Regras de Contigência

Projeto desenvolvido para o sistema de análise de crédito e prevenção a fraudes do canal de venda no carnê (crediário) com foco em garantir a continuidade operacional e a mitigação de riscos em cenários de indisponibilidade do motor de decisão principal.

Objetivo do Projeto

Implementar um conjunto de regras de contingência capazes de:

• Substituir temporariamente o motor de fraude automatizado em caso de falha ou lentidão no sistema principal;

• Manter o processo de aprovação de crédito ativo sem comprometer o nível de segurança;

• Reduzir perdas por fraude durante o período de contingência;

• Garantir respostas rápidas (<2s) e consistentes em ambientes de alto volume de requisições.

Abordagem Técnica

A arquitetura de contingência foi construída para operar de forma autônoma e modular, baseada em regras de negócio e scorecards derivados de análises históricas de fraude.

1. Coleta e preparação de dados

• Histórico de pedidos e aprovações de crédito no carnê

• Indicadores de comportamento de clientes (recorrência, tempo de casa, renda declarada, valor do pedido)

• Ocorrências confirmadas de fraude e chargebacks

• Perfis de risco por região, faixa salarial e tipo de produto

2. Definição das regras de contingência

• Regras determinísticas, baseadas em thresholds de risco:

  • 🔸 Valor do pedido > limite médio da faixa de renda → bloqueio automático

  • 🔸 Cliente com 2+ ocorrências de fraude nos últimos 90 dias → rejeição imediata

  • 🔸 CEP e região com alta densidade de fraudes → análise manual

  • 🔸 Compras realizadas entre 23h e 5h → score reduzido

  • 🔸 Diferença entre idade e tempo de crédito ativo < 6 meses → alerta de inconsistência

  • 🔸 Telefone ou e-mail duplicado em múltiplos CPFs → marcação suspeita

3. Motor de decisão contingente

• Implementação em Python com estrutura de regras parametrizável (JSON/YAML).

• Integração com API de pedidos via REST, mantendo o mesmo payload do motor principal.

• Retorno padronizado: APROVADO, REPROVADO, ANÁLISE_MANUAL.

• Logs centralizados (timestamp, decisão, regras disparadas) para auditoria posterior.

4. Validação e calibração

• Simulação de cenários históricos (replays) com dados reais de pedidos.

• Avaliação das regras frente a métricas de fraude:

  • Taxa de detecção (Recall)

  • Taxa de falso positivo (FPR)

  • Perda evitada (Loss Avoidance)

• Ajuste de thresholds para equilibrar segurança x aprovação de vendas.

5. Governança e automação

• Versionamento das regras em Git.

• Deploy contínuo via CI/CD pipelines com rollback automático.

• Dashboards de monitoramento (Power BI) com:

  • Volume de pedidos processados por regra

  • Taxa de fraude residual

  • Tempo médio de resposta

  • Comparativo motor principal × contingente