Custo de transações recusadas erroneamente gira ao redor de US$ 118 bilhões.
Ter uma transação com cartão recusada no checkout é uma situação frustrante e embaraçosa, que pode prejudicar seriamente a fidelidade à marca – segundo pesquisa feita pela Mastercard, um terço das pessoas deixa de comprar de uma marca devido aos problemas com a aprovação do pagamento.
VEJA TAMBÉM: Mastercard enfrenta grandes desafios para o futuro
Muitas vezes, isso acontece porque a transação é incorretamente marcada como fraudulenta – um erro nos algoritmos que determinam se um pagamento é válido.
Além do inconveniente, o custo dessas incongruências gira ao redor de US$ 118 bilhões, uma quantia 13 vezes maior do que o prejuízo de uma fraude real com cartões.
Mas não é preciso desespero: mais uma vez, a inteligência artificial pode ajudar a solucionar o problema. A Mastercard, por meio de suas plataformas Decision Intelligence e AI Express, utilizou a análise preditiva baseada em machine learning para reduzir a taxa de recusas erradas em 50%.
A FORBES conversou com Ajay Bhalla, presidente da empresa na área de empreendimentos globais, risco e segurança, sobre como essa tecnologia funciona e como pode ajudar a Mastercard a alcançar objetivos estratégicos.
Análise em tempo real significa resultados mais precisos
O executivo diz que o salto na capacidade de detectar fraudes e reduzir falsas recusas surgiu por meio da aquisição da Brighterion, empresa de inteligência artificial com sede na Califórnia.
E AINDA: Mercado de cartões no Brasil pode atingir R$ 2 tri em 2019
A tecnologia desenvolvida com a Brighterion permitiu a análise de dados em tempo real. Algoritmos de machine learning podem ser incrivelmente eficientes para lidar com as 75 bilhões de transações por ano que acontecem em 45 milhões de locais ao redor do mundo processadas pela Mastercard.
Hoje, a decisão de recusar ou não uma transação é baseada no fluxo constante de dados e algoritmos de self-learning, em vez de um conjunto de informações de amostra estático e de regras fixas, que mostraram resultados impressionantes.
Bhalla diz que os sistemas de inteligência artificial, por serem self-learning, estão sempre atualizados, o que elimina gaps de aprendizado. “O que o sistema faz é passar por bilhões de transações e descobrir qual é a propensão de ser fraudulenta – quando a transação é autorizada, o banco recebe um feedback”, explica. “Isso nos ajudou a economizar bilhões de dólares em fraudes.”
O sistema usa um fluxo de dados transacionais em tempo real, juntamente com informações externas, com a inclusão de referências anônimas e agregadas sobre o cliente, além da localização.
A informação geográfica é altamente útil porque não só dá uma visão geral dos tipos de transações que são “normais” para uma área particular, mas também revela quais padrões de atividade fraudulenta estão associados a ela. Mais uma vez, todos esses dados são agregados em tempo real, conforme vão acontecendo.
SAIBA MAIS: Como o governo do Reino Unido usa IA no combate à fraude
Isso significa que os padrões de fraude – que muitas vezes são executados em larga escala por gangues organizadas, com alvo em determinados locais e caixas eletrônicos – podem ser detectados, rastreados e interrompidos. “Isso é realmente bom do ponto de vista do consumidor, porque significa aprovação rápida e transações mais genuínas. Por outro lado, para os comerciantes, quanto mais compras aprovadas, mais negócios”, diz Bhalla.
O desafio da inteligência artificial
Construir sistemas inteligentes e automatizados é uma estratégia central na Mastercard há muitos anos, diz Bhalla, mas a aquisição da Brighterion e a incorporação de sua tecnologia aos sistemas da companhia tem sido um passo rumo à IA em sua essência. Muitas áreas do negócio, do atendimento ao cliente às medidas contra lavagem de dinheiro, devem se beneficiar da IA.
Um dos principais desafios é garantir uma alta qualidade e consistência da informação, pois erros em registros de transações ou outros armazenamentos de dados podem levar, inevitavelmente, até as máquinas mais inteligentes a tomar decisões erradas.
Bhalla atribui o sucesso da empresa aos mais de 50 anos de experiência na geração e verificação de registros transacionais. “Temos feito isso por muitos, muitos anos, mas esse é sempre o desafio: é preciso ter certeza de que os seus dados são muito bons.” Um segundo ponto é determinar as prioridades quando se trata de tomar decisões sobre onde a empresa deve implantar a infraestrutura de IA – quase sempre muito cara.
LEIA AQUI: Cielo anuncia celulares que servem como leitoras de cartão
Uma decisão foi tomada desde o início de que os níveis crescentes de satisfação do cliente provavelmente trariam os maiores benefícios a longo prazo. “É uma questão de prioridade: quais são as cinco principais coisas que precisam ser resolvidas?”, diz ele. “O que mais queremos resolver é a experiência do cliente, garantir que, ao realizar uma transação no ponto de venda, seja possível fazê-la sem problemas. Essa é a nossa nossa maior prioridade.”
Combater a lavagem de dinheiro
Para combater a lavagem de dinheiro, muitos dos princípios de IA envolvidos são similares àqueles usados na redução de falsas recusas.
Os algoritmos de inteligência artificial examinam padrões nos dados da transação e permitem a identificação de grupos de pessoas ou empresas agindo de forma coordenada, de maneira a configurar contas e realizar transações que podem envolver dinheiro sujo.
Outra tecnologia, o processamento de linguagem natural (PLN), também é usado pela Mastercard. Ela usa algoritmos desenhados para interpretar a linguagem humana natural e permitir que os computadores entendam o que os seres humanos dizem. Isso significa que podem extrair insights da fala e da escrita, em vez de apenas dos números e do código tradicionalmente processados.
VEJA TAMBÉM: Como o Nubank virou o queridinho dos jovens brasileiros
O PLN pode detectar e determinar conexões entre nomes e grupos e é útil em cenários onde pessoas costumam usar denominações falsas e pseudônimos – ou até alterar sutilmente a grafia do nome – para evitar a identificação.
A visão futura da internet das coisas
Quanto ao futuro, Bhalla diz que é certo que a IA vai se tornar essencial em toda a indústria de serviços financeiros à medida que o número de transações cresce e são realizadas cada vez mais digitalmente – e os criminosos se tornam, por sua vez, mais sofisticados.
Em particular, o crescimento da internet das coisas (IoT) significa que os sistemas de pagamento terão que lidar com um número crescente de transações automatizadas. Como consequência, as rotinas de IA terão que ficar mais fortes e mais rápidas para dar conta da demanda e dos casos de uso complexos.
“O mundo futuro fica cada vez mais complicado – geladeiras que fazem compras, carros sem motorista que abastecem sozinhos… Todas essas transações são autônomas – e os dados lançados são muito úteis para ajudar nas decisões do negócios e também auxiliar consumidores a gerenciar melhor suas vidas cotidianas”, finaliza o executivo.
