Por que grafos estão revolucionando a detecção de fraudes

Dados isolados já não bastam para detectar fraudes sofisticadas. Com identidades forjadas, dispositivos descartáveis e contas digitais fáceis de criar, os fraudadores dominam o jogo da fragmentação. A saída? Entender as conexões. Neste artigo, mostramos como o uso de grafos — estruturas que modelam relacionamentos entre entidades — está transformando a forma como lidamos com prevenção à fraude e reduzindo drasticamente a taxa de falsos positivos em ambientes complexos.

A evolução da fraude (e a crise dos dados isolados)

Durante anos, a base dos sistemas antifraude foi uma só: modelar comportamentos a partir de dados tabulares. Cada transação, proposta ou sinistro era analisado individualmente, com atributos que tentavam resumir aquele evento.
Mas o que funcionava há 10 anos já não funciona mais.

Hoje, é fácil comprar chips digitais com eSIM, abrir múltiplas contas em bancos digitais, camuflar a geolocalização com VPNs, criar perfis falsos em marketplaces. Tudo isso com ferramentas acessíveis e anônimas.

Isso criou um cenário onde os dados — como telefone, IP ou mesmo conta bancária — deixaram de ser confiáveis como elementos únicos.
E o resultado é previsível: modelos que antes funcionavam bem passaram a ter performance cada vez menor. A taxa de falsos negativos subiu. E, tentando compensar, aumentaram também os falsos positivos — bloqueando clientes legítimos.

O problema não está só nos dados. Está em como olhamos para eles.

A virada de chave: do dado para o relacionamento

Fraudes sofisticadas são raramente eventos isolados. Elas se organizam em redes.

Se uma pessoa usa o mesmo dispositivo que outros fraudadores usaram, existe um risco.
Se um endereço está vinculado a dezenas de sinistros suspeitos, existe um risco.
Se uma placa aparece em propostas vindas de CPFs diferentes, mas todos usando o mesmo telefone, existe um risco.

Esses riscos não aparecem olhando para os dados de forma tabular. Eles aparecem quando analisamos as conexões entre os elementos.
É aí que entram os grafos.

O que são grafos?

Grafos são estruturas matemáticas que representam entidades e suas conexões.

• Cada entidade (pessoa, e-mail, telefone, conta bancária, veículo, endereço) é representada como um nó.

• Cada relação entre essas entidades (uso, compartilhamento, coocorrência) é representada como uma aresta.

Essa estrutura permite mapear a rede de relações em torno de um evento.
E isso muda tudo na hora de detectar comportamentos suspeitos.

O poder da detecção contextual

Com grafos, não analisamos apenas “esta transação é suspeita?”, mas sim:

• “Ela está conectada a outras que deram problema?”

• “Existe um padrão relacional que se repete em fraudes passadas?”

• “Quantos graus de separação existem entre este cliente e uma fraude confirmada?”

Essa abordagem permite capturar contexto relacional — algo que os modelos tradicionais simplesmente não conseguem fazer.

Mais do que isso: modelos de grafos são mais robustos diante de dois dos maiores desafios da detecção de fraudes:

1. Dados desbalanceados – fraudes são, por natureza, minoria. Em datasets realistas, a proporção pode chegar a 1 para 19 ou mais. Isso afeta diretamente o desempenho de classificadores comuns.

2. Mudança de comportamento ao longo do tempo (concept drift) – fraudadores adaptam suas táticas. Modelos tradicionais, treinados em um momento específico, perdem eficácia rapidamente.

E os resultados? Modelos de grafo vs. modelos tradicionais

Um estudo publicado por Ronaldo Pereira comparou diretamente dois modelos aplicados à prevenção à lavagem de dinheiro:

• XGBoost, um dos modelos de machine learning mais usados hoje;

• EvolveGCN, uma rede neural baseada em grafos.

Os testes consideraram diferentes cenários:

• Dataset balanceado;

• Dataset desbalanceado (19:1);

• Dataset desbalanceado com evolução temporal (5 a 8 meses e 9 a 12 meses depois do treinamento).

O que se observou:

CenárioXGBoostEvolveGCNDataset balanceadoAlta performancePerformance moderadaDesbalanceado com concept driftDesempenho despencaMantém performance estável

Ou seja, embora o XGBoost brilhe em ambientes controlados, ele falha quando os dados se tornam mais realistas — exatamente como no mundo real.
Já o modelo baseado em grafos se mostrou mais resiliente, conseguindo manter uma boa capacidade de detecção mesmo com menos dados rotulados e em ambientes em constante mudança.

Menos falsos positivos, menos prejuízo

O impacto vai além da acurácia. Ele atinge diretamente o negócio.

Modelos que geram muitos falsos positivos bloqueiam clientes bons, reduzem a conversão e criam atrito na operação.
Por outro lado, modelos que deixam passar fraudes trazem prejuízo direto.

O grande diferencial dos grafos é o equilíbrio entre esses dois lados: conseguem reduzir perdas com fraude sem sufocar a operação legítima.

E o futuro?

A tecnologia de grafos está apenas começando a se popularizar fora do meio acadêmico.
Mas sua capacidade de representar contextos complexos e aprender padrões relacionais abre espaço para aplicações em toda a cadeia antifraude — da prevenção ao sinistro até a análise de onboarding e crédito.

Com o avanço das integrações com LLMs, o uso de GNNs (Graph Neural Networks) e arquiteturas modernas como transformers adaptadas a grafos, a tendência é que esse tipo de abordagem se torne padrão nos próximos anos.

Logo, podemos concluir que

Modelos baseados em grafos oferecem uma nova forma de enxergar fraudes: não como eventos isolados, mas como parte de uma rede.
Isso permite detectar padrões mais complexos, com menos rotulagem e mais robustez a mudanças de comportamento.

Para times de prevenção à fraude, isso significa menos prejuízo, menos ruído operacional e mais segurança com inteligência.

Na Brick, ajudamos empresas a integrar esse tipo de tecnologia às suas decisões.
Se você quer explorar esse potencial, fale com a gente. Vamos ajudar seu time a sair do dado e enxergar o relacionamento.