Uma ligação que consumia 28 m³ por mês passa repentinamente a registrar 6 m³. Um imóvel cortado volta a apresentar movimentação de consumo. Um hidrômetro acumula sucessivas ocorrências de violação. Um estabelecimento comercial registra volumes persistentemente muito inferiores aos de unidades semelhantes. Em determinado setor, a macromedição mostra muito mais água entrando do que a soma dos volumes registrados nos clientes.
Separadamente, nenhum desses sinais comprova fraude. Combinados, eles podem dizer à companhia onde vale a pena investigar primeiro.
É justamente essa mudança que está transformando o combate às perdas aparentes: sair de campanhas de inspeção massivas para uma detecção de fraude de água orientada por dados, na qual cada matrícula recebe uma probabilidade ou nível de risco e as equipes de campo são direcionadas aos casos de maior potencial.
Já existem sinais concretos dessa estratégia no Brasil. A Iguá informou em 2025 que utiliza gestão preditiva e um algoritmo proprietário capaz de identificar fraudes por padrões de consumo. Segundo a companhia, os ganhos financeiros associados ao combate a fraudes e perdas passaram de R$ 2,6 milhões para R$ 7,5 milhões por mês no período reportado.
A Aegea, por sua vez, colocou entre os desafios do AegeaHub justamente o desenvolvimento de modelos que utilizem dados de consumo e pagamentos para detectar potenciais fraudes.
O ponto estratégico para gestores comerciais é simples: a companhia provavelmente já possui grande parte dos dados necessários. O desafio é conectá-los.
Fraude de água é também perda aparente
A discussão ganhou ainda mais relevância regulatória. A Norma de Referência ANA nº 15/2025 define as perdas aparentes como volumes consumidos e não registrados por causas que incluem fraudes, furtos de água, ligações clandestinas, outros consumos não autorizados, submedição, erros de leitura e falhas cadastrais.
A mesma norma determina diagnóstico padronizado, acompanhamento separado das perdas reais e aparentes e elaboração de planos de redução e controle de perdas. Também admite explicitamente tecnologias como telemetria, sensores de pressão, vazão ou ruído, modelos preditivos, georreferenciamento e medição inteligente.
Portanto, detecção de fraude de água não deve ser tratada apenas como fiscalização comercial. Ela passa a integrar uma estratégia mais ampla de balanço hídrico, eficiência operacional, recuperação de receita e gestão regulatória.
Mas como transformar uma base comercial em uma ferramenta de caça-fraude?
Como funciona a detecção de fraude de água com dados
O primeiro erro seria imaginar que uma inteligência artificial receberá milhões de contas de água e simplesmente apontará: “este cliente está fraudando”.
Na prática, o processo é muito mais interessante.
O sistema procura combinações de sinais anormais.
Consumo, histórico de leitura, pagamentos, hidrômetro, ordens de serviço, cortes, religações, irregularidades anteriores, características cadastrais e localização podem ser transformados em variáveis analíticas.
Entre os sinais que podem ser avaliados estão:
- queda abrupta do consumo em relação ao histórico da própria matrícula;
- consumo muito baixo durante vários meses sem explicação operacional;
- repetição excessiva do mesmo volume faturado;
- mudança brusca depois de corte, religação, troca de hidrômetro ou fiscalização;
- hidrômetro parado, invertido, retirado, violado ou com histórico de manipulação;
- reincidência de irregularidades;
- aumento da leitura apesar de determinada situação cadastral incompatível;
- consumo incompatível com a categoria ou atividade cadastrada;
- comportamento muito diferente de unidades comparáveis;
- diferença elevada entre macromedição do setor e soma da micromedição;
- concentração geográfica de irregularidades;
- alarmes de fluxo reverso ou manipulação em medidores inteligentes;
- padrões atípicos de consumo por horário, quando existe telemetria;
- informações produzidas pelas equipes durante fiscalizações anteriores.
Um detalhe importante é que muitas dessas informações já são coletadas no processo tradicional de leitura.
A Embasa, por exemplo, publica entre seus códigos de anormalidade situações como hidrômetro violado, retirado, danificado, invertido, parado, ligação fechada, virada de hidrômetro e até “By pass – gato”. Ou seja: o trabalho de campo já produz dados que podem alimentar modelos analíticos posteriormente.
