O Open Finance evolui a cada dia, e já são mais de 5 milhões de consentimentos ativos de clientes no Brasil. A cada mês, são mais de 1 milhão de chamadas de API.

Para Bruno Loiola, CGO e cofundador da Pluggy, estamos no caminho certo: “O objetivo comum de todos os participantes do mercado deve ser a criação de uma Open Economy que funcione para todos, de modo a reinventar produtos e serviços que prezam pelo relacionamento com o cliente [...]”.

No entanto, segundo pesquisa da empresa Salt Security, especializada em segurança de APIs, 95% das organizações sofreram um incidente de segurança de APIs em ataques criminosos. Com a crescente preocupação dos consumidores acerca de seus dados e segurança digital, como promover um ambiente de inovação sem que deixe de existir uma proteção ao usuário?

É neste ponto de vista que tecnologias como inteligência artificial e aprendizado de máquina entram.


Transações cada vez mais seguras!

Os algoritmos de aprendizado de máquina são excelentes para detectar fraudes transacionais, através da análise de milhões de pontos de dados que tendem a passar despercebidos pelos humanos. Além disso, o ML também reduz o número de rejeições falsas e ajuda a melhorar a precisão das aprovações em tempo real. Esses modelos geralmente são construídos com base no comportamento do cliente na internet e no histórico de transações.

Muito mais do que apenas detectar comportamentos fraudulentos com alta precisão, a tecnologia baseada em ML também está equipada para identificar comportamentos suspeitos de contas e evitar fraudes em tempo real, em vez de detectá-los após o crime já ter sido cometido.

Uma das aplicações mais bem-sucedidas do ML é a detecção de fraudes de cartão de crédito. Os bancos geralmente estão equipados com sistemas de monitoramento treinados em dados históricos de pagamentos. O treinamento, validação e backtesting de algoritmos são baseados em vastos conjuntos de dados de transações de cartão de crédito. Os algoritmos de classificação baseados em ML podem facilmente rotular eventos como fraude versus não fraude para interromper transações fraudulentas em tempo real.


Melhoria na gestão de risco

Usando técnicas de aprendizado de máquina, bancos e instituições financeiras podem reduzir significativamente os níveis de risco analisando um grande volume de fontes de dados. Ao contrário dos métodos tradicionais, que geralmente se limitam a informações essenciais como pontuação de crédito, o ML pode analisar volumes significativos de informações pessoais para reduzir seu risco.

Vários insights coletados pela tecnologia de aprendizado de máquina também fornecem às organizações de serviços bancários e financeiros inteligência acionável para ajudá-los a tomar decisões subsequentes. Um exemplo disso poderia ser programas de aprendizado de máquina explorando diferentes fontes de dados para clientes que solicitam empréstimos, atribuindo pontuações de risco a eles.

Os algoritmos de ML podem prever facilmente os clientes em risco de inadimplência em seus empréstimos para ajudar as empresas a repensar ou ajustar os termos de cada cliente.


No Open Finance, tudo isso também pode ser aplicado. Além disso, ambas as técnicas são imprescindíveis para a categorização de dados e agregação de valor às transações brutas. Leia mais sobre como isso acontece na prática neste artigo.