Gestão de Fraude em Negócios Digitais: um Survey sobre Práticas, Métricas e Controles

Breno Mendes Moura; Gisela Consolmagno Pelegrini

DOI: 10.22167/2675-6528-202602721

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Fraudes em negócios digitais representam um desafio crescente, impactando financeiramente e operacionalmente as organizações. O estudo analisou como abordagens baseadas em dados e Machine Learning podem apoiar o controle de fraudes em negócios digitais, considerando os impactos da definição de parâmetros analíticos sobre a volumetria de alertas e os custos operacionais associados, a partir da integração entre a percepção de profissionais da área e a análise de uma base real de transações financeiras. A pesquisa combinou um survey aplicado a 57 profissionais de tecnologia, dados, risco e operações com a análise de uma base pública de transações de cartão de crédito (Credit Card Fraud, Europa/2013), contendo 284.807 registros e 0,17% de fraude. Desenvolveram-se e compararam-se dois modelos preditivos, Regressão Logística (PR-AUC: 0,6826) e Random Forest (PR-AUC: 0,7426), com foco na métrica PR-AUC devido ao desbalanceamento dos dados. A simulação de limiares de decisão demonstrou que um threshold de 0,30, aplicado ao modelo Random Forest, configurou o melhor equilíbrio entre detecção e carga operacional, resultando em recall de 82,4%, 166 alertas gerados e custo estimado de R$ 1.589 em fraudes não detectadas. Os resultados do survey indicaram que 63% dos respondentes consideraram Machine Learning a abordagem mais eficaz e 57,9% priorizaram o equilíbrio entre risco e experiência do cliente. Concluiu-se que o principal desafio na gestão de fraudes com Machine Learning reside na administração do trade-off entre mitigação de risco e o custo operacional associado ao volume de alertas gerados pelas decisões analíticas.

Palavras-chave: analytics; detecção de anomalias; fraude digital; gestão de risco; machine learning.

1. Introdução

Fraudes em operações digitais representam um desafio crescente para organizações que atuam em ambientes online, pressionando margens de lucro, corroendo a confiança dos consumidores e impactando negativamente a experiência do cliente. Em setores como e-commerce, marketplaces e serviços sob demanda, a sofisticação das práticas fraudulentas, que incluem chargebacks indevidos, abuso de promoções, criação massiva de contas e tomada de conta (account takeover), exige controles cada vez mais robustos. A necessidade de decisões rápidas sobre a liberação, retenção ou recusa de transações torna escolhas equivocadas dispendiosas em termos de receita, reputação e custos operacionais.

A expansão contínua dos negócios digitais tem ampliado o volume e a complexidade das transações, expondo as organizações a um risco maior de práticas fraudulentas. A fraude digital gera impactos financeiros, operacionais e reputacionais significativos, além de minar a confiança dos usuários nos sistemas digitais. A literatura acadêmica reconhece que a crescente sofisticação das fraudes, impulsionada pelo aumento das transações eletrônicas, limita a eficácia de métodos de controle baseados exclusivamente em regras fixas.

Nesse contexto, técnicas de análise de dados e Machine Learning têm sido amplamente investigadas como alternativas mais flexíveis para a detecção de fraudes. Sua capacidade de identificar padrões complexos e de se adaptar a novos comportamentos fraudulentos as torna promissoras (Bolton e Hand, 2002; Dal Pozzo et al., 2020). Essas abordagens oferecem um potencial significativo para aprimorar a capacidade de detecção e prevenção de atividades ilícitas em tempo real.

Contudo, apesar do potencial das abordagens analíticas avançadas, estudos recentes indicam que sua adoção não elimina os desafios operacionais inerentes ao controle de fraudes. Um ponto crítico refere-se ao trade-off entre a mitigação de riscos e os impactos operacionais, especialmente em cenários com forte desbalanceamento entre transações legítimas e fraudulentas. Estratégias de controle excessivamente rigorosas podem resultar em um aumento de falsos positivos, elevando os custos operacionais e gerando fricções na experiência do cliente, enquanto abordagens mais permissivas ampliam o risco de fraudes não detectadas (Carcillo et al., 2021). Observa-se que parte da literatura acadêmica tende a focar no desempenho preditivo dos modelos, dedicando menor atenção aos efeitos práticos das decisões analíticas em ambientes reais de negócios digitais.

