Fraud analytics: guia prático de técnicas, sinais de dados e KPIs

A análise de fraude (fraud analytics) é a forma como as equipes de risco transformam dados de propostas, transações e dispositivos em regras, scores e segmentos, e verificam se essas decisões se sustentam à medida que empréstimos, pagamentos e contas geram resultados. Este guia apresenta as principais técnicas, os dados que as alimentam e os KPIs que mostram se uma estratégia antifraude está funcionando.

O que é análise de fraude?

Na prática, a análise de fraude fica entre os dados brutos e o motor de decisão. Os analistas definem o que conta como resultado negativo, identificam as variáveis que separam os casos bons dos ruins e as transformam em regras, scores ou segmentos que o motor de decisão aplica em tempo real.

Análise de fraude vs. detecção de fraude

A detecção de fraude é a decisão sobre um evento individual: aprovar, recusar ou enviar para revisão. A análise de fraude é o trabalho em torno dessas decisões: construir modelos, definir pontos de corte e medir resultados ao longo do tempo. Uma equipe pode operar a detecção com as regras padrão de um fornecedor, mas sem análise tem poucas formas de saber se essas regras continuam adequadas ao seu próprio fluxo. O monitoramento contínuo de fraude conecta as duas coisas: aplica as decisões de detecção em tempo real e retroalimenta a análise com os resultados.

Cinco técnicas principais de análise de fraude

A maioria dos programas combina várias técnicas, e cada uma responde a uma pergunta diferente sobre o mesmo fluxo.

1. Análise descritiva

A análise descritiva mostra o que aconteceu: taxas de fraude por canal, produto, região e período, valores de perda e volume de casos. Ela define a linha de base com a qual todas as outras técnicas são medidas e costuma ser onde um novo ataque aparece primeiro, na forma de uma mudança nos números.

2. Análise preditiva

A análise preditiva de fraude usa resultados históricos – fraude confirmada, chargebacks, inadimplência na primeira parcela – para treinar modelos que atribuem um score a novas propostas ou transações antes da decisão. Regressão logística e modelos de gradient boosting são escolhas comuns. Na prática, a qualidade dos rótulos de resultado costuma limitar um modelo mais do que a escolha do algoritmo, um ponto que abordamos em mais detalhe no nosso guia de modelagem de risco de crédito para credores digitais.

3. Detecção de anomalias e padrões

Métodos não supervisionados sinalizam casos que fogem do comportamento normal sem precisar de exemplos de fraude rotulados. Por isso, são úteis para novos tipos de ataque que os rótulos históricos ainda não contêm. As regras de velocidade (velocity checks) – propostas por dispositivo, por endereço IP ou por hora – são a forma mais simples e um ponto de partida comum para novos programas.

4. Análise de redes e vínculos

Métodos baseados em grafos conectam propostas por meio de dispositivos, números de telefone, endereços ou meios de pagamento compartilhados. Assim, revelam redes de fraude e identidades sintéticas que podem parecer legítimas quando cada proposta é avaliada isoladamente.

Fazendas de fraude e ataques distribuídos são difíceis de detectar proposta a proposta. Para identificá-los, é preciso avaliar como sessões, dispositivos e outras entidades estão conectados. Nosso blog sobre uma abordagem generalizada de grafos de clusters para scoring antifraude e autenticação de dispositivos explica como sinais no nível de cluster podem apoiar investigações, filtragem mais rígida durante um ataque ativo, reforço do scoring, bloqueio de fazendas de fraude e alertas antecipados. O texto também recomenda tratar sinais de cluster como contexto de risco, e não como motivo automático de recusa, com limites definidos separadamente para cada tipo de negócio.

5. Regras e marcadores de bloqueio

Os analistas transformam suas descobertas em regras explícitas. Os marcadores de bloqueio (stop-markers) recusam um segmento restrito e de risco muito alto ou o encaminham para revisão manual. As regras são rápidas de implementar e fáceis de explicar a auditores, mas precisam de revisões periódicas à medida que os padrões de fraude mudam.

