Improving Fraud Detection Accuracy Through Data Preprocessing and Decision Tree Machine Learning

No zumbido silencioso do sistema financeiro global, uma batalha constante e invisível é travada em cada transação digital. Quando uma pessoa passa um cartão ou aproxima o celular para pagar, uma rede complexa de sistemas automatizados decide instantaneamente se aquela compra é segura ou suspeita. Esses sistemas são projetados para capturar fraudadores que roubam dinheiro, mas enfrentam uma realidade matemática difícil: a vasta maioria das transações é honesta, enquanto as poucas que são fraudulentas são como agulhas em um palheiro. Como as transações honestas superam as ruins de forma tão esmagadora, um programa de computador pode ser enganado a pensar que está fazendo um trabalho perfeito simplesmente ignorando as agulhas e não sinalizando nada. Isso cria a necessidade de uma abordagem diferente, uma que ensine o computador a olhar cuidadosamente para os próprios dados antes de tentar tomar uma decisão. O objetivo não é apenas construir uma máquina mais inteligente, mas sim limpar e organizar as informações para que até mesmo uma ferramenta simples e transparente possa ver os padrões de roubo que, de outra forma, permaneceriam ocultos.

Esta é a questão central explorada por Darshan Aher, um pesquisador da Universidade Sanjivani, na Índia, que investigou se a preparação cuidadosa dos dados poderia tornar um modelo de computador básico tão eficaz quanto os sistemas complexos e robustos que os bancos costumam usar. Em vez de construir uma inteligência artificial massiva e complicada, que é difícil de entender, Aher focou em um tipo único e direto de modelo conhecido como árvore de decisão. Imagine um fluxograma onde uma série de perguntas de sim ou não leva a uma resposta final; é assim que uma árvore de decisão funciona, tornando fácil para os humanos verem exatamente por que uma transação foi sinalizada. O estudo utilizou um conjunto de dados do mundo real contendo quase 285.000 transações de cartões de crédito de portadores europeus, uma coleção onde menos de dois centésimos de um por cento eram de fato fraudulentas. O desafio era ensinar a árvore de decisão simples a encontrar essas transações raras e ruins sem se confundir com o número esmagador de transações boas.

Para resolver isso, o pesquisador não começou mudando o cérebro do computador, mas sim limpando o quarto onde ele estava trabalhando. O processo começou com a remoção de registros duplicados e a organização dos números para que estivessem em uma escala consistente. Os dados foram então divididos em dois grupos: um grupo grande para o computador aprender e um grupo menor para testar suas habilidades mais tarde. Crucialmente, o grupo de teste foi deixado exatamente como foi encontrado no mundo real, com seu desequilíbrio natural e pesado entre transações boas e as raras transações ruins. Para ajudar o computador a aprender o que a fraude parece, o pesquisador adicionou exemplos extras de transações fraudulentas ao grupo de aprendizado apenas. Essa técnica, que cria novos exemplos sintéticos baseados nos existentes, permitiu que o modelo estudasse os padrões de roubo sem distorcer o teste final. O pesquisador também selecionou apenas as partes mais úteis das informações, descartando o ruído que não ajudava a distinguir um ladrão de um cliente honesto.

Quando a árvore de decisão treinada foi finalmente testada contra o grupo intocado e realista de transações, ela apresentou um desempenho surpreendentemente eficaz. O modelo identificou corretamente 110 de 142 transações fraudulentas, capturando cerca de 77 por cento dos roubos. Isso é uma melhoria significativa em relação a um sistema que simplesmente ignora a fraude, o qual capturaria zero por cento. No entanto, o estudo também revelou o custo dessa vigilância. Como o modelo foi ajustado para ser sensível o suficiente para encontrar as transações raras e ruins, ele também sinalizou algumas transações honestas como suspeitas. De cada nove transações que o modelo sinalizou como potencialmente fraudulentas, apenas uma era realmente ruim. Isso significa que, embora o sistema tenha encontrado com sucesso a maioria dos ladrões, ele também gerou um número de alarmes falsos que exigiriam revisão humana. Os pesquisadores observaram que esse compromisso é esperado e gerenciável; em um cenário do mundo real, este modelo provavelmente serviria como um primeiro filtro, capturando a maioria das fraudes para que os analistas humanos possam focar sua atenção nos casos específicos que o computador sinalizou.

As descobertas sugerem que a complexidade do modelo de aprendizado de máquina não é o único, ou talvez nem o mais importante, fator na detecção de fraude. Ao preparar cuidadosamente os dados e usar uma técnica para equilibrar o processo de aprendizado, uma árvore de decisão simples, rápida e totalmente compreensível pode alcançar altas taxas de detecção. O estudo demonstra que uma única árvore de decisão, quando alimentada com informações limpas e equilibradas, pode recuperar a maioria dos casos de fraude com um baixo custo computacional. Embora o modelo não seja perfeito e exija ajustes para equilibrar o número de alarmes falsos em relação aos crimes perdidos, ele prova que a transparência e a eficiência não precisam ser sacrificadas em prol da precisão. O trabalho aponta para um futuro onde os sistemas de segurança financeira permaneçam leves e explicáveis, permitindo que os bancos entendam exatamente por que uma transação foi interrompida, em vez de depender de algoritmos de "caixa preta" opacos que são difíceis de inspecionar ou confiar.