A fraude em pagamentos assume muitas formas e seu impacto financeiro é substancial. Projeta-se que as perdas de empresas com fraudes em pagamentos online ultrapassem US$ 362 bilhões globalmente até 2028.

Fazer uma boa gestão das fraudes em pagamentos significa criar sistemas que detectem e bloqueiem ataques sem criar tanto atrito a ponto de afastar clientes legítimos. Isso inclui controles em camadas, detecção ajustada e ciclos de feedback que melhoram a precisão ao longo do tempo.

Abaixo, abordaremos como a detecção de fraude funciona, quais estratégias de prevenção reduzem a exposição e as tendências de fraude em pagamentos que as empresas devem conhecer.

Destaques

• Uma gestão de fraudes eficaz combina a detecção baseada em regras com o machine learning para detectar tanto padrões de ataque conhecidos quanto táticas novas que as regras estáticas não detectariam.

• À medida que o volume de transações cresce, a automação e os ciclos de feedback tornam-se a base das operações de fraude. A revisão manual é reservada para casos genuinamente ambíguos.

• As ferramentas integradas em provedores de serviços de pagamento (PSP), plataformas de terceiros e sistemas internos adequam-se cada uma a um perfil de empresa diferente. A escolha certa depende do volume de transações, dos recursos internos e da exposição geral à fraude.

O que é gestão de fraudes em pagamentos?

A gestão de fraudes em pagamentos é um conjunto de estratégias e sistemas que as empresas usam para detectar, prevenir e responder a transações fraudulentas. Em ambientes de pagamento digital, a fraude em pagamentos frequentemente envolve credenciais roubadas, sinais de identidade manipulados ou o abuso de processos de contestação legítimos.

Quatro categorias comuns para empresas que processam pagamentos online são:

• Fraude de cartão: ocorre quando alguém usa dados do cartão roubados para fazer compras não autorizadas. A empresa envia os produtos ou presta o serviço e depois enfrenta um estorno quando o verdadeiro titular do cartão percebe.

• Teste de cartões: este é um ataque de volume. Criminosos que adquiriram listas de números de cartão roubados executam dezenas ou centenas de pequenas tentativas de autorização em um único checkout para descobrir quais cartões ainda estão ativos. As empresas absorvem as tarifas de autorização. Um ataque grande o suficiente pode elevar as taxas de pagamento recusado a ponto de prejudicar o relacionamento da empresa com o adquirente.

• Fraude de controle de conta (ATO): envolve um invasor que assume o controle de uma conta de cliente legítima e usa formas de pagamento armazenadas para fazer compras. Como a transação se origina de uma conta conhecida com histórico confiável, regras simples frequentemente não detectam uma tentativa de controle de conta.

• Fraude amigável: são contestações apresentadas por titulares reais de cartões que receberam o que pediram, mas alegam o contrário para obter um reembolso sem devolver o item. O impacto na empresa é o mesmo que a fraude de cartão, mas a diferença aqui é a identidade do fraudador.

Como a fraude em pagamentos é detectada?

A detecção ocorre em vários pontos do ciclo de vida da transação: antes da autorização, na autorização e após a liquidação de fundos. Muitos sistemas de gestão de fraudes combinam métodos diferentes para cobrir diversos tipos de ataque.

Existem dois tipos principais de detecção:

• Detecção baseada em regras: regras fixas e dinâmicas sinalizam transações que correspondem a padrões de fraude conhecidos (por exemplo, o país de faturamento não corresponde ao endereço IP, um cartão foi usado mais de cinco vezes em uma hora, a faixa do Número de Identificação Bancária (BIN) tem uma taxa de fraude historicamente alta). As regras são executadas instantaneamente e dão a você controle direto, mas são rígidas. As táticas de fraude mudam mais rápido do que os conjuntos de regras manuais podem ser atualizados e regras excessivamente amplas bloqueiam clientes legítimos.

• Detecção por machine learning (ML): os modelos de ML avaliam simultaneamente centenas de sinais para produzir uma pontuação de risco para cada transação. Ao contrário das regras estáticas, esses modelos são atualizados continuamente à medida que são expostos a novos dados, o que significa que eles se adaptam quando as táticas de fraude mudam.

Muitos sistemas de fraude de produção combinam ambos. As regras lidam com os casos claros, enquanto o ML lida com o meio ambíguo, em que algo está errado, mas nada está definitivamente incorreto. Executá-los juntos melhora a precisão e permite que você aplique limites diferentes por segmento de risco.

Quais estratégias de prevenção reduzem a exposição a fraudes em pagamentos?

A prevenção bloqueia a fraude antes que ela aconteça. A detecção e a prevenção funcionam melhor como camadas complementares, cada uma operando em um ponto diferente do fluxo da transação.

As táticas de prevenção a fraudes incluem:

• Controles pré-transação: limites de velocidade nas tentativas de cartão por sessão, CAPTCHA, identificação de dispositivo na criação da conta e verificação do endereço de e-mail no checkout reduzem a exposição antes mesmo de a transação ser enviada. Se calibrados de forma muito flexível, a fraude pode passar; se calibrados de forma muito rígida, você pode bloquear clientes reais.

• 3D Secure (3DS): quando uma transação é autenticada por meio do 3DS e posteriormente contestada, a responsabilidade pelo estorno muda para o emissor do cartão, em vez de sua empresa. Vale a pena aplicá-lo seletivamente e não de forma universal, já que ele adiciona etapas ao checkout e pode reduzir a conversão em transações de menor risco.

