Fraude de checkout refere-se a táticas enganosas ou não autorizadas usadas para roubar produtos ou serviços durante o processo de transação. A detecção deve acontecer antes da confirmação do pedido, o que significa avaliar os riscos em tempo real com dados incompletos.

As perdas globais por fraude com cartões totalizaram US$ 33,41 bilhões em 2024, o que mostra a necessidade de sistemas de prevenção a fraudes. A seguir, abordamos como a fraude de checkout funciona, como os sistemas de pontuação de fraude avaliam o risco no ponto de pagamento e como integrar a detecção ao seu fluxo de checkout sem diminuir a conversão.

Principais conclusões

• A fraude de checkout visa especificamente o momento da transação. A pontuação de risco em tempo real antes da autorização é uma linha de defesa eficaz.

• Mecanismos de regras e modelos de machine learning funcionam melhor em combinação, com as regras capturando um padrão de fraudes conhecido e os modelos identificando os novos.

• A calibração do atrito — a aplicação de etapas de verificação apenas onde os sinais de risco as justificam — é uma parte importante da prevenção a fraudes eficaz.

O que é fraude de checkout?

Fraude de checkout é o uso não autorizado ou abusivo de um fluxo de pagamento para concluir transações que o titular da conta ou titular do cartão nunca aprovou. Acontece no momento em que dados de cartão roubados, scripts de teste automatizados e contas comprometidas convergem no fluxo de checkout.

Quais são os cenários de fraude de checkout comuns?

As fraudes de checkout se concentram em alguns padrões bem definidos. Cada um tem uma assinatura comportamental distinta nos dados da transação.

Vulnerabilidades de checkout como convidado

O checkout de convidados remove a camada da conta da transação. Não há histórico de compras, endereço salvo nem base comportamental, o que o torna atraente para fraudadores.

Checkouts legítimos de convidados ainda tendem a parecer normais no nível da sessão: os clientes navegam, adicionam itens e passam um tempo razoável na página. As transações de fraude de checkout de convidados geralmente não: a duração da sessão é curta e a navegação é mínima. Esses sinais não são conclusivos por si só, mas, combinados, aumentam rapidamente a pontuação de risco.

Teste de cartões no checkout

O teste de cartões é um jogo de volume. Criminosos que adquirem dados de cartões roubados em massa precisam saber quais cartões ainda estão ativos antes de poderem monetizá-los. Os fluxos de checkout, especialmente aqueles com itens de baixo valor ou produtos digitais, são campos de teste convenientes.

A assinatura comportamental é difícil de ignorar: tentativas rápidas e sequenciais de transações, valores pequenos ou arredondados, altas taxas de recusa e velocidade de sessão que nenhum ser humano poderia reproduzir. Os scripts de teste modernos se tornaram mais sofisticados ao alternar os endereços de protocolo de internet (IPs) e espaçar as tentativas em janelas maiores para ficar abaixo dos limites de velocidade simples, e é por isso que a detecção em camadas é importante.

Invasão de contas na etapa de pagamento

A fraude de invasão de contas nem sempre aparece no login. Geralmente aparece no checkout, quando um criminoso que já está dentro de uma conta legítima faz alterações que não condizem com seu histórico: um novo endereço de entrega é adicionado e usado imediatamente, um número de cartão é inserido de um dispositivo que nunca tocou nessa conta, uma mudança de endereço de faturamento é combinada com envio expresso. Individualmente, qualquer um deles pode ser legítimo. Juntos, em uma única sessão, são um forte sinal de que a pessoa no checkout não é a proprietária da conta.

Como funciona a pontuação de fraude no fluxo de checkout?

Quando um cliente envia um pagamento, um sistema de pontuação de fraude extrai os sinais disponíveis e produz uma pontuação de risco.

Geralmente, as informações incluem:

• Sinais do cartão: Número de identificação bancária (BIN), país, tipo de cartão, se o cartão já apareceu antes e se o endereço de faturamento corresponde ao que consta no arquivo do banco emissor por meio de uma verificação do serviço de verificação de endereço (AVS).

• Sinais do dispositivo e da sessão: Impressão digital do dispositivo, características do navegador, geolocalização do IP e se o IP está associado a um proxy conhecido ou rede privada virtual (VPN).

• Características do pedido: Tipo de item (produtos digitais tendem a ter taxas de fraude mais altas do que produtos físicos), valor do pedido em relação ao histórico da conta e correspondência do endereço de entrega com o faturamento.

• Sinais de comportamento: Tempo na página, caminho de navegação e rapidez com que o cliente passou da página de destino para o checkout.

Como funciona a detecção de fraude de checkout em tempo real?

A detecção em tempo real combina mecanismos de regras e modelos comportamentais para avaliar o risco no momento da transação. As duas abordagens têm pontos fortes diferentes.

Mecanismos de regras

As regras lidam com a lógica determinística: se uma transação corresponder a um padrão ruim conhecido, bloqueie-a. Elas são rápidas e transparentes, e você pode ver exatamente por que uma transação foi bloqueada, o que é importante para resolução de contestações e investigação de falsos positivos. A desvantagem é a inflexibilidade. Uma regra criada para capturar um padrão de fraudes provavelmente não capturará uma variante, a menos que você crie outra regra, o que significa que as regras exigem manutenção contínua conforme os padrões de ataque mudam.

Modelos de machine learning

Os modelos de machine learning lidam com avaliações probabilísticas. Eles avaliam combinações de sinais em relação a padrões aprendidos em milhões de transações anteriores e atribuem uma pontuação de probabilidade em vez de um sinalizador binário. Eles generalizam bem em padrões de fraudes novos sem exigir que você defina manualmente cada cenário de risco. A desvantagem é a opacidade, onde a saída de um modelo de “94% de probabilidade de fraude” exige interpretação de uma forma que um bloqueio baseado em regras não exige.

