Na época da Revolução Industrial, o petróleo era o centro das atenções, pois fornecia a energia necessária para impulsionar as máquinas. A Revolução Industrial passou e hoje vivemos a chamada Revolução Digital.
Ela trouxe, entre outras coisas, acesso a mercados globais e eficiência operacional. Nesse cenário, a informação está acessível a apenas alguns cliques e os dados tornaram-se um importante ativo para as organizações.
Analisando-os é possível tirar insights sobre estratégias, preparar-se para diferentes cenários, entender o consumidor, entre outras coisas. Os dados são tão valiosos que, infelizmente, são alvos de fraudadores e cibercriminosos que invadem sistemas para roubá-los.
Por essa razão, mais do que nunca os negócios digitais precisam se proteger para garantir a segurança dos seus próprios dados e dos de seus clientes. Uma maneira de conseguir isso é com uma tecnologia chamada Data Mining. Entenda a seguir.
O que é Data Mining?
Em português, data mining significa mineração de dados. É um processo de analisar uma quantidade massiva de dados a fim de obter insights e previsões de negócios. Para isso, são utilizados computadores e automação para pesquisar padrões e tendências em conjuntos de dados.
Para entender bem o que é data mining, pense no trabalho de um minerador. Sua função é a de procurar por metais preciosos, pedras e minérios em áreas específicas. No data mining há também essa busca, mas por meio de coleta de dados de diversas fontes.
Ambos os processos exigem a análise de enormes quantidades de matéria-prima para encontrar valor oculto. Contudo, não se engane: a mineração de dados não trata apenas da coleta, mas também (e principalmente) de uma minuciosa avaliação das probabilidades futuras para que possam ser criados planos de ações e/ou estratégias para lidar com elas.
Para tanto, existem softwares que exibem os dados e algoritmos que aprendem com esses dados (machine learning) e são capazes de fazerem previsões.
Como funciona a Mineração de Dados
O Processo Padrão Intersetorial para Mineração de Dados (CRISP-DM) – ou Cross Industry Standard Process for Data Mining, em inglês – define um método estruturado de seis etapas para explicar como funciona o data mining. São eles:
1 – Compreensão do negócio
O foco é entender o ponto de partida, isto é, compreender o tipo de projeto. Isso dará uma compreensão dos dados que precisam ser extraídos. Portanto, para começar, é necessário fazer perguntas do tipo:
- Qual é o objetivo com o projeto?
- Qual problema estamos tentando resolver?
- De quais dados precisamos para resolvê-lo?
2 – Compreensão dos dados
Os dados que serão coletados devem ser relevantes e responder às perguntas feitas na primeira etapa. Entendido isso, o passo número dois é compreendê-los.
Significa, em termos práticos, analisar a qualidade e a relevância dos dados que serão coletados. O foco é garantir que eles atingirão o objetivo definido anteriormente.
3 – Preparação de dados
É a fase mais demorada, pois é o momento de definir e separar os dados que serão utilizados. Ela consiste em três etapas, chamada de ETL, que significa:
- (E) Extração: os dados são extraídos de diversas fontes.
- (T) Transformação: os dados são limpos. Muitas vezes, aqui é necessário fazer correções e/ou, imputar, remover valores incorretos ou dados duplicados.
- (L) Load – carregamento: os dados formatados são finalmente carregados em uma base de dados.
4 – Modelagem
Na quarta etapa são aplicadas técnicas de modelagem para avaliar os dados. Algumas técnicas são: classificação, agrupamento e análise de regressão.
Mais uma vez, é importante sempre ter em mente os objetivos do projeto para que a escolha das técnicas faça sentido, pois é a partir delas que os resultados serão gerados.
5 – Avaliação
É o momento em que se avalia a qualidade e confiabilidade dos resultados obtidos. Nesta etapa a presença humana é necessária, pois serão os analistas, matemáticos, estatísticos, entre outros, que baterão o martelo para dizer se o resultado do modelo atende aos objetivos.
Caso a resposta seja negativa, existe a opção de criar um modelo diferente ou até mesmo de colher e preparar outros conjuntos de dados.
6 – Implantação
No data mining, nada do que foi falado até aqui faz sentido se não for possível tomar ações com os resultados da análise de dados. Esse é o motivo pelo qual a sexta fase tem a ver com aplicar o conhecimento adquirido.