Não existe um limite único para decidir quando uma regra ficou ampla demais, e a prática varia conforme o produto e o apetite de risco. Alguns sinais comuns para revisá-la são a regra passar a ser acionada em uma parcela do fluxo bem maior do que quando foi definida, o aumento da proporção de casos sinalizados que se mostram legítimos ou uma fila de revisão que cresce mais rápido do que a equipe consegue dar conta. Muitas equipes também revisam suas regras em uma periodicidade fixa, sem esperar que algum desses sinais apareça.

Os dados que alimentam a análise de fraude

As técnicas são tão úteis quanto os dados que recebem. A maioria dos programas combina, em proporções variadas, as quatro famílias de dados descritas abaixo, e cada uma tende a refletir uma etapa diferente da jornada do cliente.

Dados cadastrais e de identidade

Dados declarados, resultados de KYC, verificação de documentos e dados de bureau de crédito. Os dados de bureau continuam sendo a base da maioria das decisões de crédito. Para clientes com pouco ou nenhum histórico de crédito, a cobertura é limitada, e é aí que as outras famílias de dados podem aumentar o poder de separação.

Dados de transações e pagamentos

Valores, frequência, estabelecimento, meio de pagamento e intervalo entre eventos. Esse é o núcleo da análise de fraude em pagamentos, em que os modelos atribuem um score a cada transação em milissegundos e os chargebacks fornecem os rótulos de resultado. Nossos artigos sobre detecção de fraude em transações e prevenção de fraude em pagamentos tratam dessa camada em detalhe.

Dados de dispositivo, comportamento e conexão

Esses sinais descrevem como uma proposta é enviada ou uma transação é iniciada: configuração do dispositivo, indícios de emuladores ou máquinas virtuais, padrões de digitação e navegação, atributos de IP e de rede. Eles estão disponíveis desde o primeiro ponto de contato, antes que exista um histórico de pagamentos. Serviços de device intelligence como a JuicyScore coletam mais de 65.000 parâmetros de cada dispositivo, sem depender de identificadores diretos como nome, telefone ou e-mail. Para se aprofundar nos sinais comportamentais, veja nossa introdução à biometria comportamental e nosso comparativo de ferramentas de análise comportamental para prevenção de fraude.

Dados de resultado

Casos de fraude confirmados, chargebacks, inadimplência na primeira parcela (FPD) e NPL90. Sem rótulos de resultado consistentes, nenhum modelo pode ser treinado ou validado, por isso a forma de definir os resultados é, em si, uma decisão analítica. Isso é especialmente relevante na fraude de primeira parte, em que a intenção só pode ser inferida a partir de indícios, não estabelecida com certeza.

Indicadores (KPIs) da análise de fraude: como medir se ela funciona

Nenhum número isolado diz a uma equipe antifraude se sua estratégia funciona. Os KPIs abaixo são lidos em conjunto, porque melhorar um deles muitas vezes piora outro.

Taxa de aprovação e risco funcionam melhor quando lidos em conjunto. No caso de sucesso da MoneyMan México, um teste A/B de um modelo preditivo atualizado multiplicou por 1,5 a taxa de aprovação de novas propostas, enquanto as métricas de gestão de risco permaneceram no mesmo nível. Adicionar combinações de variáveis relacionadas ao comportamento do usuário no site multiplicou por 1,4 a capacidade de separação do modelo.

Ler os resultados por segmento, não pela média

A média da carteira esconde onde está o risco. Um credor digital do Sul da Ásia com quem trabalhamos analisou mais de 150.000 propostas do canal web, com FPD geral de 0,71% (veja o caso de sucesso). Um modelo de ranqueamento personalizado dividiu o fluxo em seis segmentos, com FPD variando de 0,07% no segmento de menor risco a 4,49% no de maior risco. Marcadores de bloqueio adicionais isolaram menos de 0,5% das propostas, com FPD de cerca de 20%.

