Uma empresa global líder em beleza e cuidados pessoais, que opera por meio de uma ampla rede de consultores de beleza independentes, vinha enfrentando um aumento na exposição financeira. Esses consultores utilizam linhas de crédito pré-aprovadas para comprar estoque e realizar vendas, e a fraude passou a atingir diretamente os fluxos de aprovação de novos cadastros, especialmente em casos de First Payment Default (FPD). Como resultado, aprovações fraudulentas passaram a gerar perdas financeiras diretas e a aumentar a sobrecarga operacional das equipes de fraude.
A detecção de fraudes dependia fortemente de revisões manuais e de heurísticas simples baseadas em regras. Isso dificultava a identificação de padrões complexos, como inconsistências de identidade e anomalias comportamentais distribuídas em múltiplas contas. O processo também gerava pressão operacional: analistas precisavam revisar casos em massa, o que desacelerava a tomada de decisão. Enquanto alguns casos fraudulentos passavam despercebidos, consultores legítimos, elegíveis a crédito, enfrentavam barreiras desnecessárias durante o onboarding.
A solução: detecção de fraude com IA na Databricks
Em parceria com a organização, a Indicium AI implementou um motor escalável de detecção de fraudes com IA com a Databricks. A solução aplica modelos de machine learning para calcular um score de risco de fraude para cada consultor de beleza durante o processo de aprovação de crédito.
A operação acontece de ponta a ponta na Databricks, utilizando a arquitetura Lakehouse para processamento de dados, o MLflow para gestão do ciclo de vida dos modelos e o Databricks Workflows para orquestrar pipelines automatizados. Os fluxos de aprovação são sustentados por pipelines de dados que integram múltiplas fontes críticas:
- Dados do consultor: informações relacionadas ao cadastro inicial e aos protocolos de KYC (Know Your Customer).
- Histórico transacional: detalhes sobre a intenção de compra e o conteúdo dos carrinhos iniciais de “starter”.
- Métricas comportamentais: sinais como timestamp de registro, metadados do dispositivo e localização geográfica.
- Dados de risco de terceiros: scores externos de risco de crédito fornecidos por bureaus locais.
O sistema identifica automaticamente casos de alto risco, permitindo que as equipes de fraude foquem apenas em investigações críticas. Esses scores de fraude são integrados diretamente aos fluxos de aprovação de crédito pré-aprovado para novos consultores.
Impacto nos negócios
A nova solução gerou impacto operacional e financeiro imediato ao substituir revisões manuais por modelagem probabilística. Entre os principais resultados:
- Redução de 50% no volume de investigações manuais, permitindo que os analistas priorizem casos de maior risco em vez de revisões em massa.
- Redução da exposição financeira, com uma economia estimada de $300 mil anuais em prevenção a fraudes já na fase inicial de implementação.
- Melhoria na precisão da detecção de fraudes, com identificação de padrões complexos que sistemas baseados em regras não captavam.
- Aprovações de crédito mais rápidas, melhorando a experiência de consultores legítimos e acelerando sua capacidade de iniciar vendas.
Uma base para inteligência de risco com IA em escala
Com a solução operando na Databricks, a empresa passou a contar com uma base escalável para prevenção de fraudes em todos os fluxos de crédito de consultores. Isso estabelece um framework para ampliar o uso de IA em inteligência de risco, incluindo avaliação avançada de crédito e monitoramento de transações.
Ao incorporar machine learning nas decisões de aprovação de seus consultores, a organização fortaleceu suas defesas, reduziu riscos operacionais e construiu um sistema preparado para escalar junto ao seu crescimento global.
