Otimização de modelos personalizados de antifraude com JuicyScoreAI

Frequentemente, é difícil para empresas online constituir uma equipe interna que não apenas acompanhe todas as tendências em gestão de riscos digitais, mas também as aplique efetivamente em benefício da empresa. Isso se torna particularmente desafiador em um ambiente de tecnologia em constante mudança e de tendências de mercado em evolução, onde é necessário manter-se atualizado com as últimas inovações para estar preparado para adaptar-se rapidamente.

Para aqueles de nossos clientes que enfrentam dificuldades na formação de equipes de gestão de riscos, desenvolvemos o JuicyScoreAI. Trata-se de uma ferramenta totalmente nova projetada para automatizar o processo de construção de scoring de antifraude personalizado e seleção de variáveis ótimas. Ela oferece uma combinação de capacidades analíticas poderosas com uma interface de usuário intuitiva, tornando-a fácil e acessível tanto para usuários iniciantes quanto para especialistas em dados experientes.

O que é JuicyScoreAI?

O objetivo principal do JuicyScoreAI é facilitar o desenvolvimento e a implantação eficientes de modelos de aprendizado de máquina. A ferramenta automatiza etapas cruciais, como análise de dados e seleção de variáveis. Ela ajuda organizações financeiras a otimizar seus esforços de modelagem preditiva. Garante estimativas mais precisas e leva a resultados excelentes. Aqueles que necessitam de iteração e validação rápidas de modelos, permitindo que os usuários adaptem-se rapidamente a novos dados ou condições mutáveis, acharão o JuicyScoreAI extremamente útil.

Em palavras mais simples, o produto contém funcionalidade online para automatizar a pontuação de antifraude personalizada com base na infraestrutura do JuicyScore. Serve para aumentar o valor geral do JuicyScore. Além disso, pode ser útil em caso de dificuldades na criação do seu modelo de antifraude personalizado com base em sua infraestrutura de negócios online existente.

Quem pode se beneficiar usando o JuicyScoreAI?

O JuicyScoreAI foi projetado para atender às necessidades de uma ampla gama de usuários. Pode revelar-se um instrumento eficaz para analistas de dados que precisam realizar análise exploratória de dados rápida, bem como para cientistas de dados experientes que desenvolvem modelos preditivos robustos.

Ao integrar-se com os fluxos de trabalho de dados existentes, o JuicyScoreAI tornará-se um elemento crucial em qualquer organização que dependa da tomada de decisão baseada em dados. Por exemplo, a indústria financeira depende drasticamente de dados. O JuicyScoreAI melhora a capacidade de extrair informações valiosas de conjuntos de dados complexos. O produto ajudará profissionais de risco a estabelecer abordagens mais simples e rápidas para a construção de modelos personalizados.

Principais características do JuicyScoreAI

1. Preparação de dados: Os usuários podem carregar seus conjuntos de dados diretamente na ferramenta. O JuicyScoreAI suporta múltiplos formatos de dados e garante que a integridade dos dados seja mantida desde o upload até a análise.
2. Análise de dados: A ferramenta executa automaticamente análise estatística nos dados fornecidos, calculando métricas essenciais como o coeficiente de Gini, a estatística KS, o Valor de Informação (IV) e os valores-p. Essa análise ajuda os usuários a identificar as variáveis mais preditivas e compreender a significância estatística de seus dados.
3. Desenvolvimento de modelos: O JuicyScoreAI oferece opções flexíveis de desenvolvimento de modelos, incluindo Modelos Lineares Generalizados (GLM), Árvores de Decisão e Gradient Boosting. Os usuários podem selecionar a técnica de modelagem mais apropriada com base nos resultados da análise e adaptar sua abordagem para atender a necessidades específicas do negócio.

Além disso, a solução JuicyScoreAI ajuda os usuários a identificar rapidamente as variáveis mais relevantes para os negócios para impulsionar o crescimento empresarial. A ferramenta pode ser usada para comparar diferentes métodos de IA para avaliação de risco de fraude e envolver especialistas da JuicyScore na consultoria de formas de construir modelos personalizados.

Como o JuicyScoreAI funciona?

Ressaltamos que o JuicyScoreAI é um produto complementar. Ele vem como um add-on para a solução JuicyScore já instalada. Um especialista, responsável por riscos em negócios online, carrega os dados com base em flags: uma lista de sessões com valores de fraudulentidade expostos para sessões/solicitações individuais. Com base no arquivo carregado, o JuicyScoreAI gera respostas baseadas em 10 variáveis ou chamados índices IDX. As variáveis IDX agregadas representam um conjunto de eventos raros e fatores de mesma natureza. Eles são coletados com a ajuda de algoritmos de Aprendizado de Máquina Profundo (Deep Machine Learning) formando uma única variável. Posteriormente, essa variável pode ser usada para modelagem ou incorporação no sistema de tomada de decisão de organizações de crédito.