A mesma análise também apontou na direção oposta: cerca de 10,70% das propostas recusadas apresentavam marcadores positivos e poderiam ser consideradas para aprovação após validação. O modelo mostrou 38,5% de Gini adicional não normalizado em uma análise preliminar. Uma mesma visão segmentada sustentou duas decisões: onde endurecer os critérios e onde as aprovações poderiam crescer.

Comparar amostras de desenvolvimento e de teste

Os resultados na amostra de desenvolvimento são só metade da evidência, porque o modelo foi ajustado a esses dados. Em um caso de crédito digital na América Latina, um modelo de ranqueamento chegou a um Gini não normalizado de cerca de 15% na amostra de desenvolvimento e de cerca de 13% na amostra de teste. O risco por segmento variou de cerca de 14% a 55% nos dados de desenvolvimento e de cerca de 18% a 45% nos de teste. A dispersão diminuiu, mas o ranqueamento se manteve. Reportar as duas amostras permite que um comitê de crédito avalie a estabilidade, em vez de confiar apenas no número de desenvolvimento.

Medir quantidade e valor separadamente

A quantidade de fraudes e o valor envolvido podem apontar em direções diferentes. No Relatório Anual 2025-26 do Banco da Reserva da Índia (capítulo VI, tabela VI.3), fraudes com cartões, internet e pagamentos digitais representaram 56,2% das fraudes bancárias em número de casos em 2024-25, mas apenas 1,6% do valor envolvido. Os empréstimos concentraram 33,4% dos casos e 92,6% do valor. Os dados abrangem fraudes de ₹1 lakh (100.000 rúpias) ou mais reportadas pelos bancos, e o RBI observa que os valores envolvidos não refletem perdas efetivas. Um painel baseado só na quantidade de casos direcionaria a atenção para os pagamentos digitais; um baseado só no valor, para o crédito. Reportar os dois mostra onde está o volume e onde está a exposição.

Fonte: Relatório Anual 2025-26 do RBI, tabela VI.3. Fraudes de ₹1 lakh ou mais reportadas pelos bancos; 1 crore equivale a 10 milhões de rúpias. Fraudes reportadas em um ano podem ter ocorrido em anos anteriores, e os valores envolvidos não refletem perdas efetivas. "Outras áreas" foi calculado a partir da tabela.

Como montar um fluxo de análise de fraude

1. Definir os resultados. Alinhar o que conta como fraude, chargeback, FPD ou NPL90 e qual será a janela de observação.

2. Reunir os dados. Unir dados de proposta, transação, dispositivo e resultado no nível em que as decisões são tomadas.

3. Construir e atribuir scores. Combinar linhas de base descritivas, modelos preditivos, verificações de anomalias e análise de vínculos.

4. Validar fora da amostra. Testar em um período posterior, não apenas em uma amostra aleatória de validação, e reportar os dois resultados.

5. Implantar no formato certo. Marcadores de bloqueio para segmentos restritos de alto risco, scores para ranqueamento, segmentos para a estratégia.

6. Monitorar e recalibrar. Acompanhar os KPIs acima em uma periodicidade fixa. Nosso guia de monitoramento de risco trata do lado operacional, e nosso artigo sobre detecção de fraude em bancos mostra como os bancos estruturam esse trabalho.

Veja como seu próprio fluxo se segmenta

Se quiser ver como dados de dispositivo e de comportamento segmentariam seu próprio fluxo de propostas, nossa equipe pode conduzir uma análise com uma amostra dos seus dados. Agende uma conversa com um especialista da JuicyScore.

Principais pontos

• A análise de fraude cobre o ciclo completo: definir resultados, construir regras e modelos e verificar se as decisões se sustentam à medida que empréstimos e pagamentos geram resultados.

• A detecção de anomalias e a análise de vínculos captam padrões que os dados históricos rotulados ainda não contêm, como novos tipos de ataque e redes de fraude.

