Casar nome contra lista: homônimo, transliteração e o limite do nome puro

Triagem de sanções e de pessoa exposta politicamente é vendida como acesso a listas. Na prática, a lista é a parte fácil: o material brasileiro é dado aberto e o internacional é publicado por quem sanciona. O que separa uma triagem séria de um LIKE em banco é a comparação de nomes, e é ali que nasce quase todo falso positivo.

No Brasil o problema tem forma incômoda. Comparar nome puro contra lista, num país de concentração altíssima de sobrenomes, produz alerta em volume que inutiliza a fila de análise. A saída não é afrouxar o limiar, é usar o identificador parcial publicado ao lado do nome.

O nome sozinho não separa ninguém numa base brasileira

Dá para medir em vez de opinar, na base pública que a Controladoria-Geral da União mantém no Portal da Transparência, o cadastro de pessoas expostas politicamente. O arquivo de julho de 2026 traz 133.930 linhas, mas só 106.544 pares distintos de CPF mascarado e nome, porque a mesma pessoa aparece uma vez por função. Primeira armadilha: contar apontamento por linha infla o resultado em cerca de um quarto.

Sobre essas 106.544 pessoas, com acentos normalizados e conectivos descartados, os números falam sozinhos. O token SILVA aparece em 15.267 delas, 14,3% da base, e SANTOS em 8.589. A regra ingênua que muita integração usa, primeiro nome mais último sobrenome, deixa 39,2% em grupos com mais de um titular, e o maior deles, o par JOSE e SILVA, reúne 664 pessoas distintas. Mesmo exigindo nome completo idêntico, 3.289 pessoas, 3,09% da base, seguem ambíguas: JOSE CARLOS DOS SANTOS aparece com 16 CPFs mascarados diferentes.

A concentração não é acidente da base: o Censo Demográfico 2010 do IBGE registra 11.734.129 pessoas chamadas MARIA e 5.754.529 chamadas JOSE.

O órgão que mais escreveu sobre isso chega ao mesmo lugar. O passo 3 da pergunta frequente 5 do OFAC, órgão de sanções do Tesouro dos Estados Unidos, é explícito: se apenas um de dois ou mais nomes está batendo, por exemplo só o sobrenome, não há apontamento válido. O passo 4 manda comparar a entrada inteira com tudo que se sabe da pessoa: endereço, nacionalidade, passaporte, identificação fiscal, local e data de nascimento.

A máscara de CPF publicada pela CGU é a chave do método

O cadastro de PEP não publica só nome. A primeira coluna é o CPF mascarado, com asteriscos no lugar dos três primeiros dígitos e dos dois verificadores, e o mesmo mascaramento aparece no cadastro de expulsões da administração federal, o CEAF.

Sozinha, a máscara não identifica ninguém. Os dois dígitos finais são verificadores, função dos anteriores, como no CNPJ; escondê-los não guarda segredo, guarda a conta. O que ela retém de fato são os três iniciais, e é isso que impede reconstruir o número.

Combinada com o nome, muda a ordem de grandeza da coincidência: seis dígitos publicados põem na ordem de um em um milhão a chance de duas pessoas sem relação compartilharem a sequência. Na base, as 106.544 pessoas se distribuem em 95.429 máscaras distintas, e nenhuma delas é compartilhada por mais de quatro pessoas.

O detalhe operacional que fecha o método passa despercebido: quem faz a triagem tem o CPF completo do próprio cliente, e basta aplicar a mesma máscara para comparar campo com campo. Ela não descobre quem é PEP, confirma ou descarta o apontamento que o nome levantou. É a diferença entre uma fila com milhares de JOSE CARLOS DOS SANTOS e uma com os poucos casos em que nome e máscara concordam.

Isso também explica a escolha: o artigo 6º, inciso III, da Lei 13.709/2018 impõe o princípio da necessidade, e seis dígitos bastam para conferir sem expor o CPF inteiro.

Antes de comparar, normalizar: as tabelas do ICAO 9303

Comparação de nomes começa antes da métrica, na normalização, e há tabela oficial para isso: a seção 6 do Doc 9303, Parte 3, da Organização Internacional da Aviação Civil, com as transliterações recomendadas para caracteres latinos, cirílicos e árabes.

As tabelas cirílicas mostram por que transliteração não é substituição mecânica. A letra Г vira G, exceto em bielorrusso, sérvio e ucraniano, onde vira H. A letra Щ vira SHCH, exceto em búlgaro, onde vira SHT. O mesmo caractere gera saídas diferentes conforme o idioma, ou seja, o mesmo nome emitido em dois países chega com duas grafias latinas legítimas. Na tabela árabe a norma usa X como escape: hamza vira XE, alef com madda acima vira XAA.

