Tipos de soluções antifraude: Prós e contras

Se você já estiver buscando uma nova solução antifraude, provavelmente está procurando melhorar seu desempenho. Você provavelmente já definiu quais metas gostaria de alcançar ao se filiar a um novo fornecedor. Esta lista possui dois propósitos:

•     Ajudá-lo a entender quais tipos de soluções estão disponíveis
•     Listar os prós e contras de cada uma

Mas primeiro, uma observação importante: parcerias entre empresas e soluções antifraude duram de três a cinco anos em média. A partir do momento que você implementar uma solução, apenas uma catástrofe fará você trocar. Por esta razão, é imprescindível conduzir um processo de avaliação minucioso para garantir que a decisão correta está sendo tomada.

O mundo da fraude evoluiu nos últimos 5 a 10 anos. O ecommerce está explodindo e crescendo em velocidades sem precedentes. Fraudadores estão se tornando muito mais sofisticados, e a tecnologia machine learning é a nova inovação tecnológica dominante. Antes que você possa escolher uma solução antifraude, você deve conhecer e entender os diferentes tipos de soluções, tecnologias e modelos de negócios disponíveis.

Soluções com base em regras

Antes do machine learning se tornar o assunto do momento no mundo da tecnologia, a prevenção à fraude era conduzida ao criar um conjunto de regras para impedir que os fraudadores realizassem pedidos. Estes conjuntos de regras precisam ser atualizados e adaptados regularmente, já que os padrões de fraude evoluem constantemente. Seja ao entrar em um novo mercado ou vender novos produtos de novas categorias (por exemplo, expandir de acomodações para voos, ou adicionar vale presente digitais) os padrões da fraude mudam.

Soluções de machine learning

A grande vantagem das soluções de machine learning é a habilidade de categorizar e analisar milhares de pontos de dados de maneira muito mais coerente e eficiente do que o cérebro humano. Soluções de machine learning são muito mais proativas e projetadas para aprender com seus próprios erros para que possam melhorar seu desempenho e precisão sem qualquer intervenção humana. Dois fatores-chave afetam a precisão e o desempenho do modelo:

1) Os dados que são usados para treinar o modelo 

2) A qualidade do trabalho científico de dados ao criar recursos relevantes, expertise de indústria e mercado

 Soluções com base em score

Ao enviar uma transação para uma solução com base em score, o serviço não enviará de volta uma decisão, e sim uma recomendação na forma de uma pontuação. A empresa então precisará decidir o que fazer com o score – aprovar, recusar, enviar para o 3DS ou conferir manualmente. Neste caso, a empresa é quem fica responsável pelos chargebacks. Normalmente, o modelo de negócios com base em escore é cobrar uma tarifa fixa por transação, sejam elas eventualmente aprovadas ou recusadas.

Solução de garantia contra chargeback

Diferentemente das soluções com base em score, as soluções de garantia contra chargeback oferecem uma decisão e não uma recomendação. A decisão é binária — a transação é aprovada ou negada. Se a decisão tiver sido a de aprovar a transação e eventualmente ela foi retornada como um chargeback, há uma mudança na responsabilidade, e a solução antifraude reembolsará a empresa pelos chargebacks fraudulentos. Normalmente uma solução de garantia contra chargeback cobrará uma porcentagem, apenas para transações aprovadas, e a taxa será definida baseado no perfil de risco das transações.

Vamos conferir os prós e contras de cada tipo de solução:

Soluções com base em regras

Prós:

•     A empresa tem controle completo sobre as regras que estão sendo criadas e usadas.
•     A empresa pode aplicar com relativa facilidade as suas próprias entradas e as traduzir em regras para prevenir a fraude.

Contras:

•     As regras são reativas e não proativas. A regras não aprendem sozinhas e são lentas ao reagir a mudanças em padrões de fraude. Consequentemente, elas permitem que fraudes aconteçam, até que as regras sejam atualizadas para combater os novos padrões.
•   Gerenciar e atualizar as regras requer uma quantia significativa de recursos. Muitas vezes, as empresas não terão tempo para fazê-lo com a devida frequência e, portanto, acabam facilitando a ação dos fraudadores.
•     As empresas podem frequentemente alcançar um ponto onde elas tenham centenas de regras diferentes sem conseguir saber como uma nova regra realmente afeta o seu desempenho.
•   Manter um sistema de regras ao expandir para novos mercados, métodos de pagamento e/ou produtos pode ser muito arriscado, já que as regras existentes podem não ser eficazes para novos mercados ou produtos. Expandir para novos mercados significa que a empresa não tem a especialidade e o conhecimento para criar um novo conjunto de regras, ou seja, quando já tiverem o conhecimento, a exposição à fraude já estará em altos níveis.
•     A empresa é exposta apenas aos seus próprios dados e, portanto, não pode prever proativamente padrões de fraude e fazer ajustes de acordo. A empresa se ajustará para novos padrões de fraude apenas quando ela for exposta a novos comportamentos fraudulentos, o que pode ser tarde demais.