• As definições de resultado – fraude, chargeback, FPD, NPL90 – moldam todos os modelos construídos sobre elas, por isso precisam ser acordadas antes de começar a modelagem.

• Os dados de dispositivo, comportamento e conexão estão disponíveis desde o primeiro ponto de contato, antes que exista um histórico de pagamentos.

• Taxa de aprovação e taxa de maus precisam ser lidas juntas: no teste A/B da MoneyMan México, as aprovações de novas propostas foram multiplicadas por 1,5 com as métricas de risco no mesmo nível.

• Segmentar um fluxo mostra tanto onde endurecer os critérios quanto onde aprovar mais: seis segmentos de um fluxo de crédito no Sul da Ásia variaram de 0,07% a 4,49% de FPD.

• A separação do modelo é reportada nas amostras de desenvolvimento e de teste, com a normalização informada, para que um comitê de crédito possa avaliar a estabilidade.

• A fraude é medida por quantidade e por valor: nos dados bancários da Índia de 2024-25, os pagamentos digitais foram 56,2% dos casos, mas apenas 1,6% do valor envolvido.

FAQ

Para que serve a análise de fraude?

A análise de fraude serve para detectar e prevenir propostas, transações e atividades fraudulentas em contas, e para medir o desempenho dos controles antifraude. Bancos, credores, empresas de BNPL e fintechs a usam para definir pontos de corte, construir scores de fraude, identificar redes de fraude e equilibrar as perdas por fraude com as taxas de aprovação e a experiência do cliente.

Qual é a diferença entre análise de fraude e detecção de fraude?

A detecção de fraude é a decisão em tempo real sobre uma proposta ou transação individual: aprovar, recusar ou revisar. A análise de fraude é a disciplina mais ampla que constrói e ajusta essas decisões. Ela inclui definir resultados, treinar modelos, estabelecer regras e pontos de corte e acompanhar KPIs para verificar se a detecção identifica a fraude sem bloquear clientes legítimos.

Quais KPIs uma equipe antifraude deve acompanhar?

A maioria das equipes antifraude acompanha a taxa de fraude (em quantidade de casos), a perda por fraude (em valor), a taxa de detecção, a taxa de falsos positivos e a taxa de aprovação. Os credores acrescentam a taxa de maus por segmento de risco, como FPD ou NPL90. As equipes de modelagem acompanham métricas de separação como Gini ou KS, sempre informando a normalização e se o número vem da amostra de desenvolvimento ou de teste.

Como a análise preditiva ajuda na detecção de fraude?

A análise preditiva treina modelos com resultados passados, como fraude confirmada ou inadimplência na primeira parcela, para atribuir um score a novos casos antes da decisão. Um score mais alto pode acionar uma recusa, uma verificação adicional ou uma revisão manual. Seu valor depende da qualidade dos rótulos de resultado e de uma validação periódica com dados novos.

Quais dados são usados na análise de fraude em pagamentos?

A análise de fraude em pagamentos costuma usar valor, frequência, estabelecimento, meio de pagamento e horário de cada transação, além do histórico da conta e dos chargebacks. Muitas equipes acrescentam dados de dispositivo, comportamento e conexão, que descrevem como o pagamento foi iniciado. Combinar essas camadas ajuda a separar a atividade incomum legítima de padrões que indicam tomada de conta (ATO) ou credenciais roubadas.

Como saber se um modelo antifraude está funcionando?

Compare os resultados nos dados de desenvolvimento com os de uma amostra de teste posterior e verifique se a taxa de maus sobe de forma consistente entre as faixas de score. Depois, acompanhe os KPIs em produção: taxa de fraude, taxa de falsos positivos, taxa de aprovação e carga de revisão. Um modelo que mantém seu ranqueamento com dados novos e melhora esses indicadores em conjunto está cumprindo seu papel.

Fique por dentro da análise de fraude

Receba por e-mail nossas análises sobre fraude, risco de crédito e crédito digital. Assine a newsletter da JuicyScore.