Os programas de milhagem são muito populares entre os viajantes frequentes, pois permitem que os membros acumulem pontos ou milhas que podem ser usados para descontos em voos, hotéis e outras recompensas.

No entanto, os programas de milhagem também podem atrair fraudadores, que tentam roubar informações pessoais e pontos acumulados.

‍Era justamente o que estava acontecendo quando, nossa cliente, uma grande empresa de combustíveis e dona de um dos maiores programas de fidelidade do Brasil, procurou a Datarisk.

Precisavam identificar e bloquear imediatamente os fraudadores que ganhavam pontos de forma indevida e os utilizavam para conseguir descontos em abastecimento ou trocar por milhas aéreas.

Solução

Entendemos o problema na raiz, analisamos os dados históricos compartilhados e construímos dois modelos preditivos com a intenção de identificar e bloquear rapidamente os fraudadores.

‍Modelo não supervisionado para detectar Outliers : é um método de análise de dados que busca identificar padrões ou grupos dentro de um conjunto de dados, mas também detectar observações que se desviam significativamente do comportamento geral do conjunto de dados.

‍Ao contrário de modelos supervisionados, que usam dados rotulados para prever uma saída específica, modelos não supervisionados são usados ​​para encontrar padrões e estruturas subjacentes em um conjunto de dados sem o uso de rótulos.

‍Na detecção de outliers, o modelo não supervisionado identifica observações que não se encaixam no padrão geral do conjunto de dados, ou seja, observações que têm um valor extremamente alto ou baixo em relação ao restante do conjunto de dados. O modelo usa técnicas como clustering, densidade de kernel, detecção de desvio, dentre outros.

‍A detecção de outliers pode ser útil em diversas áreas, como detecção de fraudes em transações financeiras, identificação de falhas em equipamentos, detecção de pontos fora da curva em pesquisas de opinião, etc. Entretanto, é importante lembrar que a detecção de outliers não é uma tarefa simples e exige a análise cuidadosa do conjunto de dados e a escolha adequada do modelo.

Modelo supervisionado para detectar fraudes: é um método de análise de dados que usa técnicas de aprendizado de máquina para identificar atividades fraudulentas em um conjunto de dados. Esse modelo é supervisionado porque usa dados rotulados para treinar o modelo e, posteriormente, classificar novos dados.

‍O modelo supervisionado para detectar fraudes usa um conjunto de dados rotulados como “fraude” ou “não fraude” para aprender a identificar padrões e características comuns que indicam atividades fraudulentas. Essas características podem incluir padrões de comportamento anômalos, transações de grande valor, compras fora do horário habitual, localizações incomuns ou outras atividades suspeitas.

‍Depois que o modelo é treinado com o conjunto de dados rotulados, ele pode ser usado para classificar novos dados e identificar possíveis fraudes com base nas características que ele aprendeu durante o treinamento. Quando um novo dado é apresentado ao modelo, ele usa a aprendizagem anterior para determinar se a atividade é suspeita ou não.

‍A detecção de fraudes pode ser aplicada em diversas áreas, como detecção de fraudes em cartões de crédito, programas de fidelidade, identificação de atividades fraudulentas em transações financeiras, combate a crimes cibernéticos, entre outros.

‍No entanto, é importante lembrar que a detecção de fraudes não é uma tarefa simples e exige a análise cuidadosa do conjunto de dados e a escolha adequada do modelo, além de ajustes e atualizações constantes do modelo à medida que novos tipos de fraudes surgem.

Resultados

‍Com os dois modelos em ação, conseguimos identificar e criar as regras de bloqueio imediatamente.

• 1,9% de outliers identificados já no primeiro modelo;
• 89% de efetividade na classificação;
• 74 mil fraudadores retirados da base;
• 3,5 milhões de reais de economia com prevenção à fraude, em 7 meses.

‍