O problema: Embora a IA possa oferecer suporte à detecção de fraudes em tempo real, ela requer dados de alta qualidade para permanecer eficaz. Os líderes compreendem essa demanda, com 64% dos entrevistados afirmando que precisam acelerar o acesso a fontes de dados novas e confiáveis para acompanhar as ameaças em evolução. Quarenta e um porcento consideram os dados de lista de observação e lista de bloqueio entre os conjuntos de dados mais importantes para atingir suas futuras metas de prevenção de fraudes, e quase um terço diz o mesmo sobre os dados de lojas.
A solução: Modelos eficazes de detecção de fraude por IA integram dados de todo o ecossistema de pagamentos, incluindo inteligência da rede de cartões, indicadores de risco em nível de loja e insights de identidades digitais dos consumidores.
Por exemplo, uma ferramenta de IA pode avaliar o risco de uma loja com base em taxas históricas de fraude, ao mesmo tempo em que analisa a contagem de velocidade do cliente, que rastreia a frequência com que ações como compras ou alterações de conta ocorrem em um curto período.
Usando IA avançada e o algoritmo Mastercard Loja User Connected Intelligence (MUCI), o DI Pro conecta padrões em usuários, lojas e transações para fornecer contexto, não apenas uma pontuação. O MSRI usa um modelo de rede neural de gráfico (GNN) para identificar lojas com risco elevado, baseando-se em relacionamentos entre lojas, cartões, grupos de violação e entidades comprometidas e informados pela rede da Mastercard e inteligência de ameaças cibernéticas.
No futuro, o sucesso das organizações com a detecção de fraudes por IA dependerá de dois fatores: a capacidade de um modelo de analisar grandes volumes de dados e sua habilidade de combinar padrões históricos e informações recentes para auxiliar na tomada de decisões.