Prevenção contra fraudes e lavagem de dinheiro

Minimize o risco enquanto oferece um atendimento ao cliente perfeito

Fraudes financeiras representam um grande desafio para a indústria de serviços financeiros. Não só vem em muitas formas diferentes, mas muitas vezes é difícil de detectar devido à complexidade das relações entre entidades e padrões ocultos. E, uma vez detectadas, as instituições financeiras devem notificar os clientes sobre atividades fraudulentas em tempo real e tomar medidas imediatas para interrompê-las, por exemplo, bloqueando o cartão de crédito do cliente.

O setor de serviços financeiros também é regulamentado e deve relatar atividades antilavagem de dinheiro (Anti-money Laundering, AML) e concluir a devida diligência em seus clientes usando os processos Conheça seu Cliente (ou Know Your Client, KYC). Isso geralmente requer a análise de dados de produtos, mercados e regiões geográficas para identificar relacionamentos e padrões de AML.

Conceitualmente, a lavagem de dinheiro é simples: o dinheiro sujo é repassado, misturado com fundos legítimos e depois transformado em ativos tangíveis. Na realidade, é muito mais complicado, contando com uma longa e complexa série de transferências válidas entre contas criadas usando identidades sintéticas (muitas vezes roubadas) e muitas vezes usando informações semelhantes, como emails e endereços. Em suma, envolve uma grande quantidade de dados, e é por isso que uma plataforma de dados unificada que oferece suporte a técnicas analíticas avançadas, como análise de gráficos, é essencial para programas antilavagem de dinheiro.

Proteja clientes e instituições com machine learning

O setor de serviços financeiros continua a ser altamente monitorado e regulamentado, e poucas áreas tiveram um aumento maior no foco regulatório do que as atividades de combate à lavagem de dinheiro e ao financiamento do terrorismo. Impulsionada por vastas redes criminosas, a fraude financeira é um desafio sofisticado e crescente que exige soluções antilavagem de dinheiro que forneçam informações em toda a empresa e em todo o mundo.

A arquitetura a seguir demonstra como os componentes e recursos da Oracle, incluindo análises avançadas e machine learning, podem ser combinados para criar uma plataforma de dados que abrange todo o ciclo de vida da análise de dados e fornece os insights de que as equipes de AML precisam para identificar os padrões anômalos de comportamento que podem ser indicativos de atividade fraudulenta.

A imagem mostra como a Oracle Data Platform para serviços financeiros pode ser usada para oferecer suporte à prevenção de fraudes e atividades de AML. A plataforma inclui os seguintes cinco pilares:

• Fontes de Dados, Descoberta
• Conexão, Ingestão, Transformação
• Persistência, Curadoria, Criação
• Análise, Aprendizado, Predição
• Medição. Agir

O pilar Fontes de Dados, Descoberta inclui duas categorias de dados.

Dados de registro de negócios (primários) incluem transações de cartão de crédito, informações de conta e fluxos de eventos de caixas eletrônicos.

Dados de terceiros incluem feeds sociais.

O pilar Conexão, Ingestão, Transformação abrange quatro recursos.

A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.

A ingestão em massa usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.

A captura de dados alterados usa OCI GoldenGate e Oracle Data Integrator.

A ingestão de streaming usa OCI Streaming e Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao recurso de armazenamento em nuvem/data lake no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange quatro recursos.

O armazenamento de dados de serviço usa Autonomous Data Warehouse e Exadata Cloud Service.

O armazenamento em nuvem/data lake usa OCI Object Storage.

O processamento em lote usa OCI Data Flow.

A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem/data lake é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Um recurso se conecta ao pilar Análise, Aprendizado, Previsão: o armazenamento de dados de serviço se conecta unidirecionalmente a análise e visualização, serviços de IA e recursos de machine learning e bidirecionalmente ao recurso de análise de streaming.

O pilar Análise, Aprendizado, Previsão abrange quatro recursos.

Análises e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.

Os serviços de IA usam OCI Anomaly Detection, OCI Forecasting e OCI Language

O machine learning usa OCI Data Science e Oracle Machine Learning Notebooks.

A análise de streaming usa o OCI GoldenGate Stream Analytics.

O pilar Medição, Ação compreende três consumidores: painéis e relatórios, aplicações e modelos de machine learning.

Pessoas e parceiros incluem Mapas de Calor Geográficos, Relatórios Normativos, Análise Preditiva de Entidades de Alto Risco, Tendências de fraude.

