Machine Learning Based Mobile Money Fraud Detection Using Behavioral and Agent Level Features in Zambia

Nas efervescentes economias digitais da África, os telefones celulares tornaram-se mais do que apenas ferramentas de comunicação; eles são as principais contas bancárias de milhões de pessoas que nunca entraram em um banco tradicional. Através de simples menus baseados em texto em aparelhos básicos, os usuários podem depositar dinheiro, enviar dinheiro para a família e pagar por bens. Este sistema depende fortemente de agentes locais — lojistas e vendedores que atuam como a interface humana, convertendo dinheiro físico em valor digital e vice-versa. No entanto, esta rápida inclusão financeira criou um novo tipo de vulnerabilidade. Assim como os ladrões aprendem a arrombar fechaduras de portas físicas, os fraudadores desenvolveram formas sofisticadas de explorar o sistema digital, muitas vezes manipulando os próprios agentes destinados a facilitá-lo. Esses maus atores podem enganar o sistema para que ele pense que uma transação ocorreu quando não ocorreu, ou podem criar loops falsos de dinheiro apenas para coletar recompensas destinadas a negócios legítimos. Durante anos, as empresas que operam essas redes tentaram deter esse roubo usando regras estáticas, como bloquear qualquer transação acima de um determinado valor em dólares. Mas os fraudadores são espertos; eles simplesmente mudam suas táticas para passar despercebidos, tornando essas regras rígidas ineficazes.

Uma equipe de pesquisadores da Universidade de Mulungushi, na Zâmbia, partiu para resolver este problema ensinando os computadores a pensar mais como investigadores humanos. Eles queriam saber se poderiam construir um sistema que não olhasse apenas para os números de uma única transação, mas que entendesse o comportamento das pessoas e dos agentes envolvidos. Para fazer isso, eles reuniram uma vasta coleção de dados do mundo real: quase dez mil transações de um único dia de fevereiro de 2026, envolvendo mais de mil usuários e mais de cem agentes. Estes dados foram cuidadosamente despojados de quaisquer nomes ou detalhes pessoais para proteger a privacidade, deixando apenas os padrões de movimento. Os pesquisadores então alimentaram essas informações em vários tipos diferentes de modelos de aprendizado de máquina. Estes são programas de computador projetados para encontrar padrões ocultos nos dados, de forma muito semelhante a como uma pessoa pode olhar para uma multidão e identificar a única pessoa se movendo em uma direção estranha. A equipe testou quatro abordagens diferentes, variando de métodos estatísticos simples a sistemas mais complexos que constroem milhares de árvores de decisão para pesar cada fator possível.

A descoberta mais significativa em seu trabalho foi que observar o agente era tão importante quanto observar o cliente. No passado, os sistemas de detecção de fraude focavam principalmente na transação em si: quanto dinheiro foi enviado, quando foi enviado e que tipo de transferência era. Os pesquisadores descobriram que essa abordagem perdia uma enorme quantidade de fraudes. Ao adicionar recursos de "nível de agente" — especificamente, com que frequência um agente revertia uma transação e quantas transações eles processavam em um único dia — o sistema tornou-se muito mais eficaz. Eles descobriram que uma alta taxa de reversões era um grande sinal de alerta. No sistema de dinheiro móvel da Zâmbia, os agentes ganham uma pequena comissão para cada transação que ajudam a completar. Os fraudadores descobriram que podiam manipular este sistema criando transações falsas e depois revertendo-as imediatamente, enganando o sistema para que lhes pagasse comissões por um trabalho que nunca aconteceu de fato. Um programa de computador que olhasse apenas para o valor em dólares de uma única transferência jamais pegaria isso, mas um sistema que percebesse um agente revertendo subitamente dezenas de transações em poucas horas poderia detectar o esquema imediatamente.

Para garantir que seus modelos de computador estivessem aprendendo as coisas certas e não apenas adivinhando, os pesquisadores usaram uma técnica que atua como um holofote, destacando exatamente quais fatores influenciaram a decisão do computador. Eles descobriram que, embora o tamanho da transação fosse importante, o comportamento do agente era frequentemente um preditor ainda mais forte de fraude. Um modelo específico, conhecido por sua capacidade de lidar com dados complexos e desordenados, provou ser o mais preciso. Ele identificou com sucesso uma porcentagem muito maior de casos reais de fraude em comparação com os sistemas antigos baseados em regras, mantendo também o número de alarmes falsos baixo. Isso é crucial porque, se um sistema sinalizar muitas pessoas inocentes como criminosos, ele frustra os usuários e retarda a economia. Os pesquisadores também tiveram que lidar com uma realidade difícil: a fraude é incrivelmente rara, ocorrendo em menos de uma em cada quinhentas transações. Para ensinar o computador a detectar esses eventos raros, eles usaram um método que criava exemplos sintéticos de fraude durante a fase de treinamento, ajudando o modelo a aprender o que procurar sem precisar de milhões de cenas de crimes reais para estudar.

Os resultados deste estudo oferecem um caminho claro para os operadores de dinheiro móvel na Zâmbia e em mercados semelhantes. A antiga maneira de combater a fraude, que dependia de listas estáticas de regras, não é mais suficiente contra as táticas criminosas em evolução. Em vez disso, o futuro reside em sistemas dinâmicos que observam mudanças de comportamento. Se um agente que normalmente processa um fluxo constante de vendas legítimas começar subitamente a reverter transações a uma taxa incomum, o sistema deve sinalizá-lo imediatamente. Esta abordagem transforma a detecção de fraude de um jogo reativo de "pegue-me se puder" em um escudo proativo que entende o contexto de cada interação. Ao focar no elemento humano — os agentes que estão no centro da rede — estas novas ferramentas podem proteger a segurança financeira de milhões de pessoas, garantindo que a revolução digital continue a construir confiança em vez de erodi-la. O estudo confirma que, com os dados certos e as ferramentas certas, é possível ser mais esperto que os fraudadores e manter a economia digital segura para todos.