A Microsoft combinou aprendizado de máquina com otimização para reduzir fraudes no comércio eletrônico

Todo filtro antifraude precisa equilibrar a liberação de pedidos fraudulentos com a rejeição de pedidos legítimos, e um filtro ajustado para deter fraudes tende a bloquear também clientes bons.

O sistema da Microsoft combinou aprendizado de máquina sequencial para identificar fraudes conhecidas e emergentes com uma camada de otimização que ponderava a perda por fraude, os falsos positivos e a receita em jogo. Isso permitiu elevar a taxa de aceitação pelo banco enquanto reduzia a taxa de perda por fraude.

Entre 2016 e 2018, o projeto reduziu a perda por fraude da Microsoft em 0,52 ponto percentual, gerando cerca de US$ 75 milhões em economia anual e mais de US$ 1 bilhão em receita adicional decorrente do maior volume de compras legítimas aprovadas. O trabalho foi finalista do Prêmio Franz Edelman do INFORMS de 2019.

Sinalizar a fraude e manter o pedido bom em andamento

Modelar tanto a fraude quanto a perda por uma boa venda expõe o custo real de cada decisão errada.

Modelos sequenciais capturam novos padrões de fraude que regras estáticas não detectam.

Elevar a taxa de aceitação de compras legítimas aumenta a receita enquanto reduz as perdas por fraude.

Uma otimização explícita substitui um limiar ajustado manualmente que rejeitava em excesso.

Um sistema antifraude avaliado apenas pelas perdas rejeita em excesso; incluir o custo de uma boa venda perdida torna toda a decisão mais econômica.

O sistema foi implantado nas lojas online da Microsoft e se tornou uma referência de como varejistas online combinam aprendizado de máquina com pesquisa operacional na gestão de fraudes. Foi nomeado finalista do Edelman de 2019 e documentado em um artigo do periódico do INFORMS.