A inteligência começa quando esses eventos deixam de ser registros isolados e passam a formar o histórico comportamental da matrícula.
O consumo baixo não é o principal sinal. A mudança de comportamento é
Esse é um conceito fundamental.
Um cliente consumir 5 m³ não significa necessariamente alguma irregularidade. Talvez sempre tenha consumido esse volume.
Por outro lado, uma unidade que durante três anos permaneceu entre 25 e 32 m³ e subitamente passou para 5 ou 6 m³ merece análise.
Isso explica por que a comparação mais poderosa muitas vezes não é:
cliente A versus cliente B.
É:
cliente A hoje versus o próprio cliente A no passado.
Sazonalidade também precisa ser considerada. Escolas, hotéis, restaurantes, casas de veraneio, indústrias e residências possuem curvas completamente diferentes.
Um modelo mal construído produzirá centenas de falsos positivos simplesmente porque não entendeu essas diferenças.
O Brasil já mostrou que o modelo funciona
Um dos estudos mais interessantes sobre detecção de fraude de água foi realizado com informações fornecidas pela Companhia Águas de Joinville.
Pesquisadores aplicaram Random Forest, técnica de aprendizado de máquina baseada em múltiplas árvores de decisão, a informações técnicas e históricos de consumo de aproximadamente 1.400 unidades de um Distrito de Medição e Controle.
O modelo alcançou taxa de classificação de fraude de 88,1% na etapa de treinamento e 88,2% no conjunto de teste.
Outro trabalho, envolvendo 42.131 residências unifamiliares de Joinville, utilizou regressão logística para estudar três situações: religação não autorizada, bypass e ligação direta. Dependendo da configuração e do tipo de fraude, os modelos apresentaram resultados de classificação entre 83% e 100%.
Mais importante do que o percentual foi descobrir quais informações ajudavam a explicar as irregularidades. Ocorrências anteriores menos graves, manipulação do hidrômetro e instalação fora do padrão apareceram relacionadas às ligações ilegais.
Isso revela algo importante para gestores: o histórico operacional pode valer tanto quanto o histórico de consumo.
A inteligência não está apenas na fatura.
Do modelo para a rua: a inspeção continua indispensável
Nenhum algoritmo deveria transformar uma anomalia diretamente em acusação de fraude.
Consumo pode diminuir porque o imóvel ficou vazio. Um comércio pode ter encerrado atividades. Uma indústria pode ter alterado seu processo. Uma família pode ter instalado equipamentos economizadores. Pode existir fonte alternativa regular. O hidrômetro pode estar submedindo. Pode haver erro cadastral.
Por isso, a melhor arquitetura é:
dados → suspeita → priorização → fiscalização → confirmação → retroalimentação do modelo.
Esse último passo é decisivo.
Toda inspeção deveria retornar ao sistema indicando, de forma estruturada, o resultado: fraude confirmada, hidrômetro defeituoso, vazamento, imóvel desocupado, cadastro incorreto, fonte alternativa, situação normal ou outra causa.
A partir daí, a máquina aprende com o campo.
Quanto melhor for a informação produzida pelos fiscais, melhor tende a ficar a próxima seleção.
É justamente aí que a experiência dos profissionais se torna insubstituível. Inteligência artificial sem conhecimento operacional pode encontrar correlações; quem entende o que elas significam é a equipe de saneamento.
O indicador mais importante não é a precisão do algoritmo
Uma companhia pode comemorar que seu modelo possui “95% de acurácia” e mesmo assim ter um sistema pouco útil.
Fraudes são eventos relativamente raros diante de milhões de contas normais. Em bases muito desequilibradas, um algoritmo pode atingir elevada acurácia simplesmente acertando os casos normais.
Para a gestão comercial, indicadores mais úteis incluem:
percentual de inspeções com irregularidade confirmada, metros cúbicos recuperados por inspeção, receita incremental, custo por fraude encontrada, tempo médio entre sinal e fiscalização e retorno financeiro da campanha.
Esse é o ponto em que ciência de dados encontra gestão.
