Comodidade para o consumidor, preços mais vantajosos e oportunidades que só o e-commerce oferece. É assim que o mercado digital se mantém aquecido, conquistando cada vez mais a adesão da população brasileira. Mas essas facilidades não são só vantajosas para o cliente legítimo. Para os fraudadores, o mercado abre espaço para mais uma modalidade de golpe: a autofraude.

Nesse texto, explicamos como funciona esse esquema, o que o diferencia de uma fraude amiga, e o mais importante: como a inteligência de dados pode atuar nesse processo de ponta a ponta, identificando o comportamento fraudulento a tempo de impedir o risco transacional. 

DeLorean Antifraude Transacional: menos chargebacks, mais aprovações. Vem saber mais!  

O que é autofraude?

Quando falamos sobre fraude, imediatamente pensamos na vítima. O indivíduo que é alvo de uma abordagem criminosa e que sofre não só com o prejuízo da ação, mas com o constrangimento e impotência que ela resulta. 

Na autofraude, esse definitivamente não é o caso. O que essa modalidade de golpe mostra é que existe um outro lado para a história e que, nem sempre, essa imagem vulnerável do consumidor deve ser aplicada à regra. 

O que vemos nessa situação é o uso dos próprios recursos de segurança e atendimento ao cliente como suporte para que a fraude seja concluída. O criminoso assume a posição de consumidor, efetua uma compra e depois pede o reembolso como se nunca tivesse recebido o produto ou até mesmo feito o pedido. 

E apesar do e-commerce estar na mira para boa parte dos casos de autofraude, ele não é o único. Existem ainda situações em que essa abordagem é utilizada em devoluções feitas em lojas físicas, falsificação de recibos, desvio de recursos, manipulação de dados, e vários esquemas que visam o benefício pessoal do indivíduo, sem envolver uma vítima em questão.

No fim, o que define se um roubo é fruto de autofraude não é onde, nem como, ele acontece; mas sim qual é o papel do golpista no esquema. Nesse caso, o indivíduo está dos dois lados, como “vítima” e criminoso. 

Fraude amiga x autofraude

Qualquer solicitação de reembolso ou cancelamento pode gerar uma certa desconfiança, mas nem sempre isso significa uma ameaça à empresa. Apesar dos casos de autofraude terem aumentado 41% nos últimos anos, gerando um prejuízo de mais de US$10 bilhões para o mercado mundial, existe também uma outra situação: a fraude amiga.

Mas como uma fraude pode ser amiga? Simples, quando o comprador não age com má-fé. Isso acontece, por exemplo, quando o cliente não reconhece a razão social da empresa na fatura do cartão de crédito, se esquece do gasto e acaba contestando a cobrança na instituição de pagamento. 

Outro caso muito comum e até tragicômico, é quando algum familiar utiliza o cartão para uma compra, sem avisar o portador. Já vimos várias situações em que crianças são os verdadeiros “golpistas”, realizando compras em sites de brinquedos, jogos online e até aplicativos de delivery. 

Cenários assim mostram que não era intenção do usuário realizar a compra e, por isso, sua contestação é genuína. Sabendo disso, a empresa pode facilmente reverter o mal-entendido entrando em contato com o cliente e esclarecendo a situação. 

Até mais importante do que solucionar o problema é saber distinguir quando uma solicitação é fruto de autofraude ou fraude amiga. Só assim as empresas podem estar preparadas para um risco real, que exige cuidado tanto para evitar prejuízos financeiros, quanto danos à reputação. 

E o chargeback?

Chargeback é o termo utilizado para definir o processo de contestação do pagamento. Geralmente, ele ocorre quando o cliente alega que a transação foi fraudulenta, não autorizada, não entregue conforme o combinado, ou que o produto/serviço não atendeu às expectativas. Essa devolução da transação pode afetar diretamente a empresa que realizou a venda, resultando em perda de receita e outras taxas adicionais de processamento da solicitação.

Como indicamos antes, nem todo chargeback é negativo ou evidência de uma ação maldosa, mas no caso da autofraude, ele é sim o principal objetivo do golpista, já que é através dessa cobrança que ele consegue se beneficiar da situação.

