Online Calibration of Account-Specific Risk Sensitivity from Local Behavioural Distances in Streaming Banking Transactions

No mundo invisível do banco digital, cada vez que um cartão é passado ou um pagamento é enviado, ocorre um cálculo silencioso em milissegundos. Este é o reino da detecção de fraudes, onde os sistemas devem decidir num piscar de olhos se uma transação é uma compra genuína de um cliente ou um roubo por um criminoso. Durante décadas, estes sistemas basearam-se numa ideia simples: comparar a nova transação com o que o cliente já fez anteriormente. Se uma pessoa que costuma comprar café em Lagos subitamente compra um relógio de luxo num país diferente, o sistema sinaliza o ocorrido. Este método, conhecido como comparação de vizinho mais próximo, funciona medindo a distância entre uma nova ação e ações passadas. Quanto maior a diferença, maior o risco. No entanto, existe uma falha crítica nesta abordagem: nem todos os clientes se comportam da mesma forma. Algumas pessoas têm rotinas rígidas e previsíveis, enquanto outras têm hábitos de gastos caóticos e em constante mudança. Uma regra única e fixa para medir a "diferença" não leva em conta esta realidade. Uma pequena mudança pode ser um enorme sinal de alerta para um gastador rígido, enquanto uma grande mudança pode ser completamente normal para um caótico. Se o sistema tratar todos com a mesma sensibilidade, irá perder fraudes dos gastadores rígidos ou acusar falsamente os caóticos.

Este é o problema específico que dois investigadores, Musa Olowo Alabi e Morufat Damilola Gbolagade, se propuseram a resolver. Eles fizeram uma pergunta fundamental: pode um sistema bancário aprender a ajustar a sua própria sensibilidade para cada conta individual, com base no histórico específico dessa pessoa? Em vez de usar uma régua única e imutável para medir cada cliente, eles desenvolveram um método onde a própria régua se estica ou encolhe dependendo da conta que está a medir. O seu trabalho, testado num grande conjunto de dados de transações bancárias reais, demonstra que este ajuste é não só possível, como necessário. Eles descobriram que a "sensibilidade" de um sistema — o grau de reação a uma mudança de comportamento — varia drasticamente de pessoa para pessoa. Para algumas contas, o sistema precisa de ser hiperalerta até à menor desviação, enquanto para outras, deve ser muito mais relaxado para evitar falsos alarmes.

Para testar esta ideia, os investigadores analisaram milhares de contas bancárias, mas foram cuidadosos ao selecionar apenas aquelas com histórico suficiente para serem significativas. Focaram-se em 608 contas que tinham pelo menos vinte transações e um histórico abrangendo trinta dias. Para cada uma destas contas, construíram um pool de referência local, uma coleção das transações legítimas passadas daquela pessoa específica. Depois, observaram como o sistema reagia às novas transações através da medição de quatro tipos específicos de mudanças comportamentais: a recência com que a pessoa costuma comprar, a hora do dia em que transaciona, o montante de dinheiro envolvido e as relações estruturais da transação, tais como a localização e o destinatário.

O núcleo do seu experimento envolveu um loop contínuo. Quando uma nova transação chegava, o sistema calculava primeiro o quão diferente ela era do comportamento passado da pessoa. Em seguida, utilizava esta diferença para atualizar a sua compreensão do "normal" daquela pessoa específica. Se a transação fosse posteriormente confirmada como legítima, o sistema utilizava esse ponto de dados para ajustar ligeiramente a sua configuração de sensibilidade interna para aquela conta. Este ajuste era feito de forma incremental, o que significa que o sistema aprendia sobre a marcha sem precisar de reler todo o histórico da conta a cada vez. Isto permitia que o sistema mantivesse uma medida constante e atualizada de quanta desviação era típica para aquele utilizador específico.

Os resultados revelaram uma diversidade impressionante na forma como diferentes contas devem ser tratadas. Os investigadores agruparam as contas em categorias baseadas nos seus níveis de atividade e extensão de histórico. Descobriram que a configuração de sensibilidade para contas de alta atividade, aquelas com muitas transações, mediava um valor baixo de 0,7113. Em contraste, a sensibilidade para contas de baixa atividade, aquelas com menos transações, era muito mais alta, com uma média de 1,2534. Para colocar isto em perspetiva, se a configuração padrão, não ajustada, for considerada uma linha de base de um, o sistema para utilizadores ativos era quase trinta por cento mais sensível às mudanças, enquanto o sistema para utilizadores inativos era vinte e cinco por cento menos sensível. Isto prova que uma regra única e fixa não pode funcionar para todos; a "régua" deve ser diferente para cada pessoa.

O estudo também mostrou exatamente como este ajuste altera a pontuação de risco final. Quando o sistema utilizava um valor de sensibilidade mais baixo para uma conta ativa, a mesma diferença comportamental resultava numa pontuação de risco mais elevada. Por exemplo, uma conta ativa com uma sensibilidade de 0,6819 produziu uma pontuação de risco de 0,7973 para uma transação específica, enquanto o uso da configuração fixa padrão teria produzido apenas uma pontuação de 0,7284. O sistema interpretou corretamente a pequena mudança como um aviso significativo porque sabia que este utilizador em particular raramente se desvia da sua rotina. Inversamente, para uma conta de baixa atividade com uma sensibilidade acima de um, o mesmo tipo de diferença comportamental resultou numa pontuação de risco mais baixa. O sistema entendeu que, para este utilizador, que tem um histórico mais variável, a mudança era menos alarmante.

Crucialmente, os investigadores enfatizaram que os dados subjacentes — a distância real entre a nova transação e as anteriores — não mudavam. A única coisa que mudava era a interpretação dessa distância. Ao calibrar a sensibilidade, o sistema alterava a pontuação de risco contínua sem alterar a evidência comportamental bruta. Esta distinção é vital porque significa que o sistema não está a inventar novos dados; está simplesmente a ler os dados existentes de forma mais precisa para cada indivíduo. O estudo confirmou que esta calibração pode ser mantida ao longo do tempo utilizando um processo de memória constante, o que significa que o sistema não precisa de armazenar vastas quantidades de dados históricos para continuar a aprender. Pode atualizar a sua compreensão do comportamento de um utilizador com cada nova transação legítima confirmada, tornando-o adequado para a natureza de fluxo rápido (streaming) da banca moderna.

Embora o estudo tenha sido uma simulação utilizando dados históricos em vez de uma implementação ao vivo num banco, as conclusões oferecem um caminho claro para a prevenção de fraudes. A investigação sugere que o futuro da segurança não reside na construção de melhores regras globais, mas na criação de sistemas que adaptem as suas próprias regras ao ritmo único de cada cliente. Ao afastar-se de uma abordagem de tamanho único, os bancos podem potencialmente refinar a forma como interpretam as desviações comportamentais para melhor se alinharem com a regularidade individual de cada conta. O trabalho demonstra que a defesa mais eficaz contra a fraude é um sistema que compreende o indivíduo, ajustando a sua vigilância para corresponder à regularidade específica da pessoa que está a proteger.