Um cliente acessa o aplicativo do banco no dispositivo que sempre usa, em um local que costuma frequentar, e autoriza um pagamento.
Tudo nessa atividade parece legítimo. É o próprio cliente quem está iniciando a transação. O dispositivo é conhecido e o local é familiar.
Porém, na verdade, o cliente foi induzido a enviar dinheiro a um golpista.
É isso que torna os golpes envolvendo pagamentos tão difíceis de detectar. O banco pode confirmar que o pagamento está sendo realizado pelo titular legítimo da conta, mas isso não garante que o destinatário seja confiável.
Para identificar esses golpes, não basta analisar quem está pagando. É preciso entender também quem está recebendo o dinheiro e se existe relação no mundo físico entre as partes.
Mesmo que um banco tenha uma tecnologia excelente para reconhecer os dispositivos de seus clientes, isso não significa que conheça o dispositivo ou o histórico de localização de quem recebe o pagamento, especialmente quando o recebedor tem conta em outra instituição.
É aqui que o efeito de rede faz a diferença. Ao reunir inteligência de uma rede de instituições financeiras, a Incognia consegue identificar sinais de relações no mundo físico e padrões suspeitos que dificilmente seriam detectados por um banco analisando apenas seus próprios dados.
O Real-Time Scam Prevention da Incognia ajuda os bancos a identificar possíveis golpes ao analisar quem recebe um pagamento, sua relação com o pagador e suas conexões com outras contas.
Em uma análise de transações de um banco com mais de 80 milhões de usuários ativos, a Incognia identificou aproximadamente 70% das transações associadas a golpes.
No centro da solução está o Physical Social Graph. Essa tecnologia usa padrões históricos de localização e device intelligence persistente para identificar sinais que podem indicar relações entre pessoas no mundo físico.
Isso oferece aos bancos informações adicionais sobre o pagador e o recebedor que não estariam disponíveis em uma análise isolada do pagamento.
A Incognia combina essas informações com outros sinais de risco, incluindo mule account detection, active-call detection, remote-access detection e device tamper detection.
Os bancos recebem uma avaliação de risco em tempo real e sinais individuais que podem combinar com seus próprios dados para decidir se um pagamento precisa de atenção adicional.
Duas pessoas não precisam morar perto uma da outra para ter uma relação no mundo físico.
Por exemplo, alguém que mora a centenas de quilômetros de distância, mas visita regularmente o mesmo apartamento, pode ter um vínculo relevante com quem mora ali. Já quem mora no apartamento ao lado pode não ter nenhuma relação com essa pessoa.
A Incognia constatou que cerca de 79,2% das transações legítimas ocorrem entre usuários com uma relação no mundo físico, enquanto 86,2% dos golpes reportados envolvem transações entre usuários sem esse tipo de relação.
É por isso que analisar o histórico de localização ao longo do tempo é mais útil do que simplesmente medir a distância entre duas pessoas. Imagine alguém ser impedido de enviar ou receber dinheiro só porque está viajando.
A tecnologia patenteada Trusted Locations da Incognia identifica locais que os dispositivos frequentam, usando padrões históricos de localização e sinais de múltiplos sensores.
Com precisão em nível de apartamento, a Incognia consegue distinguir atividades em apartamentos diferentes dentro do mesmo prédio e identificar padrões que sinais de localização menos precisos podem deixar passar.
A camada de device intelligence da Incognia fornece identificadores de dispositivos persistentes, que preservam o histórico mesmo quando os dispositivos são restaurados ou trocados, enquanto o tamper detection ajuda a identificar tentativas de adulteração de localização e outros sinais de integridade do dispositivo.
Juntas, essas capacidades ajudam o Physical Social Graph a identificar evidências de relações no mundo físico. Combinadas com os outros sinais de risco mencionados anteriormente, oferecem aos bancos mais informações para avaliar possíveis golpes.
Um pagamento a um golpista pode ser apenas uma parte de uma operação muito maior.
Depois de receber o dinheiro, o recebedor pode transferi-lo para outra conta, que então movimenta os recursos para outro destino. Essas transferências podem continuar por diversas contas e instituições financeiras, dificultando que um único banco enxergue a operação completa.
O Physical Social Graph da Incognia ajuda os bancos a olhar além do pagador e do recebedor iniciais, conectando a atividade de pagamentos a evidências de relações no mundo físico.
Por exemplo, várias contas que recebem dinheiro de clientes diferentes podem parecer não ter relação entre si. Mas, se os dispositivos associados a essas contas frequentam o mesmo apartamento, essa conexão pode indicar uma operação coordenada de golpes ou de contas laranja.
Esse é um dos principais diferenciais do Physical Social Graph: seu efeito de rede. Ao reunir inteligência de diferentes instituições financeiras, a Incognia consegue identificar conexões entre dispositivos, locais e contas que poderiam passar despercebidas quando cada banco analisa apenas seus próprios clientes.
Quanto maior a cobertura da rede, maior o potencial de identificar essas conexões e revelar padrões associados a golpes e contas laranja, inclusive entre diferentes instituições financeiras.
E tudo isso sem que uma instituição precise ter acesso aos dados de localização de outra para se beneficiar dessa inteligência.
Mesmo quando um pagamento parte de um cliente legítimo usando um dispositivo confiável, o recebedor e suas conexões podem revelar indícios de golpe.
Com o Real-Time Scam Prevention da Incognia, os bancos passam a contar com inteligência adicional para identificar pagamentos suspeitos e agir antes que os recursos sejam transferidos.