Apenas em 2024, os clientes dos EUA perderam US$ 12,5 bilhões para fraudes, um aumento de 25% em relação ao ano anterior. Muitas vezes, a fraude parece uma transação normal até que deixa de ser: um bot de teste de cartões pode enviar dezenas de pequenas cobranças em cartões diferentes em minutos, um agente fraudulento pode usar credenciais roubadas para fazer um pedido de alto valor com frete expresso, ou um cliente pode contestar uma cobrança que ele realmente autorizou.

Os melhores softwares de detecção de fraudes ajudam a identificar esses padrões antes que se tornem contestações, usando lógica baseada em regras, machine learning e sinais de transação em tempo real para separar compras legítimas das fraudulentas. A seguir, explicaremos como o software de detecção de fraudes funciona, quais recursos são importantes ao avaliar uma solução de prevenção a fraudes e como adequar um sistema à exposição a fraudes da sua empresa.

Principais conclusões

• A detecção moderna de fraudes usa a lógica baseada em regras, o machine learning ou ambos para identificar padrões de fraude conhecidos e táticas emergentes que as regras estáticas não detectariam.

• As taxas de falsos positivos são tão importantes quanto as taxas de detecção, pois o bloqueio de clientes legítimos gera sua própria perda de receita.

• Empresas que já usam provedores de pagamento com detecção de fraudes nativa geralmente podem evitar a integração de terceiros. Ferramentas de detecção de fraudes integradas usam sinais de nível de rede que as plataformas autônomas costumam ter dificuldade para replicar.

O que é um software de detecção de fraudes?

O software de detecção de fraudes de pagamentos avalia transações para identificar e bloquear atividades fraudulentas antes que elas resultem em estornos, mercadorias roubadas ou contas comprometidas. Geralmente, ele fica entre a tentativa de transação e sua aprovação e aplica uma combinação de regras, modelos e sinais para decidir se o pagamento deve ser concluído.

Como funcionam os softwares de detecção de fraudes?

Os sistemas de detecção de fraudes diferem na forma como decidem o que bloquear. Há sistemas baseados em regras e sistemas baseados em machine learning.

Detecção baseada em regras

Os sistemas baseados em regras aplicam uma lógica condicional às transações recebidas: se uma transação exceder determinado valor em dólares, for originária de uma região de alto risco ou acionar uma verificação de velocidade (por exemplo, mais de cinco compras no mesmo cartão em 10 minutos), ela será sinalizada ou bloqueada.

A vantagem é a transparência: você pode ver exatamente por que a transação foi sinalizada. A limitação é que as regras detectam apenas o que você previu ao criá-las. Um padrão de fraudes inédito não acionará nenhuma regra até que você atualize a lógica.

Modelos de machine learning

A detecção por machine learning aprende com o histórico de dados de transações a identificar o que é "normal" e sinalizar desvios. Uma única transação de um novo dispositivo, de um novo país ou feita em um horário incomum para um valor atípico pode parecer normal com apenas uma dessas características. Porém, quando combinadas, a transação pode ser classificada como de alto risco. O modelo pondera esses sinais com base no que é realmente preditivo no seu histórico de transações.

A vantagem significativa em relação às regras é a adaptabilidade: as táticas de fraude mudam constantemente e os modelos de machine learning podem detectar padrões emergentes antes que você crie uma regra para eles. A desvantagem é a opacidade, pois é mais difícil explicar por que uma transação específica teve pagamento recusado, o que complica a revisão de falsos positivos.

Em ambos os casos, esses sistemas devem operar em tempo real no momento em que a transação é enviada. Eles devem funcionar rápido o suficiente para aceitá-la ou recusá-la antes que a sessão de checkout expire e sem introduzir atrasos perceptíveis no checkout. Alguns sistemas também monitoram o comportamento ao longo do fluxo de checkout e incorporam sinais de nível de sessão à pontuação de risco antes mesmo de o pagamento ser enviado.

Quais tipos de fraudes de pagamentos os softwares de detecção podem identificar?

As empresas costumam enfrentar alguns tipos diferentes de fraudes de pagamentos: fraudes em transações sem a presença do cartão (CNP), teste de cartões, controle de contas (ATO) e fraudes amigáveis. Cada um explora uma vulnerabilidade diferente no fluxo de transações e pode ser detectado pelo software de prevenção a fraudes.

• Fraudes em CNP: Um agente fraudulento usa dados de cartão roubados para fazer compras que não exigem o cartão físico. A detecção depende de sinais que o titular do cartão normalmente não acionaria, como discrepâncias entre os endereços de faturamento e envio, identificação de dispositivo incomum e padrões de comportamento anormais.

• Teste de cartões: Agentes fraudulentos que obtêm números de cartões roubados verificam quais estão ativos, geralmente enviando transações de valor baixo ou nulo em vários cartões em rápida sucessão. A verificação de velocidade e a identificação de dispositivo são as principais contramedidas.

• Fraudes ATO: Nas fraudes ATO, agentes mal-intencionados obtêm acesso a uma conta de cliente legítima (geralmente por meio de preenchimento de credenciais, usando pares de nome de usuário e senha vazados) e usam formas de pagamento armazenadas para fazer pedidos. A detecção usa sinais comportamentais (por exemplo, login em um dispositivo desconhecido, alterações repentinas de senha seguidas de compras, alterações de endereço pouco antes de um pedido de alto valor).

