todas as publicações
Guias4 min de leitura

Como a bunq protege a tua conta contra fraude

bunq
todas as publicações
Guias4 min de leitura

Como a bunq protege a tua conta contra fraude

bunq
todas as publicações
Guias4 min de leitura

Como a bunq protege a tua conta contra fraude

bunq

Índice

Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.

Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.

Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.

O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.

Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:

a) Um caso de branqueamento de capitais?

b) Amigos a pagar-te a pizza que lhes ofereceste?

c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?

Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.

Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!

Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!

Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!

Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?

Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.

Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.

Eis porque é que a nossa abordagem híbrida te mantém mais seguro:

1. Não discriminamos com base na nacionalidade ou aparência

Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.

2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões

O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.

3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti

E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.

Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!

Espalha amor, não fraude!

Partilha este post

Índice

Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.

Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.

Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.

O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.

Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:

a) Um caso de branqueamento de capitais?

b) Amigos a pagar-te a pizza que lhes ofereceste?

c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?

Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.

Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!

Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!

Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!

Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?

Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.

Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.

Eis porque é que a nossa abordagem híbrida te mantém mais seguro:

1. Não discriminamos com base na nacionalidade ou aparência

Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.

2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões

O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.

3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti

E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.

Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!

Espalha amor, não fraude!

Partilha este post

Índice

Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.

Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.

Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.

O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.

Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:

a) Um caso de branqueamento de capitais?

b) Amigos a pagar-te a pizza que lhes ofereceste?

c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?

Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.

Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!

Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!

Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!

Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?

Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.

Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.

Eis porque é que a nossa abordagem híbrida te mantém mais seguro:

1. Não discriminamos com base na nacionalidade ou aparência

Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.

2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões

O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.

3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti

E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.

Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!

Espalha amor, não fraude!

Partilha este post

Pronto para uma banca mais simples?

Descobre como a bunq usa machine learning, Finn, Safety Shield, login biométrico e IBAN Name Check para proteger o teu dinheiro 24 horas por dia.

Pronto para uma banca mais simples?

Descobre como a bunq usa machine learning, Finn, Safety Shield, login biométrico e IBAN Name Check para proteger o teu dinheiro 24 horas por dia.

Pronto para uma banca mais simples?

Descobre como a bunq usa machine learning, Finn, Safety Shield, login biométrico e IBAN Name Check para proteger o teu dinheiro 24 horas por dia.