Diante dessa lacuna, torna-se relevante analisar a fraude digital sob uma perspectiva aplicada, que considere não apenas a capacidade de detecção, mas também os impactos operacionais das escolhas analíticas. Este estudo, motivado pela necessidade de um framework aplicável em contextos reais de negócios digitais, como o de uma startup brasileira, buscou demonstrar como um arranjo analítico pode identificar padrões de fraude e orientar políticas de controle. Para isso, foram priorizadas métricas adequadas a classes raras, com ênfase em Precision-Recall para avaliar a utilidade prática em cenários desbalanceados (Saito e Rehmsmeier, 2015), e discutidas as implicações gerenciais da definição de limiares, alocação de revisão manual e trade-offs entre perdas por fraude e falsos positivos.

Assim, o objetivo deste trabalho é analisar como abordagens baseadas em dados e Machine Learning podem apoiar o controle de fraudes em negócios digitais, considerando os impactos da definição de parâmetros analíticos sobre a volumetria de alertas e os custos operacionais associados, a partir da integração entre a percepção de profissionais da área e a análise de uma base real de transações financeiras.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo aplicado, de abordagem quantitativa e natureza exploratória. A pesquisa aplicada, conforme Gil (2008), visa gerar conhecimentos para a solução de problemas práticos, alinhando-se ao objetivo de analisar o uso de abordagens analíticas no controle de fraudes em negócios digitais. A abordagem quantitativa foi empregada devido ao uso de dados estruturados, tanto de questionário quanto de base transacional, permitindo mensuração e análise estatística.

Quanto aos objetivos, o estudo enquadrou-se como exploratório e descritivo, buscando aprofundar a compreensão da fraude digital e descrever os impactos operacionais das decisões analíticas. A estratégia metodológica combinou pesquisa por levantamento (survey) e pesquisa documental. Essa combinação é adequada para integrar percepções de indivíduos com dados secundários, conforme recomendado por Gil (2008).

A pesquisa por levantamento teve como propósito captar a percepção de profissionais com atuação ou contato com negócios digitais. O foco foi a relevância da fraude digital, o uso de dados e Machine Learning, e os impactos operacionais do controle de fraudes. O instrumento de coleta foi um questionário estruturado, elaborado com base nas diretrizes metodológicas de Gil (2008), com perguntas claras e objetivas e escalas de resposta quantitativas.

A coleta de dados do survey foi realizada por meio de formulário eletrônico, disponibilizado em ambiente online, o que permitiu maior alcance e agilidade. Participaram 57 profissionais das áreas de tecnologia, dados, risco e operações. A participação foi voluntária e condicionada à leitura e concordância explícita com o Termo de Consentimento Livre e Esclarecido (TCLE), assegurando o atendimento aos princípios éticos da pesquisa.

Complementarmente, adotou-se a pesquisa documental, utilizando uma base de dados secundária pública de transações financeiras. Esta base, denominada Credit Card Fraud (Europa/2013), é amplamente utilizada em estudos acadêmicos sobre detecção de fraude. Ela contém registros de transações legítimas e fraudulentas, servindo como objeto empírico para a análise de dados e o desenvolvimento de modelos preditivos.

A base de dados transacionais consistiu em 284.807 registros, com uma taxa de fraude de 0,17%. Embora a pesquisa tenha sido motivada pelo contexto de uma startup brasileira, a “Organização Alfa” em São Paulo/SP, a base de dados utilizada é pública e não contém dados sensíveis. As variáveis preditoras da base foram anonimizadas via PCA para preservar a confidencialidade dos dados originais.

Os dados transacionais foram submetidos a uma análise exploratória inicial. Para o desenvolvimento dos modelos, a base foi dividida em três conjuntos mutuamente exclusivos: treino (70%), validação (15%) e teste (15%). Essa divisão estratificada garantiu a manutenção da proporção de fraudes em cada partição. A normalização das variáveis Amount e Time foi aplicada exclusivamente ao conjunto de treino, prevenindo data leakage.

No desenvolvimento de modelos de Machine Learning, compararam-se dois algoritmos: Regressão Logística e Random Forest. A Regressão Logística foi empregada como modelo baseline, devido à sua interpretabilidade e uso comum em detecção de fraude. O Random Forest, um modelo de ensemble, foi selecionado por sua capacidade de capturar não linearidades e interações entre variáveis.

