Texto por Andrea Rufino, gerente de marketing sênior da Emailage para a América do Sul.
Quando o assunto é o combate às fraudes em transações comerciais, as empresas buscam diferentes tipos de soluções para se protegerem, que vão desde a adoção de sistemas automatizados para detectar situações suspeitas na hora da venda até revisões manuais de dados de possíveis clientes durante o processo de aprovação de um cadastro.
O que ocorre, na maioria das vezes, é que as organizações concentram seus esforços em reduzir prejuízos, ao invés de buscar aumentar o faturamento. Isso pode ser um equívoco, pois é possível transformar estratégias de gerenciamento de fraudes em impulsionadoras de receita, aproveitando ao máximo a força de trabalho humana aliada à automação.
Posicionar o tema da prevenção de fraudes não como um item do centro de custo, mas como uma oportunidade de geração de receita, requer uma mudança de paradigma. Neste sentido, o intuito maior do gerenciamento de fraudes deveria deixar de ser o impedimento de transações comerciais para ser a aprovação das mesmas. Ao aumentar o número de transações aprovadas, o atrito com o cliente é reduzido e ele pode vivenciar uma experiência fluida e positiva.
- Leia também: Análise do comportamento do usuário ajuda a fechar lacuna importante da estratégia de segurança
As empresas, por sua vez, podem implementar estratégias de gerenciamento de fraudes que incluam tecnologias e inteligência humana para oferecer boas experiências aos seus clientes e, ao mesmo tempo, se protegerem dos fraudadores. Os algoritmos de inteligência artificial e machine learning (ou inteligência de aprendizado) não substituirão os gerentes e analistas de fraudes. As novas tecnologias, apoiadas pelo efeito de rede, são uma grande contribuição para que os humanos sejam mais eficientes e as estratégias de gerenciamento de fraudes gerem mais receita.
Mãozinha artificial
O machine learning pode ajudar a otimizar o trabalho das pessoas, que integram as equipes de análise de fraudes da seguinte maneira:
- Detecção de padrão: identificação de nome ou endereço de e-mail vinculado a incidentes repetidos de fraudes;
- Modelagem personalizada: análise de dados de vários setores e locais, o Machine learning pode ser usado para criar regras e modelos automáticos usando os padrões mais importantes para cada empresa;
- Relatório de anomalias: apenas as transações mais suspeitas são identificadas para revisão manual, maximizando a eficiência do analista de fraudes.
Com o poder do big data, machine learning e inteligência de rede, as organizações que tiram vantagem dessa abordagem podem liberar os analistas de fraudes para fornecer uma experiência especializada que aprimora os programas de risco. Nessas organizações, o objetivo é aprovar mais transações e interromper o maior número possível de perdas por fraudes, criando as melhores experiências aos clientes.
- Leia mais notícias sobre Corporativo.
Portanto, é possível combater as fraudes e melhorar a experiência do cliente simultaneamente. Para fazer isso, é necessário considerar uma equipe de gerenciamento de fraudes que cria modelos personalizados e projetados para maximizar a eficiência dos recursos humanos, investir na aprovação automática das transações comerciais dos melhores clientes e apostar na mudança da estratégia de gerenciamento de fraudes para uma que gere receita.