{"id":1842,"date":"2023-11-29T20:06:42","date_gmt":"2023-11-29T20:06:42","guid":{"rendered":"https:\/\/www.cesar.org.br\/painel\/?post_type=insight&p=1842"},"modified":"2026-03-19T16:28:28","modified_gmt":"2026-03-19T19:28:28","slug":"uso-de-inteligencia-artificial-para-deteccao-de-fraudes-em-suporte-ao-cliente","status":"publish","type":"insight","link":"https:\/\/www.cesar.org.br\/painel\/insight\/uso-de-inteligencia-artificial-para-deteccao-de-fraudes-em-suporte-ao-cliente\/","title":{"rendered":"Uso de Intelig\u00eancia Artificial para detec\u00e7\u00e3o de fraudes em suporte ao cliente"},"content":{"rendered":"

Autores: Leonardo Valeriano Neri e Fernando Baptistella de Lima<\/em><\/p>\n

Fraudes podem ser definidas como a\u00e7\u00f5es deliberadas para enganar com a inten\u00e7\u00e3o de obter benef\u00edcios indevidos. Com o aumento de tais pr\u00e1ticas, as empresas est\u00e3o investindo em m\u00e9todos mais eficazes para identificar fraudes, como o desenvolvimento de processos de neg\u00f3cios para identificar o uso indevido e prevenir novas estrat\u00e9gias adotadas pelos fraudadores.<\/p>\n

No entanto, essa tarefa n\u00e3o \u00e9 trivial, raz\u00e3o pela qual emerge a necessidade de estudos que possam aprimorar a previs\u00e3o de dados fraudulentos de maneira mais efetiva. \u00c9 nesse cen\u00e1rio de detec\u00e7\u00e3o de fraudes e an\u00e1lise de anomalias em dados online, que o uso de modelos de aprendizado de m\u00e1quina tem se mostrado especialmente eficiente.<\/p>\n

O CESAR, enquanto Centro de pesquisa e aplica\u00e7\u00e3o de solu\u00e7\u00f5es em tecnologia, t\u00eam se debru\u00e7ado nas possibilidades de uso da Intelig\u00eancia Artificial (IA) para resolver desafios de clientes e parceiros. Nesse contexto, tivemos um projeto que envolveu o uso de IA para otimizar e trazer mais seguran\u00e7a para o SAC, Servi\u00e7o de Atendimento ao Consumidor, de um cliente.<\/p>\n

O SAC \u00a0representa um investimento significativo para as empresas, visando a manter sua reputa\u00e7\u00e3o. Contudo, fraudadores muitas vezes tentam explorar este sistema, levando a perdas financeiras substanciais para as empresas.<\/p>\n

A detec\u00e7\u00e3o de tais fraudes em tempo real \u00e9 um desafio devido \u00e0 sofistica\u00e7\u00e3o e \u00e0s t\u00e1ticas em constante evolu\u00e7\u00e3o empregadas pelos fraudadores. Casos que n\u00e3o s\u00e3o identificados a tempo geram perda na ordem de milhares de d\u00f3lares por equipamento desviado.<\/p>\n

Combater esses ataques requer uma solu\u00e7\u00e3o que possa identificar pequenas varia\u00e7\u00f5es e similaridades entre os dados. No contexto do cliente, foram criadas duas abordagens:<\/strong><\/p>\n

    \n
  1. Detec\u00e7\u00e3o de fraude em Ordens de Trabalho:\u00a0<\/strong>O cliente tem uma equipe que investiga dados de chamados para identificar fraudes. Essa equipe compara dados pessoais dos chamados com uma lista de fraudes confirmadas. O desafio \u00e9 que os fraudadores alteram a escrita dos dados para evitar detec\u00e7\u00e3o. Assim, buscou-se uma t\u00e9cnica mais robusta para compara\u00e7\u00e3o, especialmente para equipamentos defeituosos dos EUA e Canad\u00e1.<\/li>\n
  2. An\u00e1lise de fraudes em larga escala:\u00a0<\/strong>A equipe queria analisar o hist\u00f3rico de fraudes para entender os m\u00e9todos dos fraudadores: varia\u00e7\u00f5es regionais, produtos visados, influ\u00eancia do pre\u00e7o e compartilhamento de dados entre fraudadores. O desafio era o volume de dados hist\u00f3ricos e opera\u00e7\u00f5es di\u00e1rias. Por isso, o time do CESAR buscou solu\u00e7\u00f5es automatizadas para gerar insights.<\/li>\n<\/ol>\n

    \"\"<\/p>\n

    Como o problema foi solucionado?<\/h3>\n

    Ambientes de big data frequentemente lidam com registros sem identificadores exclusivos, complicando a refer\u00eancia de entidades e vincula\u00e7\u00e3o de registros similares, conhecido como “name matching”. A solu\u00e7\u00e3o est\u00e1 na \u00e1rea de Data Matching, que utiliza t\u00e9cnicas estat\u00edsticas para combinar dados referentes \u00e0 mesma entidade em conjuntos distintos.<\/p>\n

    Na ci\u00eancia da computa\u00e7\u00e3o, isto \u00e9 tratado como Deduplication e Record Linkage. Estas t\u00e9cnicas s\u00e3o valiosas em \u00e1reas como sa\u00fade e estat\u00edsticas do censo. Para detectar suspeitas de fraude, um modelo compara dados pessoais em tempo real com listas de monitoramento contendo 30 mil registros de poss\u00edveis fraudadores.<\/p>\n

    Complementarmente, para compreender padr\u00f5es de fraude, redes de grafos foram usadas. Esses grafos mostram rela\u00e7\u00f5es entre dados, revelando padr\u00f5es e anomalias. A modelagem dos grafos analisou 600 mil ordens de servi\u00e7os, oferecendo visualiza\u00e7\u00e3o de padr\u00f5es de fraude previamente invis\u00edveis.<\/p>\n