Ambos os modelos foram configurados com ajuste de pesos por classe (class_weight=’balanced’), uma técnica para mitigar o viés causado pelo desbalanceamento dos dados, sem a necessidade de reamostragem. A métrica principal de avaliação foi a Área sob a Curva Precision-Recall (PR-AUC). Esta métrica foi escolhida por ser mais informativa que a curva ROC em contextos de forte desbalanceamento de classes, conforme demonstrado por Saito e Rehmsmeier (2015).

O foco da modelagem não foi apenas a maximização do desempenho preditivo, mas a avaliação dos efeitos da variação do threshold de decisão sobre a volumetria de transações sinalizadas e o custo operacional associado. Os procedimentos de tratamento e análise dos dados foram realizados utilizando scripts desenvolvidos em linguagem Python, com o auxílio das bibliotecas scikit-learn, pandas e numpy. O código-fonte completo está disponível publicamente em um repositório GitHub.

3. Resultados e Discussão

Os resultados deste estudo foram obtidos a partir de uma abordagem integrada, que combinou a percepção de profissionais da área de negócios digitais com a análise empírica de uma base de dados transacionais e a aplicação de modelos de Machine Learning. Essa integração permitiu uma compreensão multifacetada dos desafios e soluções na gestão de fraudes, conectando as expectativas do mercado com a viabilidade técnica e os impactos operacionais das decisões analíticas. A análise buscou não apenas identificar padrões de fraude, mas também avaliar as implicações práticas da definição de parâmetros analíticos sobre a volumetria de alertas e os custos operacionais, conforme o objetivo central da pesquisa.

Resultados do Survey

O questionário estruturado, respondido por 57 profissionais de tecnologia, dados, risco, operações e negócios digitais, revelou uma percepção unânime sobre a relevância da fraude em ambientes digitais. Os participantes reconheceram o fenômeno como um fator de impacto significativo tanto nos resultados financeiros quanto na eficiência operacional das organizações. Essa constatação sublinha a transversalidade do problema da fraude digital, que afeta diversas áreas e níveis de experiência dentro das empresas, exigindo abordagens robustas e integradas para seu controle.

Em relação às abordagens mais eficazes para o controle de fraudes, os dados do survey indicaram uma clara preferência por soluções baseadas em dados e Machine Learning. Aproximadamente 63% dos respondentes (36 de 57) apontaram o Machine Learning como uma das abordagens mais eficazes, seguido por modelos estatísticos, com 54% das indicações. A revisão humana especializada foi mencionada por 40% dos participantes, enquanto regras manuais foram citadas por apenas 23%. Esse panorama sugere que os profissionais do setor percebem as limitações das abordagens tradicionais diante da crescente sofisticação das fraudes digitais, buscando soluções mais dinâmicas e adaptativas.

Um achado crucial do survey foi o reconhecimento explícito do trade-off entre a mitigação de fraudes e os impactos operacionais. A maioria dos respondentes concordou que estratégias de controle mais rigorosas tendem a aumentar a incidência de falsos positivos, gerando fricções na experiência do cliente e elevando a carga operacional das equipes de análise. Essa percepção reforçou a necessidade de investigar empiricamente como as decisões analíticas influenciam o volume de alertas gerados pelos sistemas antifraude, um ponto central para a aplicabilidade prática das soluções.

Quando questionados sobre a prioridade das empresas no controle de fraudes digitais, 57,9% dos respondentes indicaram a busca por “equilíbrio entre risco e experiência do cliente”. A minimização de perdas financeiras foi prioridade para 22,8%, e a minimização de falsos positivos para 19,3%. Esse resultado corrobora a visão de que a gestão de fraudes não pode ser dissociada da experiência do cliente, tornando a calibração de limiares de decisão um elemento estratégico fundamental. A priorização do equilíbrio reflete a complexidade de operar em ambientes digitais, onde a segurança deve coexistir com a usabilidade e a satisfação do consumidor.

Análise Exploratória da Base Transacional

A análise exploratória da base de dados transacionais, composta por 284.807 registros de transações de cartão de crédito, confirmou o forte desbalanceamento entre classes, característico de cenários reais de fraude. Verificou-se que apenas 0,17% do total de registros (492 transações) correspondia a eventos de fraude, enquanto 99,83% (284.315 transações) eram legítimas. Esse cenário de eventos raros em grandes volumes de dados é um desafio conhecido na detecção de anomalias e reforça a complexidade de identificar fraudes sem gerar um número excessivo de falsos positivos.