Análise comportamental

Os sinais comportamentais adicionam uma camada que geralmente é mais difícil de falsificar do que pontos de dados estáticos. Eventos de copiar e colar em campos de pagamento sinalizam entrada automatizada ou preenchimento de credenciais (onde invasores usam credenciais de login roubadas de violações de dados não relacionadas para assumir o controle de contas). Preenchimento de formulário excepcionalmente rápido, movimento irregular do mouse e alternância de guias durante o checkout contribuem para a pontuação de risco de maneiras que exigem a imitação da interação humana em tempo real para serem evitadas.

Juntos, esses sistemas produzem pontuações de risco com resolução suficiente para tomar decisões precisas. Transações limítrofes devem ser direcionadas para revisão, em vez de rejeição total.

Como você integra a pontuação de fraude ao seu processo de checkout?

A integração acontece no nível da API (Application Programming Interface), entre o envio do pagamento e a autorização. Sua página de checkout coleta os detalhes do pagamento, seu backend os envia para seu sistema de pontuação de fraude com os dados da sessão e do pedido, o sistema de pontuação retorna uma pontuação de risco e uma ação recomendada, e sua lógica de checkout direciona a transação de acordo.

Veja como cada etapa funciona:

• Passe os dados certos: os sistemas de pontuação de fraude são tão bons quanto os sinais que recebem. Se você não estiver transmitindo dados de impressão digital do dispositivo, endereço de IP e metadados de sessão junto com os detalhes de pagamento, você não estará usando as informações de maior sinal. Muitas APIs de pontuação incluem uma biblioteca de cliente JavaScript que coleta dados de dispositivos e sessões automaticamente.

• Configure limites de risco deliberadamente: os limites padrão não são calibrados para sua empresa. Um limite apropriado para um marketplace de alto volume e margem baixa é diferente de um limite adequado para um checkout B2B de baixo volume e alto valor. Defina limites com base em suas metas de taxa de fraude e tolerância a falsos positivos e, em seguida, ajuste-os com dados de transações reais.

• Crie uma fila de revisão em vez de uma lista de bloqueios: as transações com pontuação acima do limite de bloqueio são bloqueadas automaticamente, mas as que estão na faixa intermediária — suspeitas, mas não conclusivas — devem ser direcionadas a uma fila de revisão feita por humanos. O bloqueio automático de transações limítrofes aumenta as taxas de falsos positivos e impulsiona o abandono; a aprovação automática aumenta as perdas por fraude.

• Monitore a taxa de conversão do checkout juntamente com os resultados de fraude: se a taxa de bloqueio aumentar, mas as perdas por fraude não caírem proporcionalmente, suas regras provavelmente estarão gerando falsos positivos. Se as perdas por fraude aumentarem apesar das altas taxas de bloqueio, seus limites podem estar mal configurados ou os fraudadores aprenderam a ficar abaixo deles.

Quais são as práticas recomendadas para prevenção de fraude de checkout?

Existem algumas práticas de manutenção que podem ajudar você a manter seu sistema de prevenção a fraudes funcionando de forma eficaz sem bloquear transações legítimas:

• Mantenha as regras atualizadas: os padrões de fraude mudam, e uma regra ajustada ao comportamento de teste de cartões do último trimestre pode não detectar a variante deste trimestre. Revise suas taxas de bloqueio e revisão regularmente. Atualize as regras ao ver novos padrões em transações com pagamentos recusados ou em disputa.

• Faça verificações de velocidade em vários identificadores: as regras de velocidade que verificam apenas endereços de IP são fáceis de burlar. Coloque-os em camadas sobre a impressão digital do dispositivo, o endereço de e-mail e o BIN do cartão, pois um fraudador alternando IPs ainda acionará uma regra de velocidade por dispositivo ou por e-mail.

• Retroalimente os sinais pós-transação na pontuação: os padrões de estorno, o abuso de reembolsos e as taxas de exceções de entrega mostram as fraudes que passaram despercebidas no checkout. Use-os para atualizar suas regras e configuração de pontuação, pois a pontuação de fraude melhora com ciclos de feedback.

• Segmente os limites por tipo de pedido: produtos digitais, cartões-presente e pedidos com envio expresso tendem a ter taxas de fraude mais altas. Aplique limites mais rígidos a esses tipos de pedido, em vez de aplicar uma pontuação uniforme em todo o seu catálogo.

Como o Stripe Radar pode ajudar

O Stripe Radar usa modelos de IA para detectar e prevenir fraudes, treinados com dados da rede global da Stripe. Ele atualiza esses modelos continuamente com base nas tendências de fraude mais recentes, protegendo sua empresa conforme a fraude evolui.

A Stripe também oferece o Radar for Fraud Teams, que permite aos usuários adicionar regras personalizadas para lidar com cenários de fraude específicos de suas empresas e acessar análises avançadas sobre fraude.
O Radar pode ajudar sua empresa a:

• Prevenir perdas por fraude: a Stripe processa mais de US$ 1 trilhão em pagamentos por ano. Essa escala permite que o Radar detecte e previna fraudes com alta precisão, ajudando você a economizar.

• Aumentar a receita: os modelos de IA do Radar são treinados com dados reais de contestações, informações de clientes, dados de navegação e muito mais. Isso permite identificar transações de risco e reduzir falsos positivos, impulsionando sua receita.

• Economizar tempo: o Radar é integrado à Stripe e não requer nenhuma linha de código para configuração. Você também pode monitorar o desempenho da prevenção a fraudes, criar regras e muito mais em uma única plataforma, aumentando a eficiência.

Saiba mais sobre o Stripe Radar, ou comece hoje mesmo.