Aplicações incluem o Transaction Anomaly Detection, Text Mining e Natural Language Processing (NLP).

Modelos de machine learning incluem Análise de Rede, Análise de Comportamento, Triagem da Lista de Observação.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que organizações de serviços financeiros identifiquem atividades potencialmente fraudulentas.

• Para começar, precisamos de dados de sistemas transacionais e aplicações bancárias. Esses dados podem ser enriquecidos com dados de clientes de fontes de terceiros, que podem incluir dados não estruturados de mídias sociais, por exemplo. Extrações frequentes em tempo real ou quase em tempo real que exigem captura de alteração de dados são comuns, e os dados são ingeridos regularmente de sistemas transacionais, de risco e de gerenciamento de clientes usando o Oracle Cloud Infrastructure (OCI) GoldenGate. O OCI GoldenGate também é um componente crítico da evolução das arquiteturas de malha de dados, em que os “produtos de dados” são gerenciados por meio de registros de dados corporativos e fluxos de dados poliglotas que executam processos contínuos de transformação e carregamento (em vez dos processos de ingestão e extração, transformação e carregamento em lote usados em arquiteturas monolíticas).
• Agora podemos usar ingestão de streaming para ingerir dados de sensores de IoT, pipelines da web, arquivos de log, dispositivos de ponto de venda, caixas eletrônicos, mídias sociais e outras fontes de dados em tempo real via OCI Streaming/Kafka. Esses dados transmitidos (eventos) são ingeridos e algumas transformações/agregações básicas são executadas antes que os dados sejam armazenados na nuvem. Paralelamente à ingestão, podemos filtrar, agregar, correlacionar e analisar grandes volumes de dados de várias fontes em tempo real usando análise de streaming. Isso não apenas ajuda as instituições financeiras a detectar ameaças e riscos – por exemplo, transações suspeitas de um caixa eletrônico, como várias transações repetidas – mas também fornece insights sobre sua eficiência geral na prevenção de fraudes. Eventos correlacionados e padrões identificados podem ser realimentados (manualmente) para um exame de ciência de dados dos dados brutos. Além disso, eventos podem ser gerados para acionar ações, como notificar os clientes sobre possíveis fraudes por email ou SMS ou bloquear cartões de débito comprometidos. O Oracle GoldenGate Stream Analytics é uma tecnologia in-memory que executa cálculos analíticos em tempo real em dados de streaming.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum dos principais sistemas bancários, de clientes e financeiros é uma ingestão em lote usando um processo de extração, transformação e carregamento. A ingestão em lote é usada para importar dados de sistemas que não suportam a ingestão de streaming (por exemplo, sistemas de mainframe mais antigos). Para processos de combate à lavagem de dinheiro e Conheça seu Cliente, os dados são provenientes de diferentes sistemas operacionais, como sistemas de processamento de transações de contas correntes e de crédito e feeds de dados de terceiros que fornecem inteligência do cliente. Os dados são obtidos de diversas localidades e regiões. As ingestões em lote podem ser frequentes, a cada 10 ou 15 minutos, mas ainda são de natureza volumosa, pois grupos de transações são extraídos e processados, em vez de transações individuais. A OCI oferece diferentes serviços para lidar com a ingestão em lote, como o serviço OCI Data Integration nativo ou o Oracle Data Integrator em execução em uma instância do OCI Compute. Dependendo dos volumes e tipos, os dados podem ser carregados no armazenamento de objetos ou diretamente em um banco de dados relacional estruturado para armazenamento persistente.

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes.

• Os dados brutos ingeridos são armazenados na nuvem para fins algorítmicos; usamos o OCI Object Storage como a camada primária de persistência de dados. O Spark no OCI Data Flow é o principal mecanismo de processamento em lote para dados tais como transacionais, de localização, de aplicações e de mapeamento geográfico. O processamento em lote envolve várias atividades, incluindo tratamento básico de ruído, gerenciamento de dados ausentes e filtragem com base em conjuntos de dados de saída definidos. Os resultados são gravados em várias camadas de armazenamento de objetos ou em um repositório relacional persistente com base no processamento necessário e nos tipos de dados usados.
• Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço, fornecido aqui pelo Oracle Autonomous Database. Os dados agora são mantidos em formato relacional otimizado para curadoria e desempenho de consulta. Como alternativa, dependendo da preferência arquitetônica, isso pode ser feito com o Oracle Big Data Service como um cluster Hadoop gerenciado. Nesse caso de uso, todos os dados necessários para treinar os modelos de machine learning são acessados na forma bruta do armazenamento de objetos. Para treinar os modelos, padrões históricos são combinados com registros no nível da transação para identificar e rotular riscos potenciais. A combinação desses conjuntos de dados com outros, como dados de dispositivos e dados geoespaciais, nos permite aplicar técnicas de ciência de dados para refinar modelos existentes e desenvolver novos para prever melhor possíveis fraudes. Esse tipo de persistência também pode ser usado para armazenar dados para esquemas que fazem parte dos armazenamentos de dados acessados por meio de tabelas externas e partições híbridas.