• Fraudes amigáveis: O cliente conclui uma transação legítima, recebe os produtos e contesta a cobrança junto ao banco. O software de fraudes pode ajudar sinalizando contas com histórico de contestações ou compras que se enquadram em padrões conhecidos, como produtos de alto valor com frete expresso que podem ser revendidos com facilidade.

Quais recursos são importantes em um software de detecção de fraudes?

Os recursos que mais importam dependem do volume de transações, da exposição a fraudes e da configuração técnica, mas algumas capacidades são sempre essenciais.

Confira o seguinte:

• Precisão de detecção: Um sistema que recusa 85% das fraudes e 15% dos pedidos legítimos troca uma perda de receita por outra. Procure plataformas que publiquem taxas de falsos positivos juntamente com as taxas de detecção, pois esses dois números juntos indicam muito mais do que a taxa de detecção isoladamente.

• Personalização de regras: Os modelos pré-criados são um ponto de partida. Quase sempre será necessário incluir lógica específica da empresa, como bloquear certas regiões, exigir o 3D Secure para pedidos acima de um limite e ajustar as pontuações de risco de clientes seguros conhecidos. Plataformas que permitem criar e testar regras personalizadas sem a ajuda da equipe de engenharia são bem mais flexíveis na prática.

• Integração com a infraestrutura de pagamentos: Uma ferramenta de fraudes que exige a passagem de dados de transações por uma API separada gera latência e pontos de falha. Os sistemas incorporados ao fluxo de pagamento ou nativos do provedor de pagamento evitam essa complexidade.

• Relatórios e gerenciamento de casos: Ao revisar transações sinalizadas, sua equipe precisa de contexto: por que a transação foi sinalizada, quais sinais contribuíram para isso e como eram transações similares. O software de gestão de fraudes que mostra isso com clareza agiliza a análise manual e ajuda a refinar as regras ao longo do tempo.

• Escalabilidade: Um sistema capaz de processar seu volume atual precisa conseguir processar um volume 10 vezes maior sem perder velocidade nem precisão. Os períodos de tráfego intenso, como a Black Friday, costumam ter picos de fraudes; e é quando você menos deseja lentidão.

Quais são os desafios dos softwares de detecção de fraudes?

O software de detecção de fraudes tem duas funções: sinalizar com precisão tentativas de fraude e não bloquear as transações legítimas. Um dos desafios mais persistentes na detecção de fraudes é encontrar um equilíbrio. O software deve analisar cuidadosamente os sinais de fraude, mas sem frustrar os clientes legítimos.

Além desse trabalho contínuo, os sistemas baseados em regras e os sistemas baseados em machine learning enfrentam desafios distintos:

• As regras ficam desatualizadas: As táticas de fraude mudam constantemente. Um conjunto de regras em vigor há seis meses pode apresentar lacunas consideráveis hoje. Sem revisão periódica, os sistemas baseados em regras tendem à obsolescência.

• A qualidade dos dados dos modelos de machine learning varia: Os modelos de machine learning são tão bons quanto os dados usados em seus treinamentos. Uma plataforma com sinais de transação de milhões de empresas de vários setores terá um modelo significativamente diferente de uma com cobertura mais limitada. Ao avaliar os fornecedores, pergunte sobre o escopo de dados de treinamento.

Como escolher o software de detecção de fraudes para sua empresa?

O software de detecção de fraudes adequado depende de como sua empresa opera. Você precisa de um sistema fácil de integrar e executar, e que corresponda ao tipo de fraude que sua empresa enfrenta.

Considere estas variáveis:

• Volume de transações: Em volumes menores, a precisão do modelo de machine learning pode ser inconsistente se houver menos dados históricos para treinamento. E abordagens híbridas ou baseadas em regras podem superar o machine learning puro em menor escala. Empresas com grande volume costumam se beneficiar mais do machine learning porque os modelos têm sinais suficientes para serem genuinamente preditivos, mas as pequenas empresas também podem se beneficiar de um modelo de machine learning de nível de rede.

• Configuração técnica: Se usar um provedor de pagamento com um serviço de detecção de fraudes integrado, esse costuma ser o ponto de partida adequado. A complexidade de integração é mínima e os sinais de fraude já estão integrados ao fluxo de pagamento. Caso você opere com vários processadores ou tenha uma infraestrutura de checkout complexa, precisará de uma plataforma de fraudes autônoma e com amplo suporte para integração.

• Recursos internos: Algumas plataformas de fraudes exigem bastante trabalho de engenharia de configuração e manutenção; outras são criadas para as equipes não técnicas de operações as gerenciarem. Se não tiver uma equipe dedicada de risco ou de análise de fraudes, prefira as plataformas com modelos padrão eficientes de análise e interfaces de regras simples.

• Integração do fluxo de trabalho e relatórios: Verifique se as plataformas em avaliação se conectam ao seu fluxo de trabalho de gerenciamento de contestações e se exportam dados em formatos compatíveis com a sua pilha de relatórios. As ferramentas de fraudes que não se integram perfeitamente criam trabalho manual que pode anular as vantagens da automação.

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 continuamente esses modelos com base nas últimas tendências de fraude, protegendo sua empresa à medida que a fraude evolui.

A Stripe também disponibiliza o Radar for Fraud Teams, que permite aos usuários adicionar regras personalizadas voltadas a cenários de fraude específicos aos seus negócios e acessar informações avançadas de fraude.

O Radar pode auxiliar 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.