No Apêndice B.4.1, Térèsa CAÑON vira "CANXXON<<TERESA", porque o Ñ é transliterado como NXX. A norma justifica a feiura: preservar a unicidade do caractere para buscas em banco, mantendo CAÑON distinto de CANON. Quem lê MRZ e joga a string direto no comparador compara com um nome que já passou por esse filtro com perdas. O Apêndice B.3.1 separa transliteração, estritamente um para um, de transcrição, fonética, e mostra com Omar Khayyam e Omar Chajjam que o mesmo nome muda conforme quem transcreveu.

Peso por raridade e similaridade parcial

A comparação precisa então de duas propriedades que um LIKE não tem.

A primeira é peso por raridade. A referência é o trabalho de William Cohen, Pradeep Ravikumar e Stephen Fienberg, "A Comparison of String Distance Metrics for Name-Matching Tasks", do workshop IIWeb do IJCAI de 2003, que aplica a nomes a métrica TFIDF: o peso de cada token depende do inverso da fração de nomes do corpus que o contêm. Em português direto, SILVA quase não vale e sobrenome raro vale muito. Há material para isso: entre as 106.544 pessoas do cadastro há 33.555 tokens distintos, 63,7% deles com uma única ocorrência.

A segunda é tolerância a grafia divergente. O mesmo trabalho conclui que a melhor métrica do conjunto é a híbrida SoftTFIDF, que combina o peso TFIDF com a distância Jaro-Winkler como função secundária, com limiar de 0,9 para tokens próximos. Nas duas tarefas de agrupamento da Tabela 2 ela alcança F1 máximo de 0,89 e 0,85, contra 0,79 e 0,84 do TFIDF puro. O artigo registra o ponto cego: métricas puramente de token vão mal no conjunto de estilo censitário, cheio de erros de digitação, o perfil exato de nome lido de documento.

Nascimento rebaixa, e a decisão nunca reprova sozinha

Data de nascimento é o desempate clássico e precisa ser usada com desconfiança. Nem sempre existe: o cadastro de PEP da CGU não traz nenhuma, e o campo temporal que publica é outro, a data de fim de carência, que diz até quando a condição persiste depois da saída do cargo. E quando existe do lado do cliente, costuma vir do reconhecimento óptico de uma foto que o próprio verificado enviou: campo lido de imagem fornecida pelo interessado rebaixa a confiança do apontamento, mas não pode eliminá-lo.

O próprio OFAC trata qualidade de identificador como variável: a pergunta frequente 122 marca apelidos genéricos como fracos porque geram grande volume de falsos apontamentos, por critérios como cadeia curta, dígitos no meio do nome e referências geográficas.

Daí a regra de decisão. O GAFI, no parágrafo 9 da nota interpretativa da Recomendação 6, chama de falso positivo a pessoa de nome igual ou parecido atingida por engano por um bloqueio, e exige procedimentos publicamente conhecidos para desbloqueá-la em tempo hábil. O padrão já parte do princípio de que a comparação por nome erra.

No Brasil, o artigo 20 da Lei 13.709/2018, na redação da Lei 13.853/2019, dá ao titular o direito de pedir revisão de decisão tomada unicamente com base em tratamento automatizado que afete seus interesses, e o parágrafo 1º obriga o controlador a informar os critérios usados.

Sobra um fluxo defensável. Apontamento por nome vira caso de análise humana, não veredito, e chega ao analista com o grau de confiança e a evidência ao lado: quais tokens bateram, com que peso, se a máscara concordou, qual a data do lote. Um falso positivo resolvido por quem vê a evidência custa segundos; resolvido por quem vê só a palavra "match", custa uma reunião. Na UNIFOKAL, por exemplo, a triagem entra na verificação como marcador com fonte e data, e o que fazer com ele é política da empresa cliente.

Nome aponta. Identificador confirma. Pessoa decide.

Fontes citadas

• Portal da Transparência, da CGU: cadastro aberto de PEP (arquivo 202607_PEP.csv) e de expulsões (CEAF), base dos números deste artigo: portaldatransparencia.gov.br
• IBGE, Censo Demográfico 2010, consulta de nomes: servicodados.ibge.gov.br
• OFAC, do Tesouro dos Estados Unidos, pergunta frequente 5, sobre como avaliar um apontamento: ofac.treasury.gov
• OFAC, pergunta frequente 122, sobre apelidos fracos: ofac.treasury.gov
• OFAC, Sanctions List Search, com lógica difusa e limiar ajustável: sanctionssearch.ofac.treas.gov
• ICAO Doc 9303, oitava edição, 2021, Parte 3: seção 6 e Apêndices B.3.1, B.4.1 e B.6
• Cohen, Ravikumar e Fienberg, "A Comparison of String Distance Metrics for Name-Matching Tasks", IIWeb, IJCAI 2003: cs.cmu.edu
• GAFI (FATF), As Recomendações do GAFI, nota interpretativa da Recomendação 6, parágrafo 9
• Lei 13.709/2018 (LGPD), artigo 6º, inciso III, e artigo 20, na redação da Lei 13.853/2019: legis.senado.leg.br