.
Uma fraude pode começar em uma falha de identidade, explorar uma vulnerabilidade tecnológica, utilizar uma conta legítima, percorrer diferentes produtos e terminar em uma transação que, isoladamente, não apresenta nada de incomum.
Compreender esse tipo de comportamento exige capacidade de conectar informações e também pessoas. Modelos precisam conversar com operações, times de fraude precisam conversar com produto, segurança precisa participar das discussões de jornada e os indicadores precisam chegar às instâncias que tomam decisões sobre risco e crescimento.
Talvez esse seja um dos principais papéis da inteligência analítica na prevenção à fraude: transformar uma quantidade crescente de sinais em informação suficientemente clara para orientar decisões melhores.
E é justamente nesse ponto que surge uma segunda discussão.
Ter dados, modelos e indicadores disponíveis não significa necessariamente saber se a estratégia está funcionando. Para isso, precisamos definir o que medir, interpretar corretamente os resultados e entender as relações entre captura de fraude, falsos positivos, perdas, conversão, fricção e eficiência operacional.
Na Parte 2, vamos avançar justamente sobre essa questão: quais métricas realmente importam e como transformá-las em decisões mais consistentes de prevenção à fraude. Fique ligado no próximo artigo do blog!