Todos os índices IDX foram criados como variáveis Gaussianas. Fizemos isso por várias razões. Primeiro, eles estão sujeitos à avaliação/validação de significância estatística (significando um nível clássico de significância p). Em segundo lugar, eles nos permitem estruturar todo o espaço de probabilidade dependendo do tipo de eventos de fraude. Você pode encontrar insights e detalhes mais valiosos sobre os índices em nosso artigo sobre avaliação de risco de eventos raros. A resposta de scoring é baseada nesses índices.

Construção de um modelo: um especialista pode selecionar os índices mais apropriados e o algoritmo de aprendizado de máquina utilizado para construir um modelo específico.

Com base nos 10 índices, obtemos uma distribuição do poder preditivo de cada índice. A principal vantagem do JuicyScoreAI é a capacidade de operar dados do cliente e treinar com sessões atuais em tempo real.

Desta forma, podemos extrair os benefícios da informatividade dos índices do genericScore (API v15), que representa um conjunto de modelos construídos sobre agregados IDX1-IDX10 e muitas variáveis auxiliares. Os dados coletados durante a operação do JuicyScore ou JuicyID servem como base. Em seguida, esses dados são utilizados para construir um modelo. Embora não seja genérico ou básico, adapta-se perfeitamente a casos de negócio específicos. Desta maneira, o especialista conta com uma variedade de ferramentas para a gestão de modelos. Ele obtém um modelo mais básico e genérico que se ajusta a todos. Além disso, o modelo baseia-se em dados da empresa, o que torna a pontuação mais precisa e certeira.

Cada vez que um especialista carrega seus dados de sessão, ele pode revisar três métricas principais para avaliar a informatividade da variável que pode ser utilizada em um modelo.

O índice estatístico p_value é utilizado para decifrar os resultados de testes de hipóteses. Se o p_value for inferior a 5%, esta variável é estatisticamente significativa para a variável alvo (previsão de sessão fraudulenta). Em essência, um p_value inferior a 5% recomenda que este índice seja adicionado ao modelo personalizado. Os critérios de valor Gini incremental e significância nas estatísticas KS devem ser considerados separadamente.

O IV (Valor de Informação) para cada índice é calculado na seção de informações do modelo. Você pode encontrar recomendações sobre os índices mais adequados para formar um modelo personalizado na conta pessoal.

Que tipos de modelos baseados em dados podem ser construídos?

1. Modelo Linear Generalizado (GLM). A fórmula pode incluir vários tipos de dados relacionados ao mutuário (exceto dados pessoais). Isso inclui alguns empréstimos previamente emitidos e a renda disponível estimada. No entanto, ao contrário do modelo linear simples, o modelo linear generalizado pode lidar com tipos de dados mais complexos.
2. Árvore de Decisão. O uso de uma árvore de decisão ajuda a equipe a avaliar os riscos existentes da forma mais rápida possível. A simplicidade e a visibilidade são as principais vantagens deste modelo.
3. Gradient Boosting. Este modelo funciona bem quando os profissionais de risco trabalham em conjunto. Ele conta com uma previsão baseline que leva em consideração todas as etapas subsequentes e iterações de correção e melhoria da previsão, resultando em previsões mais precisas.

Após selecionar o tipo de construção do modelo, um especialista em risco recebe uma métrica do modelo. A personalização pode variar dependendo dos objetivos de negócio. Por exemplo, se um credor precisa de uma afinação mais rigorosa e filtros para excluir mais inscrições para uma estratégia mais segura (o que pode ser particularmente necessário durante fraudes sazonais, por exemplo, nas próximas festas), um gestor de risco pode configurar um modelo personalizado que rejeite o maior número possível de mutuários com marcadores de risco acima da média da amostra.

Um especialista também pode personalizar o modelo com uma política de rejeição mais branda para aumentar a taxa de aprovação de inscrições. A solução JuicyScoreAI ajuda a configurar um modelo ideal que aumentará a taxa de aprovação e também rastreará o fluxo de inscrições risk. Além disso, cada modelo pode ser treinado. Ele utiliza 60% da amostragem de dados para treinamento e 40% para teste de hipóteses e validação.

Cada funcionalidade do JuicyScoreAI foi projetada para agilizar o processo desde a preparação dos dados até a implantação do modelo. Ao compreender e utilizar essas funcionalidades, os usuários podem aprimorar suas capacidades de modelagem preditiva e tomar decisões eficazes baseadas em dados. O JuicyScoreAI suporta vários formatos de dados comuns e fornece estatísticas detalhadas para a tomada de decisão na construção de um modelo. Estamos convencidos de que nosso novo produto será útil para empresas online e ajudará a fortalecer significativamente sua posição no cenário digital moderno.