Não interessa apenas descobrir quem provavelmente possui irregularidade. Interessa descobrir onde uma equipe de fiscalização limitada produzirá maior resultado operacional e financeiro.
O score ideal combina probabilidade e valor
Imagine duas matrículas.
A primeira possui probabilidade estimada de fraude de 85%, mas consumo potencial muito pequeno.
A segunda apresenta risco de 65%, porém pertence a um grande consumidor e pode representar dezenas ou centenas de metros cúbicos não medidos mensalmente.
Qual deveria ser vistoriada primeiro?
Não necessariamente a de maior probabilidade.
Uma estratégia mais avançada combina:
probabilidade de irregularidade × volume potencial recuperável × impacto financeiro × custo da fiscalização.
Assim surge uma fila operacional, não apenas uma lista estatística.
É justamente essa transformação que torna a detecção de fraude de água interessante para gerentes comerciais.
O que companhias brasileiras estão fazendo
Os exemplos disponíveis mostram abordagens diferentes.
Na Águas de Joinville, o relatório referente a 2023 registra 20.332 fiscalizações ou abordagens, nas quais foram identificadas e tratadas 4.623 fraudes ou outras irregularidades. Nas ações classificadas como caça-fraude foram executados 1.584 serviços, incluindo 727 eliminações de ligações clandestinas e 562 intervenções decorrentes de violações. A companhia estimou evitar a perda de 220.121 m³, equivalentes a mais de R$ 2 milhões.
Em Cuiabá, a concessionária informou ter fiscalizado 22.437 matrículas entre janeiro e junho de 2025 e encontrado 5.648 irregularidades, principalmente ligações clandestinas e adulterações de medidores.
A Copasa relatou uma estratégia tecnológica diferente: instalação de 30 mil medidores ultrassônicos, contratação de solução baseada em inteligência artificial para identificação de bypass por meio de ruído e substituição de hidrômetros para avaliação técnica de possíveis fraudes.
Já a Iguá combina inteligência artificial, processo de campo digitalizado e algoritmo que analisa padrões de consumo. A própria companhia relaciona essa gestão preditiva ao crescimento dos ganhos financeiros das ações antifraude.
Não existe, portanto, uma única tecnologia vencedora.
Dados comerciais, hidrômetros inteligentes, acústica, fiscalização, georreferenciamento e inteligência artificial podem funcionar de forma complementar.
A telemedição muda completamente o jogo
Com leitura mensal, a companhia possui normalmente 12 pontos de consumo por ano.
Com telemetria horária, podem existir milhares.
Isso permite enxergar características impossíveis na medição tradicional: consumo durante a madrugada, interrupções abruptas, fluxo contínuo, alterações instantâneas de perfil e eventos enviados pelo próprio medidor.
A experiência internacional mostra essa evolução.
A Water Services Corporation, de Malta, informou já ter instalado medidores inteligentes com registro horário na grande maioria dos clientes faturados e utiliza monitoramento automatizado para identificar consumos anormais. A companhia envia alertas aos consumidores quando detecta padrões que possam representar vazamentos.
Há uma lição de governança particularmente interessante no caso maltês: a política de privacidade informa que sistemas podem ser utilizados para identificar consumos anormais e atividades irregulares, mas que nenhuma decisão é tomada exclusivamente por processo automatizado.
É um princípio que merece atenção no Brasil: algoritmo seleciona; profissional investiga.
Em Ostrava, na República Tcheca, um sistema de medição inteligente chegou a dezenas de milhares de hidrômetros. Segundo a SUEZ, a leitura em maior frequência permitiu identificar consumos anormais e contribuiu para reduzir água perdida por vazamentos, fraude ou mau funcionamento de medidores.
É possível começar sem hidrômetro inteligente
Talvez essa seja a conclusão mais útil para muitas companhias brasileiras.
Não é necessário esperar a substituição de milhões de hidrômetros para começar um programa de detecção de fraude de água com dados.
Histórico mensal de 24 ou 36 meses, cadastro de clientes, dados de hidrômetros, pagamentos, cortes, religações, ordens de serviço, anormalidades de leitura e resultados de fiscalizações anteriores já permitem construir um primeiro modelo.