O papel do data analytics na detecção do risco

Aqui, falamos muito sobre a autofraude dentro do e-commerce, até porque o comércio eletrônico está presente na vida dos mais de 142 milhões de brasileiros que usam a internet diariamente. E não é só isso: o mercado cresceu 24% em 2022 e gerou um faturamento superior a R$262 bilhões. Ou seja, o ambiente perfeito para a ação dos golpistas. 

Mas além do esquema já conhecido de “compra e reembolso”, existem também outras maneiras em que a autofraude se manifesta. E para conseguir identificar esse risco, a análise de dados desempenha um papel fundamental. 

Por se tratar de uma abordagem que está muito relacionada ao comportamento do cliente, é através da coleta e análise de dados relacionados aos hábitos de consumo que as empresas conseguem detectar a movimentação atípica de um usuário. 

Para entender melhor como esse processo funciona, aqui estão três momentos em que a inteligência de dados se faz presente não só na detecção da autofraude, mas também na avaliação de risco das transações. 

Modelos preditivos na identificação de padrões

Os modelos preditivos são algoritmos que buscam identificar padrões e relações entre variáveis, permitindo detectar anomalias e prever eventos futuros sobre o comportamento do usuário. Para que eles criem essas associações e tendências, é preciso treiná-los utilizando os dados históricos que a empresa tem armazenado. 

Ou seja, registro das transações, valor e horário das compras, endereço de entrega, tempo de navegação, localização do usuário, alterações cadastrais, histórico de reclamações e chargebacks, e qualquer informação que revele insights sobre os hábitos do cliente.

Depois de alimentado, o modelo é ajustado repetidamente até que sejam demonstrados resultados precisos. Uma vez que é considerado confiável, ele pode receber e processar novos dados para fazer previsões sobre eventos futuros, com base nos padrões previamente estabelecidos.

Os modelos buscam entender como essas variáveis se comportam em conjunto e como esses dados podem ser usados para fazer previsões precisas, principalmente em movimentações suspeitas como a autofraude.

O DeLorean Antifraude Transacional, por exemplo, não utiliza modelos pré-definidos que encontramos normalmente no mercado de prevenção à fraude. Ele treina automaticamente mais de 30 algoritmos para identificar qual é o modelo com melhor aderência às particularidades e necessidades de cada empresa. 

Assim, a análise dos dados é muito mais precisa e personalizada, levando em consideração quais são os dados disponíveis e o que a empresa precisa visualizar para identificar a autofraude. 

Análise dos hábitos de compra do usuário

A análise do comportamento do usuário envolve o monitoramento contínuo das atividades do cliente para identificar atitudes incomuns ou movimentações suspeitas. 

É só pensar por esse ângulo: o comportamento legítimo de um consumidor tende a seguir padrões consistentes. A pessoa busca por um produto, adiciona itens ao carrinho de forma lógica, passa algum tempo navegando pelo site e segue um processo de checkout normal.

Geralmente, um comprador de verdade mostra interesse pelos detalhes, como avaliações, descrições e especificações do produto. As informações de cadastro ou login são coerentes e autênticas. O histórico de compra tende a ser consistente e diversificado com o tempo. 

Em algumas situações, o indivíduo pode até interagir com a empresa para tirar alguma dúvida sobre o item selecionado ou sobre o processo de compra. 

Já em uma situação em que o objetivo é a autofraude, podemos perceber que o comportamento é bem diferente. O fraudador, muitas vezes, não segue uma lógica para adicionar os produtos ao carrinho de compras. Ele escolhe rapidamente os itens mais caros e tenta finalizar o check out o quanto antes. Pouco importam as especificações ou avaliações do produto. 

Além disso, os golpistas costumam usar contas falsas e informações de cadastro que não batem, como nome diferente do email, número de telefone diferente do CEP, e local de compra diferente do CPF, por exemplo. Como eles não querem deixar um rastro por onde passam, tendem a criar uma nova conta para cada compra, disfarçando um histórico confuso de aquisições. 

Machine learning na redução de falsos positivos

Como comentamos antes, nem toda situação suspeita é de fato uma fraude. Um dos desafios de lidar com o risco transacional é se deparar com os falsos positivos: alertas que indicam a ocorrência de uma fraude que na realidade não existe. 