    O uso de t\u00e9cnicas de Record Linkage, em particular, provou ser uma ferramenta eficaz. Ela compara em tempo real os dados pessoais dos chamados contra listas de monitoramento de fraudadores conhecidos. Al\u00e9m disso, redes de grafos foram utilizadas para entender e descobrir padr\u00f5es de comportamento fraudulentos, proporcionando insights valiosos sobre t\u00e1ticas comuns de fraude.<\/p>\n

    O projeto, inspirado pelo CRISP-DM, durou 2 anos e incluiu v\u00e1rias fases, desde a coleta de dados, limpeza, modelagem at\u00e9 a implanta\u00e7\u00e3o de solu\u00e7\u00f5es back-end. Essa abordagem sistem\u00e1tica permitiu identificar e mitigar eficazmente os riscos de fraude.<\/p>\n

    Com a implanta\u00e7\u00e3o desta solu\u00e7\u00e3o, estima-se uma economia de $20 mil por semana apenas para dois dos itens mais caros da empresa. Esta economia \u00e9 o resultado da detec\u00e7\u00e3o e preven\u00e7\u00e3o proativas de fraudes antes que elas resultem em perdas tang\u00edveis.<\/p>\n

    A intelig\u00eancia artificial e o aprendizado de m\u00e1quina est\u00e3o desempenhando um papel crucial na detec\u00e7\u00e3o e preven\u00e7\u00e3o de fraudes. As t\u00e9cnicas de Record Linkage e Dedupe, em particular, provaram ser ferramentas eficazes na identifica\u00e7\u00e3o de t\u00e1ticas fraudulentas em constante evolu\u00e7\u00e3o.<\/p>\n

    REFER\u00caNCIAS<\/div>\n
    Links de tecnologias utilizadas para constru\u00e7\u00e3o dos modelos:<\/strong><\/p>\n

    GREGG, Forest; EDER, Derek.\u00a0Dedupe<\/strong>. 2015. Dispon\u00edvel em: https:\/\/github.com\/dedupeio\/dedupe. Acesso em: 16 dez. 2022.<\/p>\n

    HAGBERG, Aric A.; SCHULT, Daniel A.; SWART, Pieter J.\u00a0Exploring network structure, dynamics, and function using NetworkX<\/strong>. 2008. https:\/\/conference.scipy.org\/proceedings\/SciPy2008\/index.html. Dispon\u00edvel em: https:\/\/networkx.org\/documentation\/stable\/index.html. Acesso em: 16 dez. 2022.<\/div>\n

    Artigos e Links sobre m\u00e9todos e abordagens:<\/strong><\/p>\n

    Investigating Fraudulent Acts, University of Houston System Administrative Memorandum. https:\/\/www.uhsystem.edu\/compliance-ethics\/_docs\/sam\/01\/1c4.pdf, 2019.
    \nPwC. Global Economic Crime and Fraud Survey.\u00a0Fighting fraud: A never-ending battle<\/strong>. 2020. Dispon\u00edvel em: https:\/\/www.cybersource.com\/content\/dam\/documents\/campaign\/fraud-report\/global-fraud-report-2020.pdf. Acesso em: junho 2023.<\/p>\n

    COHEN, William W.; RICHMAN, Jacob.\u00a0Learning to match and cluster large high-dimensional data sets for data integration<\/strong>. In: Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining. New York: ACM, 2002. p. 475-480.<\/p>\n

    FELLEGI, Ivan P.; SUNTER, Alan B.\u00a0A theory for record linkage<\/strong>. Journal Of The American Statistical Association. \u00a0[S.L.], p. 1183-1210. abr. 1969.<\/p>\n

    ELMAGARMID, Ahmed K.; IPEIROTIS, Panagiotis G.; VERYKIOS, Vassilios S.\u00a0Duplicate Record Detection: A Survey<\/strong>. IEEE Transactions On Knowledge And Data Engineering, \u00a0[S.L.], v. 19, n. 1, p. 1-16, jan. 2007.<\/p>\n

    NEWMAN, M. E. J.\u00a0Finding community structure in networks using the eigenvectors of matrices<\/strong>. Physical Review. E, Statistical, Nonlinear, And Soft Matter Physics, [S.L.], v. 74, n. 3, p. 01-22, 11 set. 2006. American Physical Society (APS). http:\/\/dx.doi.org\/10.1103\/physreve.74.036104<\/p>\n

    BLONDEL, Vincent D et al.\u00a0Fast unfolding of communities in large networks<\/strong>. Journal Of Statistical Mechanics: Theory and Experiment, [S.L.], v. 2008, n. 10, p. 08-20, 9 out. 2008. IOP Publishing. http:\/\/dx.doi.org\/10.1088\/1742-5468\/2008\/10\/p10008.<\/p>\n

    SHEARER, Colin.\u00a0The CRISP-DM Model: The New Blueprint for Data Mining<\/strong>. Journal Of Data Warehousing, [S. L.], v. 5, n. 4, p. 13-22, set. 2000.<\/div>\n","protected":false},"featured_media":1843,"template":"","categories":[5],"tags":[70,354],"formato_insights":[16],"class_list":["post-1842","insight","type-insight","status-publish","has-post-thumbnail","hentry","category-tecnologia","tag-ciberseguranca","tag-inteligencia-artificial","formato_insights-artigo"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/insight\/1842","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/insight"}],"about":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/types\/insight"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/media\/1843"}],"wp:attachment":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/media?parent=1842"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/categories?post=1842"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/tags?post=1842"},{"taxonomy":"formato_insights","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/formato_insights?post=1842"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}