Um projeto inicial pode começar com regras simples.
Depois, confirmadas as primeiras hipóteses, podem ser aplicados modelos estatísticos ou de machine learning.
A maturidade pode evoluir aproximadamente assim:
Nível 1 — regras: quedas de consumo, reincidências e anormalidades.
Nível 2 — score: combinação ponderada dos diferentes sinais.
Nível 3 — aprendizado supervisionado: modelos treinados com fraudes confirmadas.
Nível 4 — detecção de anomalias: algoritmos encontram comportamentos incomuns ainda desconhecidos.
Nível 5 — dados em tempo real: telemetria, smart meters, macromedição e dados operacionais trabalhando conjuntamente.
Um estudo publicado pela IWA utilizou informações de 22.877 hidrômetros em Amã, na Jordânia, justamente para detectar comportamentos anormais. A pesquisa ressalta uma dificuldade essencial: uma anomalia pode representar fraude, defeito de hidrômetro ou vazamento.
Esse é exatamente o motivo pelo qual o algoritmo deve encontrar suspeitas, e não condenados.
O que pode dar errado
O maior risco não está em escolher Random Forest, regressão logística ou uma sofisticada rede neural.
Está nos dados ruins.
Cadastros desatualizados, mudanças de hidrômetro não registradas, resultados de fiscalização sem padronização, leituras estimadas misturadas com reais e ordens de serviço mal encerradas contaminam o aprendizado.
Há outro problema: treinar o algoritmo somente com fraudes encontradas em campanhas antigas pode fazer o modelo aprender o comportamento das próprias equipes, e não necessariamente o comportamento de todos os fraudadores.
Se historicamente a companhia fiscalizou apenas determinados bairros ou categorias, a base de treinamento refletirá esse viés.
Por isso, amostras aleatórias de controle também são importantes para descobrir aquilo que o modelo não está enxergando.
Além disso, tratamento de informações de clientes exige governança. A LGPD continua aplicável. A definição da base legal adequada, dos dados efetivamente necessários, dos controles de acesso, prazos de retenção e salvaguardas deve envolver as áreas jurídica, privacidade e segurança da informação. O guia da ANPD sobre legítimo interesse destaca justamente análise de finalidade, necessidade, balanceamento e salvaguardas quando essa hipótese legal for utilizada.
Como implantar um projeto na prática
Uma companhia não precisa começar comprando uma plataforma milionária.
O primeiro piloto pode selecionar uma região, consolidar 24 meses ou mais de histórico e construir uma base por matrícula contendo consumo, leitura, hidrômetro, cadastro, cobrança, serviços e fiscalizações.
Depois, é possível classificar as fiscalizações anteriores entre confirmadas e não confirmadas, identificar as variáveis que melhor diferenciam os grupos e produzir uma fila de risco.
Uma parte das equipes pode trabalhar sobre a seleção do algoritmo enquanto outra recebe matrículas aleatórias.
Depois de algumas semanas, compara-se o resultado.
Se a lista orientada por dados encontrar significativamente mais irregularidades por visita, existe um caso de negócio.
A partir daí, podem ser medidos volume recuperado, aumento de faturamento, custo por visita, payback e permanência do ganho depois de três, seis ou doze meses.
Essa última medição é importante.
Encontrar a fraude é apenas metade do trabalho. É preciso verificar se a regularização permaneceu.
A maior oportunidade talvez esteja na integração
Uma companhia normalmente possui área de perdas, faturamento, cadastro, cobrança, micromedição, fiscalização, tecnologia e operação.
Cada uma enxerga uma parte do problema.
O faturamento vê a queda de consumo.
A cobrança conhece o comportamento financeiro.
A micromedição conhece o equipamento.
A fiscalização conhece as formas de manipulação.
A operação conhece o balanço hídrico.
A tecnologia consegue conectar tudo.
Por isso, os melhores programas de detecção de fraude de água tendem a ser menos um “projeto de inteligência artificial” e mais um projeto de integração entre conhecimentos.
Lições para quem trabalha no saneamento
O profissional não precisa se transformar em cientista de dados para participar dessa transformação. Precisa saber formular as perguntas certas.
