Sobre nós

Revolut já é conhecida globalmente. O gigante dos bancos digitais e pioneiro em fintech opera em 39 países e oferece mais de 30 moedas, permitindo que mais de 45 milhões de clientes em todo o mundo paguem, recebam pagamentos, invistam, troquem moedas e gerenciem seu dinheiro, tudo em um único aplicativo.

O onboarding simplificado da Revolut, o acesso imediato a serviços financeiros e a facilidade para gerenciar dinheiro e fazer negociações são o que a tornam popular entre os clientes. A fraude é um desafio de toda a indústria, e a Revolut investiu significativamente em seus sistemas, processos e equipe para proteger os clientes conforme expande suas operações.

Desafio

Como um dos principais players do setor financeiro, a Revolut enfrenta ameaças constantes de fraude — um desafio que afeta toda a indústria. A empresa está empenhada em proteger seus clientes enquanto expande suas operações globais. Para crescer de forma eficaz, precisava de uma solução que aprimorasse seus modelos de risco e melhorasse a prevenção de fraude sem comprometer a experiência do cliente.

Dmitri Likhatsov, Product Owner de Conformidade Regulatória na Revolut, explica como a empresa combate essa ameaça:

“Temos uma equipe incrível de combate a crimes financeiros que atualiza e aprimora continuamente nossa estratégia para manter a Revolut e nossos clientes seguros. Nossos cientistas de dados estão aprimorando nosso modelo de risco global, com configurações distintas para usuários dos Estados Unidos, Reino Unido e resto do mundo. Tudo isso faz parte de nossa abordagem única no combate aos crimes financeiros e à fraude na Revolut.”

Dmitri Lihhatsov, proprietário de produto de crimes financeiros na Revolut, e sua equipe precisavam de mais dados para aprimorar seus modelos de machine learning e sustentar sua abordagem proativa de prevenção de fraude.

Soluções

E qual é a chave para modelos de risco melhores? Acesso a dados de melhor qualidade. Foi exatamente por isso que Dmitri e sua equipe recorreram ao SEON — para explorar como dados enriquecidos poderiam integrar sua estratégia de avaliação de risco.

“Usamos dados brutos do SEON junto com nossos recursos desenvolvidos sob medida para treinar nossos modelos de machine learning. Por exemplo, além de sinais sociais e de dispositivos, começamos a analisar dados CNAME para aproveitar ao máximo o SEON.”

Resultados

O impacto dos dados enriquecidos do SEON foi claro. Mesmo com os modelos de prevenção de fraude já aperfeiçoados da Revolut, a incorporação dos dados da SEON levou a uma melhoria de 2% na precisão. Incrementos assim são cruciais — reduzem significativamente os casos de fraude que, de outra forma, passariam despercebidos.

“A SEON melhorou nossa precisão em 2%. Pode parecer pouco, mas estamos falando de 2% dos casos de fraude que perderíamos de outra forma. E muitas vezes são esses últimos pontos percentuais que são mais difíceis de conquistar conforme aperfeiçoamos nossos modelos. Sem contar que conseguimos integrar as soluções em menos de 3 semanas.”

Mais importante ainda, a SEON permite que a Revolut alcance taxas incrivelmente altas de precisão na prevenção, enquanto reduz custos operacionais.