Observou-se que o valor médio das transações fraudulentas, de R$ 122,21, foi superior ao valor médio das transações legítimas, que foi de R$ 88,29. Esse achado sugere que as fraudes tendem a ocorrer em transações de maior valor relativo, o que é relevante para a análise de custo por decisão. Cada fraude não detectada representa uma perda financeira estimada de R$ 122,21, valor utilizado como referência para o cálculo do custo por falso negativo nas simulações de threshold, destacando a importância de uma detecção eficaz para a saúde financeira da organização.

Desenvolvimento e Comparação dos Modelos Preditivos

Com base na base transacional, dois modelos preditivos foram desenvolvidos para gerar scores probabilísticos de risco de fraude: Regressão Logística, como modelo baseline, e Random Forest. Ambos os modelos foram configurados com ajuste de pesos por classe (`class_weight=’balanced’`) para mitigar o viés do desbalanceamento dos dados, sem a necessidade de reamostragem. A métrica principal adotada para avaliação foi a Área sob a Curva Precision-Recall (PR-AUC), considerada mais informativa do que a curva ROC em contextos de forte desbalanceamento de classes, conforme apontado por Saito e Rehmsmeier (2015).

No conjunto de teste, o modelo Random Forest apresentou um PR-AUC de 0,7426, superando o modelo de Regressão Logística, que obteve 0,6826. Embora ambos os modelos tenham demonstrado um ROC-AUC elevado (acima de 0,96), a diferença significativa na PR-AUC confirma a maior eficácia do Random Forest na identificação da classe minoritária, ou seja, as transações fraudulentas. A escolha da PR-AUC como métrica primária foi crucial, pois em cenários com apenas 0,17% de fraudes, a ROC-AUC pode ser enganosa, indicando um bom desempenho mesmo para modelos pouco úteis na prática.

Análise de Thresholds e Impacto Operacional

A simulação de diferentes limiares de decisão (thresholds) com o modelo Random Forest demonstrou o impacto direto da definição desses parâmetros sobre a volumetria de transações sinalizadas para análise e, consequentemente, sobre a carga operacional. Essa análise conectou diretamente a percepção dos profissionais, que apontaram o trade-off entre mitigação de fraude e impacto operacional, com a evidência empírica da base transacional, fornecendo um panorama prático das implicações das escolhas analíticas.

Ao adotar um threshold de 0,50, foram sinalizadas 87 transações como suspeitas, resultando em um recall de 77,0% e um custo estimado de R$ 2.078 em fraudes não detectadas. A redução do threshold para 0,30 aumentou o volume de alertas para 166, elevando o recall para 82,4% e diminuindo o custo estimado de fraudes não detectadas para R$ 1.589. No entanto, um threshold de 0,10, embora alcançasse um recall de 91,9% e um custo de apenas R$ 733, geraria 1.226 alertas, dos quais 1.158 seriam falsos positivos, impactando negativamente a experiência do cliente e a carga operacional da equipe de análise.

Esse comportamento confirma empiricamente o trade-off percebido pelos profissionais no survey: estratégias mais rigorosas, com thresholds menores, reduzem as perdas financeiras por fraude não detectada, mas ampliam o volume de falsos positivos, gerando fricções operacionais e impacto negativo na experiência do cliente. O threshold de 0,30 emergiu como o ponto de equilíbrio mais adequado para o contexto analisado, combinando um recall razoável de 82,4%, um custo estimado administrável de R$ 1.589 e um volume de 166 alertas compatível com operações de revisão humana, otimizando a eficiência e a experiência do cliente.

Variáveis Preditivas e Sinais de Fraude

A análise da importância preditiva das variáveis do modelo Random Forest permitiu identificar os principais sinais associados a comportamentos fraudulentos. As dez variáveis com maior poder discriminante foram identificadas, mensuradas pelo critério de redução média de impureza. A variável V14 concentrou 21,1% da importância preditiva total do modelo, destacando-se como o principal discriminante entre transações legítimas e fraudulentas. Em conjunto, as quatro primeiras variáveis (V14, V10, V17 e V4) responderam por 56,1% da capacidade preditiva total do modelo.

