Danske Bank emprega machine learning para detector fraudes em operações bancárias e pagamentos móveis com alto grau de sofisticação e assertividade
O Danske Bank, maior banco da Dinamarca e um dos mais importantes bancos de varejo da região do norte da Europa com mais de 5 milhões de clientes, adotou um conjunto de tecnologias desenvolvidas pela Think Big Analytics, empresa da Teradata, para criar e lançar uma plataforma de detecção de fraude baseada em inteligência artificial, com expectativa de alcançar 100% de retorno sobre os investimentos (ROI) já no seu primeiro ano de produção.
A solução usa machine learning para analisar dezenas de milhares de recursos, monitorando milhões de transações bancárias online em tempo real para fornecer uma visão que diferencie atividades verdadeiras das falsas e fraudulentas. Reduzindo significativamente o custo desse tipo de investigação, o Danske Bank vem aumentando sua eficiência geral e agora está preparado para obter economias expressivas.
“O combate a fraudes é uma questão crítica e está no topo das prioridades do setor bancário. Há evidências de que os criminosos estão se tornando cada vez mais ousados, usando inclusive técnicas sofisticadas de machine learning para atacar. Por isso é fundamental também usar técnicas avançadas para detectá-las”, diz Nadeem Gulzar, diretor de análise avançada do Danske Bank.
“Entendemos que as fraudes devem piorar no futuro próximo e no longo prazo, devido ao aumento da digitalização bancária e das aplicações bancárias móveis. Reconhecemos a necessidade de usar técnicas de ponta para combater os fraudadores, detectando não apenas onde estão hoje, mas onde estarão amanhã. Usando Inteligência artificial, já reduzimos falsos positivos em 50% e, dessa forma, conseguimos realocar a metade da unidade de detecção de fraude para responsabilidades de maior valor.”
O sistema original de detecção de fraude do Danske Bank baseou-se principalmente em regras artesanais aplicadas proativamente pelo negócio ao longo do tempo. Com números recorde de falsos positivos – às vezes atingindo 99,5% de todas as transações – os custos e o tempo associados à investigação se tornaram muito altos, com grande parte da equipe de detecção de fraude se sentindo sobrecarregada, ainda que não estivesse efetivamente sendo utilizada.
A equipe de Think Big Analytics começou a trabalhar com o Danske Bank em meados de 2016, para apoiar o pessoal de análise com conhecimento especializado sobre como utilizar os dados para obter benefícios mais amplos para o negócio. A equipe conjunta começou o trabalho dentro da infraestrutura existente do banco e, em seguida, criou modelos avançados de machine learning para detectar fraude em milhões de transações por ano e em horários de pico, muitas centenas de milhares por minuto. Para garantir a transparência e incentivar a confiança, o mecanismo inclui uma camada de interpretação em cima dos modelos de machine learning, fornecendo explicações e interpretação da atividade de bloqueio.
Do ponto de vista de modelos de análises, os casos de fraude ainda são muito raros, com cerca de um caso de fraude em cada 100.000. A equipe conseguiu tirar os falsos positivos dos modelos e reduzi-los em 50%. Ao mesmo tempo, foram capazes de capturar mais fraudes – aumentando a taxa de detecção em cerca de 60%. O programa antifraude do Danske Bank é o primeiro a colocar técnicas de machine learning em produção ao mesmo tempo em que desenvolve modelos de aprendizado profundo para testar as técnicas.
“Todos os bancos precisam de uma plataforma de análise escalável e avançada, bem como um roteiro e uma estratégia de digitalização para levar a ciência de dados à organização”, diz Mads Ingwar, diretor de serviços ao cliente da Think Big Analytics. “
Segundo ele, para as transações online, cartões de crédito e pagamentos móveis, os bancos precisam de uma solução em tempo real. “A plataforma de fraude baseada em Inteligência Artificial de última geração que desenvolvemos em colaboração com o Danske Bank calcula as transações recebidas em menos de 300 milissegundos. Isso significa que, quando os clientes estão em pé no supermercado ainda fazendo suas compras, o sistema pode marcar a transação em tempo real e fornecer uma visão imediata e acionável. Esse tipo de solução é algo que começaremos a ver em todas as organizações do setor de serviços financeiros.”
