As implicações da fraude nas quebras de vendas no retalho

Mas antes de avançarmos, consideremos aquilo que alguns números nos dizem: 10,3% dos 16% da perca de receita anual dos retalhistas são devidos a atividades fraudulentas, de cada mil milhões de receita anual cerca de 17 milhões são devido a atividades fraudulentas e 70% dos retalhistas reportam entre 1% e 1,7% de percas em vendas devido a estas atividades.

Tentemos perceber então quais os novos tipos de fraude que os retalhistas enfrentam aos dias de hoje?

A chamada fraude nas devoluções é cada vez mais sofisticada e é facilitada pelas instruções disponíveis na internet. Combinando tudo isto com a sofisticação das ferramentas usadas pelos grupos organizados de fraude, o que representa uma grande ameaça para o setor do retalho.

Os falsos reembolsos também estão a aumentar, em específico em modelo “fraude as a Service” onde um fraudador gere o processo de devolução, enquanto o cliente fica com a mercadoria e o reembolso, em troca de uma percentagem desse valor. Temos aliás vindo a detetar diferentes esquemas de conluios entre colaboradores e clientes ou até mesmo grupos criminosos.

O comércio eletrónico também teve um aumento na fraude sintética: a duplicação dos dados de um consumidor real no momento da recolha de informação.

Finalmente, o retalho omnicanal tem também trazido novas ameaças, como os programas “compre agora, pague depois”, que têm vindo a ser utilizados cada vez mais significativamente de forma fraudulenta.

O que fazer então perante tal dilema que, pelo que se pode constatar, tem vindo a agravar-se cada vez mais? Diria que a solução passa pela necessidade de mitigar e antecipar as fraudes.

A identificação de transações genuínas e a minimização de falsos positivos é uma parte vital de um negócio de sucesso. Ao usar estratégias eficazes de “Machine Learning”, as empresas podem gerir fraude e risco sem, no entanto, alienar os seus melhores clientes.

Os modelos de Inteligência Artificial e Machine Learning podem analisar casos anteriores, prever o uso potencial indevido e isolar padrões de comportamento suspeitos, onde as abordagens tradicionais baseadas em regras não são eficientes para os desafios digitais de hoje.

A combinação de modelos de ML e regras de negócios provou ser muito mais eficaz do que usar apenas regras de negócios. Quando usamos combinações de métodos de Machine Learning, os modelos tornam-se altamente precisos. Esta abordagem é chamada de deteção híbrida.

Na verdade, um dos perigos que constatamos no mercado atual é o equívoco de muitas empresas, pensando que a IA e o ML trazem uma “bala de prata” para todas as ameaças de fraude, apenas carregando os dados e pressionando o botão. O poder da IA/ML para deteção e prevenção de fraudes está na sua utilização contínua. Quanto mais se usa o sistema e se treina em resultado das investigações, melhor ele se tornará.

No fundo, a fraude é sem dúvida alguma um dos maiores problemas que atualmente o retalho enfrenta, e uma das soluções viáveis e eficazes pode passar pela implementação de um sistema híbrido de deteção de fraudes, ao longo do ciclo de vida da análise, pois apesar de ser um desafio traz enormes recompensas, não só em esforço, mas também em valor.

Conteúdo co-produzido pela MediaNext e pelo SAS