Esses incidentes podem reduzir as vendas, além de desperdiçar tempo e recursos para a análise manual da operação. Isso sem falar nos danos à reputação das empresas, já que nenhum cliente gosta de ter sua compra ou transação barrada erroneamente. 

É para evitar isso que as plataformas de analytics, como o DeLorean, utilizam técnicas de machine learning para aprimorar o modelo constantemente. 

Ao utilizar o AutoML para treinar continuamente os algoritmos com dados atualizados, o sistema pode aprender a reconhecer padrões sutis que indicam a ocorrência de fraudes reais, reduzindo assim o número de falsos positivos e tornando mais precisa a detecção da autofraude.

Ações preventivas contra autofraude

Não é só no combate à autofraude que o uso de data analytics é indispensável, a coleta e interpretação de dados também é uma ferramenta importante para a prevenção. 

Aqui estão alguns recursos que você pode encontrar em plataformas como o DeLorean Antifraude Transacional, para apoiar suas ações preventivas.

Análise das transações em tempo real

Para evitar que o golpe seja concluído, o sistema antifraude precisa ser ágil e acompanhar a análise de dados em tempo real. As informações devem ser processadas instantaneamente, comparando cada transação com os padrões históricos e comportamentais pré-estabelecidos no modelo.

Além das análises, no DeLorean também é possível adaptar as regras de aprovação e reprovação em tempo real. Todas as mudanças realizadas na plataforma têm funcionamento imediato, o que ajuda a adaptar as estratégias de segurança conforme é necessário.

Monitoramento dos padrões de comportamentos

Já falamos antes sobre como os padrões de comportamento ajudam a identificar uma tentativa de autofraude. Mas não é só no momento da operação que isso é importante. 

O monitoramento constante dos dados sobre os hábitos de consumo ajudam as empresas a visualizarem mudanças coletivas que também fazem parte desse perfil de compra. Pensando em e-commerce, sabemos que a sazonalidade, por exemplo, é um fator determinante para avaliar, já que ele influencia no comportamento do usuário. 

Previsão de tendências de autofraude

Outro recurso que as plataformas de analytics oferecem é a previsibilidade. Ao identificar comportamentos ou métodos comuns entre fraudadores, as empresas conseguem estar um passo à frente. A partir dessas informações, é possível antecipar quais são as táticas mais utilizadas ou quais são as tendências naquele momento, ajustando suas estratégias de prevenção de acordo.

A ciência de dados permite não apenas reagir às ameaças atuais, mas também prever o que vem pela frente no universo das fraudes. 

Otimização constante dos modelos

A otimização dos modelos preditivos é um processo contínuo e necessário na luta contra a autofraude. À medida que os criminosos desenvolvem novos métodos, os modelos precisam ser atualizados para se manterem acurados e eficazes. Isso envolve a incorporação de novos dados, ajustes nos algoritmos e a validação frequente dos resultados. Se o modus operandi dos golpistas muda, a plataforma também precisa se adequar.

DeLorean Antifraude Transacional

Para que essas estratégias sejam colocadas em prática e o potencial do data analytics seja explorado pelas empresas que são alvo de autofraude, é preciso ter uma plataforma capaz de processar os dados a tempo para agir contra os golpistas. 

O DeLorean Antifraude Transacional fornece decisões automáticas em até 80 milissegundos, reportando recomendações justificadas individualmente. O sistema ainda conta com risk scoring, que atribui uma pontuação para cada transação, alimentando o motor de acordo com o apetite de risco da empresa.

Integrado à plataforma, também estão as funções de Block e Vip list que podem ser editadas com total autonomia. No caso das listas de bloqueio, é possível criá-las automaticamente com base em critérios pré-definidos. As regras também podem ser simuladas em backtest, para garantir mais segurança nas aprovações, derivações ou reprovações.

Com o DeLorean Antifraude Transacional, nossos clientes já reduziram o chargeback em 76% e aumentaram as taxas de aprovação em 4%. Para saber como essa solução pode apoiar sua empresa no combate à autofraude, fale com o nosso time.