Embora o significado original dessas variáveis tenha sido anonimizado por razões de confidencialidade da base pública, em ambientes reais elas corresponderiam a atributos comportamentais, como padrão de horário, frequência de transações, dispersão geográfica e desvio do perfil histórico do cliente. Esse achado converge com a literatura sobre detecção de fraude, que enfatiza a relevância de sinais comportamentais, e não apenas atributos estáticos da transação, como os melhores preditores de fraude em tempo real (Bolton e Hand, 2002). Do ponto de vista gerencial, esse resultado orienta as organizações a priorizarem o monitoramento de um conjunto focado de variáveis comportamentais, reduzindo a complexidade operacional dos sistemas antifraude sem perda relevante de capacidade de detecção.

Em síntese, os resultados demonstraram que abordagens baseadas em dados e Machine Learning, especialmente o modelo Random Forest, são eficazes na detecção de fraudes em negócios digitais, superando métodos tradicionais e a Regressão Logística em cenários de forte desbalanceamento de classes. A pesquisa confirmou que o principal desafio reside na gestão do trade-off entre a mitigação de riscos e os custos operacionais associados ao volume de alertas gerados, evidenciando que a calibração de limiares de decisão, como o threshold de 0,30, é fundamental para equilibrar recall, custo e experiência do cliente, respondendo diretamente ao objetivo do estudo.

4. Conclusão

O presente estudo buscou analisar como abordagens baseadas em dados e Machine Learning podem apoiar o controle de fraudes em negócios digitais, considerando os impactos da definição de parâmetros analíticos sobre a volumetria de alertas e os custos operacionais associados, a partir da integração entre a percepção de profissionais da área e a análise de uma base real de transações financeiras. Verificou-se que profissionais do setor reconhecem o Machine Learning como uma abordagem eficaz, priorizando o equilíbrio entre risco e experiência do cliente na gestão de fraudes. A análise empírica de transações financeiras revelou o forte desbalanceamento de classes e a superioridade do modelo Random Forest (PR-AUC: 0,7426) em relação à Regressão Logística (PR-AUC: 0,6826) na detecção de fraudes. A simulação de limiares de decisão demonstrou que um threshold de 0,30 configurou o ponto de equilíbrio mais adequado, resultando em um recall de 82,4%, 166 alertas gerados e um custo estimado de R$ 1.589 em fraudes não detectadas, o que otimiza a eficiência operacional e a experiência do cliente. A principal contribuição do trabalho reside em evidenciar que o desafio central na gestão de fraudes com Machine Learning não se limita à capacidade de detecção, mas à administração do trade-off entre mitigação de risco e o custo operacional associado ao volume de alertas gerados pelas decisões analíticas, fornecendo um arranjo analítico aplicável para orientar políticas de controle.

Contudo, o estudo apresentou algumas limitações, como a base de dados utilizada, que pode não refletir integralmente os padrões de fraude do mercado brasileiro atual, e a anonimização das variáveis preditoras via PCA, que restringiu a interpretabilidade gerencial direta dos sinais identificados. Adicionalmente, a amostra do survey, composta por 57 respondentes, possui caráter exploratório e não é representativa estatisticamente. Para estudos futuros, sugere-se a ampliação da amostra de respondentes, a exploração de modelos analíticos adicionais, como Gradient Boosting e redes neurais, e a avaliação de técnicas de explicabilidade, como SHAP values, para aumentar a transparência das decisões em ambientes regulados, contribuindo para uma compreensão mais abrangente e aplicada do problema da fraude digital.

Referências Bibliográficas

Bolton, R.J.; Hand, D.J. (2002). Statistical fraud detection: a review. Statistical Science, 17(3): 235-255.

Carcillo, F.; Bontempi, G.; Snoeck, M.; Bagheri, S. (2021). Scarff: a scalable framework for streaming credit card fraud detection with sliding windows. IEEE Transactions on Neural Networks and Learning Systems, 32(10): 1–15.

Dal Pozzo, A.; Boracchi, G.; Biganzoli, E. (2020). Adaptive machine learning for fraud detection. Journal of Financial Crime, 27(4): 1–15.

Gil, A.C. (2008). Métodos e técnicas de pesquisa social. 6. ed. Atlas, São Paulo, SP, Brasil.

Saito, T.; Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10(3): e0118432.

Artigo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy