How To Use Behavioral Analytics To Understand & Prevent Fraud

Online fraud costs businesses ~$4.5 million annually. It’s high time you use AI and machine learning to prevent phishing attacks and transaction fraud. This article explores how behavioral analytics and machine learning help businesses detect fraud more effectively.

You will learn best practices for collecting relevant user data, establishing baseline behaviors, and monitoring for anomalies. By the end of this read, you will know what steps to take to protect your assets and build customer trust.

Vamos lá.

O que é a análise comportamental na detecção de fraudes?

A análise comportamental envolve o estudo dos padrões de atividade online dos usuários, como quando e onde eles fazem login ou quanto costumam gastar. Você coleta e analisa esses dados para identificar comportamentos anormais que indiquem fraude, como uma compra repentina de alto valor ou um login na conta a partir de um local incomum.

It uses machine learning to catch fraudsters before they cause trouble. In other words, behavioral analysis is a proactive way to keep your accounts and information safe. The best part? You can prevent 90% of fraud using machine learning algorithms.

4 Steps To Use Behavioral Analytics To Prevent Fraud

Ao seguir essas etapas, considere quais estratégias se alinham às suas necessidades de segurança.

1. Coletar dados relevantes

Gather comprehensive user information to build a robust dataset to analyze. Make sure that your data collection processes comply with privacy regulations to keep user trust and integrity.

Aqui estão os principais tipos de dados que você deve coletar:

1.1 Registros de transações

• Registre todos os dados financeiros (valores das transações, datas, horários e locais).
• Acompanhe os tipos de forma de pagamento utilizados (cartão de crédito, transferência bancária, etc.).
• Verifique a frequência com que ocorrem transações para cada usuário.

Como coletar dados de transações:‍

• Implemente o registro em banco de dados para registrar automaticamente todos os detalhes das transações.
• Integre-se a gateways de pagamento como o PayPal para coletar informações financeiras.

1.2 Registros de atividades do usuário

• Recolher dados sobre horários de login, endereços IP e dispositivos utilizados.
• Acompanhe as páginas visitadas, a duração das visitas e as ações realizadas em cada página.
• Registre interações como cliques, envios de formulários e downloads.

Como coletar dados de atividade do usuário:

• Use ferramentas de análise da web, como o Google Analytics, o Adobe Analytics ou o Crustify, para acompanhar as interações dos usuários e seus padrões de navegação.
• Desenvolva scripts de rastreamento personalizados para registrar ações específicas dos usuários, como cliques. Incorpore esses scripts em suas páginas da web e aplicativos.

Por exemplo, você pode usar a visualização “ID do usuário” no Google Analytics para analisar o engajamento dos usuários em diferentes dispositivos. Ela mostra a categoria do dispositivo, a plataforma e a fonte de dados de cada usuário, permitindo que você acompanhe sua atividade online.

1.3 Informações sobre o dispositivo

• Identify the user device like a computer, smartphone, or tablet.
• Registre o sistema operacional e o navegador utilizados em cada sessão.
• Registre informações de localização para detectar padrões de acesso incomuns.

Como coletar informações do dispositivo:

• Use device fingerprinting techniques to collect data on device types, operating systems, browsers, and geolocation. Fingerprints can help identify unique devices for fraud detection.
• Extraia informações sobre dispositivos e navegadores a partir das cadeias de caracteres do agente do usuário. Esses dados estão disponíveis nos logs do servidor e podem ser analisados para obter informações detalhadas.

1.4 Informações da conta

• Mantenha perfis detalhados dos usuários. Eles devem incluir datas de criação das contas, informações de contato e preferências.
• Acompanhe as alterações nas configurações da conta, como atualizações de senha ou novos métodos de pagamento adicionados.

Como coletar informações da conta:

• Implemente um sistema robusto de gerenciamento de perfis de usuário. Certifique-se de que seu sistema registre as datas de criação das contas, as informações de contato e as preferências.
• Registre todos os eventos importantes da conta, como alterações de senha e novos métodos de pagamento. Utilize uma arquitetura orientada a eventos para capturar essas alterações em tempo real.

1.5 Fontes de dados externas

• Recorra a fontes externas, como agências de informação de crédito, perfis nas redes sociais e empresas de segurança cibernética.

Como coletar fontes de dados externas:

• Integre-se a fontes de dados de terceiros por meio de APIs para coletar informações adicionais. Por exemplo, pontuações de crédito, perfis nas redes sociais e relatórios de fraudes do setor. Certifique-se de ter as permissões necessárias e de cumprir as normas de privacidade de dados.
• Inscreva-se nos feeds de inteligência contra ameaças de empresas de segurança cibernética e órgãos governamentais, como a FireEye, a CISA e a Comissão Federal de Comércio. Esses feeds fornecem atualizações em tempo real sobre táticas e tendências conhecidas de fraude.

2. Definir comportamentos de referência

Analyze historical data to define the normal users' behavior. This will serve as a reference point to identify anomalies. Make sure to update and refine these baselines so that your fraud detection system stays responsive to new threats.

Veja como definir comportamentos de referência:

2.1 Segmentar usuários

Segmente os usuários em diferentes categorias com base em seu comportamento e outros fatores relevantes. Segmentos comuns podem incluir usuários regulares, usuários que realizam transações com alta frequência e usuários ocasionais. Por exemplo, os usuários que realizam transações com alta frequência precisarão de mais monitoramento em tempo real do que os usuários ocasionais.

Utilize técnicas de agrupamento para classificar usuários com padrões de comportamento semelhantes. Isso ajuda a compreender com maior precisão o comportamento típico de cada segmento.

Se você não tem tempo nem um orçamento elevado, considere contratar especialistas com boa relação custo-benefício por meio de plataformas de recrutamento online. Por exemplo, se você precisa de candidatos cuidadosamente selecionados e com experiência comprovada, contrate pela Genius. Ou, se você puder arcar com os custos de treinamento de profissionais em início de carreira, opte pela Prosple.

2.2 Definir padrões de comportamento normal

Perform statistical analysis to identify key metrics and patterns for each user segment. This includes calculating averages, medians, and standard deviations. Identify these key behavioral metrics to detect unusual patterns:

• Valor médio e frequência das transações
• Horários e locais típicos de acesso
• Percursos e interações comuns de navegação
• Padrões regulares de uso do dispositivo

2.3 Utilizar modelos de aprendizado de máquina

AI and machine learning models process and analyze large datasets with multiple variables to detect complex fraud patterns and chargeback trends that humans might miss. They learn from historical data, identifying correlations and anomalies in real-time. They spot unusual behaviors that indicate fraud, even if they haven't seen those specific patterns before.

For instance, MedicalAlertBuyersGuide uses reCAPTCHA v3 to identify between human users and bots. This integration adds an extra layer of security by preventing automated attacks and making sure that only legitimate users access the service.

Da mesma forma, digamos que um varejista online processe milhões de transações diariamente. Um sistema tradicional baseado em regras poderia sinalizar transações provenientes de um país específico como de alto risco. No entanto, um fraudador poderia contornar essa medida usando uma VPN para alterar sua localização. Os modelos de IA e aprendizado de máquina, por outro lado, analisam uma combinação de fatores, como valor da transação, horário, dispositivo utilizado e padrões de comportamento do usuário.

If a habitual low-spending customer suddenly makes a large purchase from a new device in a different location, the model would flag this as suspicious. The retailer can detect this fraud attempt more accurately and quickly to prevent potential losses.

If you're an eCommerce business, use an ML tool like Chargeflow to boost your fraud prevention. Chargeflow automates chargebacks and disputes with advanced machine learning and artificial intelligence. This saves you time, reduces manual work, and recovers lost revenue.

3. Monitorar e analisar anomalias

Esse processo envolve a observação contínua do comportamento do usuário, a identificação de desvios em relação aos padrões estabelecidos e a investigação dessas irregularidades para determinar se elas indicam atividades fraudulentas.

Veja como fazer:

3.1 Monitorar o comportamento do usuário em tempo real

Implement real-time monitoring systems that track user behavior as it happens. Use Splunk, Grafana, or Kibana to provide real-time data visualization. Connect your monitoring tools to transaction logs, user activity records, and device information.

3.2 Detectar anomalias

Defina limites e regras com base em comportamentos de referência estabelecidos. Isso pode incluir limites para valores de transações, frequência de logins ou localizações geográficas.

At this stage, you can also use machine learning models trained to detect deviations from normal behavior. Models like Isolation Forest or Autoencoders can identify subtle patterns and anomalies that rule-based systems might miss.

You can also use ML tools to detect specific fraud types. For example, in the case of chargeback fraud, Chargeflow can perform a comprehensive fraud analysis. It calculates the ChargeScore based on your account history, evidence strength, and other data points. It pulls evidence from over 50 sources, including third-party data.

It then optimizes ChargeResponse in real-time based on your store type, dispute history, and an ever-improving algorithm.

Para entender melhor como funciona a detecção de anomalias, vamos conhecer suas três camadas e seus respectivos métodos.

Aqui está uma lista de anomalias a serem observadas:

• Mudanças repentinas nas informações do perfil do usuário.
• Alternância frequente entre vários dispositivos.
• Acessos a partir de endereços IP desconhecidos ou suspeitos.
• Tentativas de login fora do horário habitual de atividade do usuário.
• Transações ou acessos provenientes de locais geográficos distantes.
• Pequenas transações frequentes para testar meios de pagamento roubados.
• Alterações nas configurações da conta sem que tenham ocorrido comportamentos típicos anteriormente.
• Transações envolvendo regiões de alto risco conhecidas por fraudes.
• Várias tentativas de login malsucedidas, indicando possíveis ataques de força bruta.
• Padrões de navegação atípicos ou acesso a serviços incomuns.
• Transações repentinas de grande valor que se desviam dos hábitos normais de gastos.
• Várias tentativas de login a partir de diferentes localizações geográficas num curto espaço de tempo.
• Adição de novos beneficiários ou destinos de transferência com os quais nunca se interagiu anteriormente.

3.3 Analisar e investigar anomalias

3.3.1 Pontuação de risco

Os sistemas de monitoramento comportamental criam perfis de usuário com base em seus padrões de comportamento e atribuem a eles uma pontuação de risco. Essa pontuação indica a probabilidade de um usuário estar envolvido em fraudes. As pontuações de risco são calculadas com base no comportamento anterior, na detecção de anomalias e em algoritmos de aprendizado de máquina.

Os usuários com pontuações de risco mais elevadas apresentam comportamentos incomuns e são submetidos a verificações adicionais, como etapas de autenticação extras ou análises manuais.

3.3.2 Análise contextual

Analise o contexto das anomalias para compreender sua natureza. Considere fatores como a localização do usuário, o dispositivo, a hora da atividade e outros detalhes ambientais para verificar se eles correspondem aos padrões de comportamento esperados. Por exemplo, um login feito a partir de um local incomum ou de um dispositivo desconhecido pode indicar uma possível fraude.

3.3.3 Revisão manual

Peça aos analistas de fraudes que revisem manualmente as anomalias de alto risco. Esse elemento humano acrescenta uma camada de análise para garantir uma detecção precisa e reduzir os falsos positivos.

4. Aproveite as respostas automáticas

Configure automated alerts for significant anomalies. These alerts can be sent to security teams or directly to affected users for immediate action.

Além disso, implemente respostas automáticas como:

• Bloqueio temporário de contas
• Marcar transações para revisão
• Exigir etapas adicionais de verificação para atividades suspeitas

O tipo de resposta automática dependerá do setor e do tipo de produto que você estiver vendendo. Por exemplo, no setor bancário, padrões incomuns de saques podem acionar um congelamento de crédito.

Da mesma forma, se você estiver vendendo produtos de comércio eletrônico de alto valor, como eletrônicos, dispositivos médicos ou suplementos veganos premium, considere as seguintes medidas:

• Dynamic Pricing Alerts: Automatically flag transactions with significantly altered or discounted prices beyond typical ranges.
• Verificação contextual: adicione etapas adicionais de verificação para transações realizadas em horários incomuns ou enviadas para regiões de alto risco, a fim de confirmar sua legitimidade antes do processamento.
• Atraso no envio para transações de alto risco: para pedidos sinalizados devido a padrões de compra incomuns, retenha o envio por 24 a 48 horas para realizar uma análise minuciosa.

Case Study: How PayPal Uses Behavioral Analysis to Prevent Fraud

PayPal uses behavioral analysis to prevent fraud by feeding its algorithms various types of data. This includes device information, email checks, identity scores, session data, and enrollment details. Hundreds of signals are built on this data to spot issues like differences in a user's real and stated locations.

For login fraud, PayPal uses machine learning to check if a customer is legitimate in real time. They analyze device, email, IP, phone, transaction, and behavior information. For payment fraud, they compare past transactions and look for red flags like address mismatches and large orders. This approach helps keep users and the company safe.

Estudo de caso: Como a Transparent Labs previne fraudes com cartão de crédito

Transparent Labs, an eCommerce store selling fitness supplements, uses advanced analytics to prevent credit card fraud and analyze login times, browsing habits, and purchase patterns to detect unusual activity quickly.

With the "buy now, pay later" feature, Transparent Labs closely monitors deferred payment activities to prevent fraud by tracking the user’s payment history and purchase behavior. The system flags these activities for further review if patterns suggest potential misuse, like frequent last-minute payment failures.

Benefícios da análise comportamental na detecção de fraudes

Para ter uma ideia melhor de até que ponto você precisa da análise comportamental, considere estes benefícios e veja se eles atendem às suas necessidades.

i. Detecção proativa de fraudes

63% of businesses have faced fraud in the past 12 months. The good news, behavioral analysis catches fraud early by spotting unusual behavior patterns before they cause major harm. Early detection can reduce fraud costs by up to 42% and minimize the need for extensive manual reviews.

ii. Maior precisão

Behavioral analysis reduces false positives which are incorrect fraud alerts that mistakenly flag legitimate activities as suspicious. This means fewer disruptions for real customers and more accurate detection of actual fraudulent activities. This precision improves customer experience and operational efficiency, with studies showing a 30% reduction in false positives using advanced analytics.

iii. Monitoramento em tempo real

A vigilância contínua implica respostas imediatas a atividades suspeitas. O monitoramento em tempo real pode reduzir o tempo de detecção de fraudes, permitindo que você aja rapidamente e minimize os possíveis danos.

i.v. Aprendizagem adaptativa

Os modelos de aprendizado de máquina na análise comportamental melhoram com o tempo, adaptando-se às novas táticas de fraude. As organizações que utilizam o aprendizado de máquina para a detecção de fraudes observam uma melhoria de 50% a 90% nas taxas de detecção anualmente.

v. Maior confiança dos clientes

Strong online security measures build customer confidence and loyalty. A PwC survey found that 85% of consumers are more likely to do business with companies that protect their data effectively.

vi. Conformidade regulatória

Behavioral analysis helps meet regulatory requirements by keeping detailed logs of user activities. This way you can reduce your compliance-related fines and penalties.

Conclusão

Apply the strategies and techniques discussed to protect your assets, and build customer trust. As you implement these measures, constantly consider the evolving nature of fraud. Ask yourself: How can I keep up with advanced fraud tactics?

For a robust solution tailored to your needs, try Chargeflow – the first fully automated dispute and chargeback automation service for eCommerce merchants. Chargeflow uses advanced machine learning and artificial intelligence algorithms to recover chargebacks on autopilot.

‍Start your free trial today and automate your chargebacks efficiently.