*Por Andrea Rufino, gerente de marketing senior da Emailage para a América do Sul
Quando o assunto é o combate à 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.
Veja também as mais lidas do DT
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.
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 soluções tecnológicas servem para melhorar o desempenho da ferramenta humana, não a substituem. 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.
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.
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.