Como exemplo, após o data mining podem ser definidas mudanças em processos ou criação de novos produtos.
Data Mining e Big Data: qual a relação?
Big data é um conceito que se refere à quantidade imensa de dados gerados todos os dias (segundo estatísticas, são gerados 328,77 milhões de terabytes de dados diariamente pelo mundo).
Para fins de ilustração, pense nos dados que um negócio virtual gera. Eles podem incluir: acessos ao site, produtos mais procurados, tempo de permanência na página, meios de pagamentos utilizados, quantidade de itens deixadas no carrinho, pedidos de reembolsos, perguntas realizadas no chat, entre tantos outros.
Ao utilizar Inteligência Artificial e Machine Learning, é possível coletar, filtrar e correlacionar essas informações para tomadas de decisão bem informadas. Assim, a empresa consegue definir os passos a serem tomados para, por exemplo, cortar custos, aumentar as vendas ou evitar fraudes.
Como a mineração de dados complexos ajuda no combate a crimes financeiros
A mineração de dados complexos identifica padrões incomuns ou anômalos nos dados financeiros. Ela requer utilizar variados tipos de algoritmos para examinar os dados coletados. É o caso de movimentações atípicas ou movimentos inconsistentes com o comportamento de compra.
Também tem a ver com a capacidade de gerar e analisar dados em tempo real visando monitorar transações e atividades financeiras instantaneamente. Isso permite identificar e responder com precisão e agilidade a padrões suspeitos.
Um exemplo é a avaliação de risco realizada por fintechs para a abertura de crédito. Outro é o Know Your Customer. Conhecido também pela sigla KYC, tem a ver com o processo de detectar, com base em uma análise de riscos, clientes potencialmente fraudulentos ou com potencial para cometerem crimes financeiros.
A prática é obrigatória para instituições financeiras, mas é importante também para outros tipos de negócios digitais. A razão é que uma política de KYC ajuda negócios online a se protegerem contra fraudadores.
Na Transfeera fazemos esse processo internamente, garantindo ainda mais segurança para o mercado e nossos clientes.
Modelagem Preditiva: padrões que ajudam a entender o futuro
Data mining e big data são dois conceitos que se relacionam, assim como a mineração de dados e o combate à fraude. Existe ainda um outro termo importante para entendermos o assunto: a modelagem preditiva.
É por meio dela que padrões e tendências são identificados com o objetivo de detectar riscos e oportunidades e mapear preferências. Dessa maneira, negócios virtuais têm em mãos informações que os ajudam a reduzir riscos a um nível aceitável e a criar cenários hipotéticos.
Para o combate à fraude, a prática permite identificar a probabilidade de ocorrer atividades suspeitas e, assim, possibilita à empresa tomar ações para se antecipar a elas e procurar evitar ao máximo que aconteçam (ou reduzir os prejuízos).
Entenda mais sobre o tema em:
Saiba como evitar fraudes na sua empresa
Evitar fraudes não é somente olhar para fora e pensar em ações ou tecnologias para proteger a empresa. Vai além disso, pois deve começar dentro da organização, com uma política de TI e de segurança da informação.
Ela estabelece um conjunto de regras e práticas para garantir o uso efetivo, eficiente e seguro da tecnologia da informação. A política abrange diversos aspectos, como:
- Níveis de permissão de acesso;
- Uso correto softwares e computadores e as consequências em caso de utilização indevida;
- O que está proibido, como utilizar redes sociais, fazer downloads de arquivos etc.;
- Métodos de backup;
- Diretrizes de recuperação de dados caso haja algum incidente;
- Regras para acesso a informações confidenciais;
- Como deve ser a aquisição, uso e descarte de ativos de TI;
- Especificação do uso de criptografia para proteger dados confidenciais;
- Entre outros
Além da política, existem procedimentos como o Know Your Customer, abordado mais acima, que ajuda a identificar clientes fraudulentos ou com potencial para cometer fraudes.
Conclusão
Data mining é uma tecnologia que ajuda a tornar a operação ainda mais segura por meio da identificação de padrões e comportamentos dos clientes e previsões. Como segurança é essencial na etapa de pagamentos, além de data mining sua empresa precisa de ferramentas para garantir a idoneidade das transações.
