A lavagem de dinheiro representa desafios significativos para a estabilidade econômica
global, exigindo que instituições financeiras adotem métodos mais eficazes de detecção
desses atos ilícitos. Este estudo propõe uma abordagem com uso modelo de Machine
Learning (ML) Random Forest que combina fatores heurísticos (regras de bolso dos
especialistas) e fatores racionais (regras duras das instituições financeiras) para aprimorar
a identificação de transações suspeitas e reduzir o índice de falsos positivos. Utilizando um
método misto sequencial, a fase qualitativa identificou fatores heurísticos por meio de
entrevistas com especialistas em PLD, enquanto a fase quantitativa integrou esses fatores
a modelos de ML, combinando-os com regras duras previamente testadas. Os resultados
de aplicação de modelos demonstraram que a abordagem híbrida foi eficaz em detectar os
casos de falsos positivos, o que reduziu em 24% a quantidade de falso positivo e melhorou
o processo operacional de detecção de risco. Dessa forma, o estudo contribui tanto para a
teoria, ao integrar abordagens qualitativas e quantitativas na detecção de crimes
financeiros, quanto para a prática, ao oferecer um modelo mais eficiente para instituições
financeiras, permitindo maior precisão na geração de alertas e otimização dos processos
de monitoramento.