• Monitoramento pós-autorização: revisar transações após a aprovação, mas antes da execução, dá a você uma janela para cancelar pedidos suspeitos. Isso é particularmente relevante para bens físicos de alto valor.

• Gestão de estornos: contestar estornos fraudulentos com comprovantes afeta diretamente a sua taxa de estorno e a sua reputação com o adquirente. Empresas cujas taxas de estorno excedem os limites do emissor enfrentam custos de intercâmbio mais altos ou são colocadas em programas de monitoramento de fraude, o que torna isso uma preocupação financeira tanto quanto um problema operacional.

Que tendências de fraude em pagamentos as empresas devem acompanhar?

Os padrões de fraude mudam constantemente. Aqui estão algumas das últimas tendências de fraude em pagamentos que afetam as empresas:

• Fraude de cartão não presente (CNP): como as transações online não exigem a posse física do cartão, os números de cartão roubados podem ser usados até serem cancelados. Isso torna a fraude CNP um problema comum para empresas que processam pagamentos online.

• Teste de cartões por bots: os invasores usam redes de bots distribuídas com endereços IP rotativos e identificação de dispositivo falsificada para executar ataques de teste de cartões que parecem superficialmente com tráfego real. Muitas vezes, as regras de velocidade por si só não os detectam se cada bot estiver se comportando dentro dos limites normais por dispositivo.

• Contestações de fraude amigável: as taxas de contestação em bens digitais aumentaram à medida que os consumidores se familiarizaram mais com o processo de estorno. Parte disso é uma confusão genuína sobre como cancelar assinaturas; uma parte significativa não é. De qualquer forma, isso aparece na sua taxa de estorno.

• Fraude de primeira parte no compre agora e pague depois (BNPL): à medida que o BNPL cresceu, também aumentaram os casos de consumidores usando produtos BNPL de má-fé. Eles fazem compras que nunca pretendem pagar ou alegam não entrega de pedidos que foram entregues. É aqui que a fraude e o risco de crédito se sobrepõem e exigem controles diferentes da fraude de cartão.

Como a gestão de fraudes em pagamentos funciona em escala?

A mecânica da gestão de fraudes muda à medida que o volume de transações cresce. Uma empresa que se expande para novas regiões geográficas encontra diferentes padrões de fraude, regras de rede de cartões e taxas de contestação por mercado. As operações de fraude em escala normalmente separam a gestão de regras da investigação e da análise de dados. Combinar as três em uma função generalista não escala e cria lacunas na supervisão.

Em escala, o objetivo é a automação. As filas de revisão manual que lidam com algumas centenas de transações suspeitas por semana tornam-se acúmulos; você precisará automatizar decisões em casos claros e direcionar apenas transações genuinamente ambíguas para a revisão humana. Isso exige confiança na precisão do seu modelo, o que significa investir em treinamento e monitoramento contínuos. Se uma transação aprovada pelo seu modelo se tornar um estorno seis semanas depois, esse resultado precisará ser adicionado aos seus dados de treinamento. O seu modelo também precisa ser treinado com falsos positivos. Sem isso, o desempenho do modelo diminui à medida que os padrões de fraude mudam.

Quais ferramentas oferecem suporte à gestão de risco de fraudes em pagamentos?

Muitas empresas têm três opções gerais de ferramentas de gestão de fraude. A escolha certa depende do volume de transações, dos recursos internos e do quão complicada a sua exposição a fraudes realmente é.

• Ferramentas de fraude nativas do PSP: elas vêm integradas com seu processamento de pagamentos, de modo que os sinais de fraude e os dados de pagamento residem no mesmo sistema. Não há latência de transferência de dados e não há trabalho de integração adicional. O contraponto é que você está trabalhando com as ferramentas de uma única plataforma, o que pode não abranger todas as situações isoladas que a sua empresa enfrenta.

• Plataformas de fraude de terceiros: plataformas especializadas de terceiros ficam sobre sua pilha de pagamentos e oferecem mais personalização, às vezes com um modelo de garantia de estorno. Vale a pena considerá-las para empresas com exposição a fraudes complexa ou de alto volume que precisam de mais controle do que uma ferramenta nativa de PSP oferece, mas a integração e o direcionamento de dados adicionam complexidade.

• Sistemas internos de fraude: eles são criados por grandes plataformas e marketplaces com volume de transações e padrões de fraude especializados o suficiente para justificar o investimento em engenharia. Eles dão a você controle total sobre sinais, limites e ciclos de feedback, mas é um compromisso contínuo e substancial de engenharia e não uma criação pontual.

O Stripe Radar baseia-se em modelos de ML treinados com dados de toda a rede da Stripe: transações em milhões de empresas globalmente. Essa amplitude de dados de treinamento importa. O modelo viu padrões de fraude em todos os setores, geografias e tipos de empresa que um sistema de fraude para uma única empresa não viu. Você pode definir regras para bloquear, permitir ou analisar transações com base nos limites de pontuação, e as regras podem ser escritas sem envolver a engenharia sempre que você quiser ajustar os limites.

Como o Stripe Radar pode ajudar

O Stripe Radar usa modelos de IA para detectar e impedir fraudes, treinados com dados da rede global da Stripe. Ele atualiza esses modelos com base nas tendências de fraude mais recentes, para que sua empresa fique protegida 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:

• Evite perdas por fraude: a Stripe processa mais de US$ 1 trilhão em pagamentos anualmente. Essa escala permite que o Radar detecte e evite fraudes com precisão e economize seu dinheiro.

• Aumente 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 que o Radar identifique transações arriscadas, reduza falsos positivos e aumente 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.