Quais comportamentos aparecem frequentemente antes de uma fraude confirmada? Quais códigos de campo deveriam virar variáveis? Quais tipos de irregularidade são mais lucrativos de combater? Quanto custa uma inspeção improdutiva? Quanto consumo aparece depois da regularização? Quais clientes retornam à irregularidade?
São perguntas operacionais.
A tecnologia apenas consegue respondê-las em escala.
É justamente por isso que os profissionais experientes de cadastro, faturamento, leitura, perdas e fiscalização possuem enorme valor nesse processo: muitos dos melhores indicadores provavelmente já são conhecidos intuitivamente por quem trabalha há anos com as ocorrências.
O desafio é transformar essa experiência em dados.
Conclusão: o caça-fraude do futuro começa no banco de dados
A detecção de fraude de água está migrando de um modelo predominantemente reativo para outro preditivo.
A equipe de campo não desaparecerá. Pelo contrário. Seu trabalho tende a ficar mais especializado e produtivo.
O banco de dados procura.
O algoritmo prioriza.
O profissional confirma.
E o resultado da inspeção volta para melhorar o sistema.
Para as companhias, a oportunidade é significativa: recuperar receita, reduzir perdas aparentes, melhorar o balanço hídrico, evitar fiscalizações improdutivas e direcionar recursos limitados para onde há maior retorno.
A Norma de Referência ANA nº 15/2025 ainda adiciona uma dimensão regulatória a essa transformação ao exigir diagnóstico, planejamento e acompanhamento das perdas aparentes.
A principal pergunta para um gestor comercial, portanto, talvez já não seja “quantas fiscalizações foram realizadas?”
A pergunta mais estratégica passa a ser:
“Quantas das fiscalizações foram realizadas no lugar certo?”
Essa diferença pode separar um programa tradicional de caça-fraude de uma verdadeira estratégia de inteligência comercial aplicada ao saneamento.
Fontes e referências
ANA — Agência Nacional de Águas e Saneamento Básico
Norma de Referência ANA nº 15/2025 — gestão da redução progressiva e controle de perdas. Dezembro de 2025.
Acessar a Norma de Referência nº 15/2025
Iguá Saneamento
“Iguá reforça compromisso com a eficiência operacional no Iguá Day”. 25 de novembro de 2025.
Acessar publicação da Iguá
Iguá Saneamento — Águas Cuiabá
“Fraudes podem comprometer a distribuição de água tratada”. 5 de agosto de 2025.
Acessar publicação de Águas Cuiabá
Aegea Saneamento — AegeaHub
“Detectando fraudes com inteligência: análise de dados de consumo e pagamentos”.
Acessar AegeaHub
Companhia Águas de Joinville
Relatório institucional com resultados de fiscalização, caça-fraude e eficiência da gestão comercial referentes a 2023.
Acessar relatório da Águas de Joinville
Urban Water Journal
“Random forest for the detection of unauthorized consumption in water supply systems: a case study in Southern Brazil”. 2023.
Acessar estudo científico
Utilities Policy — Elsevier
“Detection of unauthorized consumption in water supply systems: A case study using logistic regression”. 2023.
Acessar estudo científico
Copasa — Companhia de Saneamento de Minas Gerais
Relatório de Gestão da Ouvidoria 2023 — medidas relacionadas a perdas, hidrômetros e combate ao furto de água.
Acessar relatório da Copasa
Embasa
Perguntas frequentes — leitura, faturamento e códigos de anormalidade de hidrômetros.
Acessar informações da Embasa
IWA Publishing — Water Supply
“A use case of anomaly detection for identifying unusual water consumption in Jordan”. 2022.
Acessar estudo da IWA Publishing
Water Services Corporation — Malta
Informações sobre smart metering, monitoramento automatizado de consumo e detecção de anormalidades.
Acessar Water Services Corporation
SUEZ
Smart metering services for the water industry — casos internacionais de medição inteligente e análise de anomalias.
Acessar estudo de casos da SUEZ
ANPD — Autoridade Nacional de Proteção de Dados
Guia Orientativo sobre Hipóteses Legais de Tratamento de Dados Pessoais — Legítimo Interesse.
Acessar guia da ANPD