A capacidade de analisar, prever e agir baseia-se em três abordagens tecnológicas.

• Os serviços de análise e visualização, como a Oracle Analytics Cloud, fornecem análises com base nos dados selecionados do armazenamento de dados de serviço. Isso inclui análise descritiva (descreve as tendências atuais de identificação de fraudes e atividades sinalizadas com histogramas e gráficos), análise preditiva, como análise de séries temporais (prevê padrões futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações que levam a uma tomada de decisão ideal). Essas análises podem ser usadas para responder a perguntas como: Como a fraude real sinalizada nesse período se compara aos períodos anteriores?
• Juntamente com análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos treinados podem ser executados em dados transacionais atuais e históricos para detectar a lavagem de dinheiro, combinando padrões de transações e comportamentos, e os resultados podem ser persistidos na camada de serviço e relatados usando ferramentas de análise, como a Oracle Analytics Cloud. Para otimizar o treinamento do modelo, o modelo e os dados também podem ser alimentados em sistemas de machine learning, como o OCI Data Science, para treinar ainda mais os modelos para detecção mais eficaz de padrões de lavagem de dinheiro antes de promovê-los. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline analítico de streaming do OCI GoldenGate.
• Além disso, podemos usar os recursos avançados dos serviços de inteligência artificial nativos da nuvem.
  • O OCI Anomaly Detection é um serviço de inteligência artificial que facilita a criação de modelos de detecção de anomalias específicos de negócios que sinalizam incidentes críticos, acelerando a detecção e a resolução. Nesse caso de uso, implementaríamos esses modelos para detectar fraudes durante o ciclo de vida de uma transação; durante as auditorias; em contextos específicos, por exemplo, com base no fornecedor, comerciante ou tipo de transação; e em muitos outros cenários. O OCI Anomaly Detection pode identificar todos esses tipos de fraude usando dados históricos e construindo um modelo apropriado de detecção de anomalias. Por exemplo, se o conjunto de dados incluir o tipo de transação com valor, localização (latitude e longitude), nome do fornecedor e outros detalhes, o OCI Anomaly Detection pode identificar se a fraude está relacionada ao valor da transação, à sua conta, à localização onde ocorreu a transação ou o fornecedor que a registrou.
  • O OCI Forecasting pode ser usado para prever métricas de transações, como o número, valores e assim por diante, para o próximo dia, semana ou meses em função das métricas atuais e influenciando as condições do mercado. Essas previsões podem ser usadas para planejar e definir uma expectativa de linha de base a ser usada na proteção contra lavagem de dinheiro e outras fraudes.
  • OCI Language e OCI Vision podem ingerir documentos e textos que podem ajudar a enriquecer os dados para detectar fraudes e atividades de AML.
• Governança de dados é outro componente crítico. Isso é fornecido pelo OCI Data Catalog, um serviço gratuito que facilita governança de dados e gerenciamento de metadados (tanto para metadados técnicos quanto comerciais) para todas as fontes de dados no ecossistema do data lakehouse. O OCI Data Catalog também é um componente crítico para consultas do Oracle Autonomous Data Warehouse ao OCI Object Storage, pois fornece uma maneira de localizar dados rapidamente, independentemente de seu método de armazenamento. Isso permite que usuários finais, desenvolvedores e cientistas de dados usem uma linguagem de acesso comum (SQL) em todos os armazenamentos de dados persistentes na arquitetura.
• Por fim, nossos dados e modelos agora selecionados, testados, de alta qualidade e governados podem ser expostos como um produto de dados (API) em uma arquitetura de malha de dados para distribuição em toda a organização de serviços financeiros.

Melhore as atividades de prevenção contra fraudes e lavagem de dinheiro com a plataforma de dados certa

A Oracle Data Platform pode ajudar sua organização a detectar a lavagem de dinheiro com mais eficiência, aumentar a precisão e a eficiência das investigações de crimes financeiros e simplificar os processos de geração de relatórios para manter os custos de conformidade baixos.