Soluções com base em Score

Prós:

•     Soluções com base em score dão às empresas o controle e o critério completos com relação a aprovar, recusar ou revisar transações manualmente.
•     O score tende a ser mais barato do que a garantia de chargeback por transação.

Contras:

•     Soluções com base em score têm um desalinhamento de incentivo inerente com a empresa. Se a solução antifraude não estiver tendo um bom desempenho, a empresa será aquela que vai sofrer tendo uma alta taxa de chargeback ou taxa de aprovação baixa, enquanto não há consequências reais para a solução antifraude que recebe seu lucro por transação processada.
•     As soluções com base em score quase sempre necessitam de uma equipe de revisão manual. Visto que elas fornecem apenas uma recomendação, a maioria das empresas usará uma equipe de revisão manual para analisar transações de “área cinzenta”. Uma equipe de revisão manual não é escalável e pode afetar a experiência do cliente, frequentemente levando a um desempenho abaixo da média (para explicações adicionais veja a seção 2)
•   É difícil determinar qual é o limiar certo (score) para determinar se o cliente é aprovado ou recusado. Por exemplo, se você decidir que cada transação que receber uma pontuação menor do que 12 será recusada, o que você fará com uma transação com score de 12,14? O limiar constantemente precisa ser ajustado, e algumas transações inevitavelmente cairão perto do limiar definido. Se você decidir ter uma operação contra fraude um pouco mais complexa, você pode decidir incluir 3DS para transações de pontuações “ambíguas”. Com esta opção, uma empresa está arriscando que este segmento encontrará altas taxas de desistência do cliente e altas taxas de recusa que são tipicamente associadas com o 3DS.

Soluções de machine learning

Prós:

• Permite centenas ou milhares de fluxos de decisões a serem agregados em um modelo para fazer uma previsão mais precisa.
•   Tecnologia proativa que consegue aprender com seus próprios erros e melhoram até mesmo sem intervenção humana.
•   Uma solução proativa que usa um amplo efeito de rede, permitindo que o modelo identifique e mitigue padrões de fraude e grupos de fraude com antecedência, ajustando-se automaticamente.

Contras:

•   É muito complexo criar modelos bons e precisos de machine learning. Os modelos precisam ser específicos para a indústria e às vezes específicos para a localidade. Algumas empresas se orgulham em usar tecnologia de machine learning quando, na verdade, o desempenho é abaixo da média e o machine learning é usado apenas como uma palavra mágica para atrair empresas.
•   Algumas soluções antifraude esperam que as empresas participem ativamente na construção ou melhoramento dos modelos machine learning usando a equipe de ciência de dados da empresa. Isso pode ser muito complexo e não estar dentro das capacidades da empresa, necessitar de manutenção (como regras de manutenção), não ser muito eficaz e levar a um desempenho abaixo da média. 

Soluções com base em Garantia de chargeback

Prós:

•   Com as soluções de garantia de chargeback, os incentivos de empresas e soluções antifraude estão alinhados. Elas cobram apenas por transações aprovadas (que geram receita para a empresa), então buscam aprovar o máximo de pedidos possível. Elas também são responsáveis pelos chargebacks fraudulentos, o que significa que elas procuram manter as taxas de chargeback baixas.
•   Soluções de garantia de chargeback fornecem uma decisão binária definida para aprovar ou recusar um pedido. Isso simplifica a operação de fraude da empresa, já que não há necessidade de ajustar o limiar de fraude ou ter camadas de verificações adicionais.
•   Soluções de garantia de chargeack garantem um foco constante e intenso na P&D, que é a essência de qualquer solução de inteligência artificial. Já que a solução antifraude é responsável pelo custo do chargeback, é imperativo que mitigue os ataques de fraude mais recentes e inovadores prontamente, enquanto mantém uma alta taxa de aprovação. Portanto, é colocado um foco intenso em P&D para desenvolver as ferramentas para descobrir padrões de fraude proativamente e precisamente, criando um loop de valor de P&D inevitável.

Contras:

•     Soluções de garantia de chargeback geralmente têm um custo mensal mínimo que as torna mais adequadas para empresas com empreendimentos maiores do que negócios de pequeno e médio porte com um baixo volume de vendas online. Soluções de garantia de chargeback cobram uma porcentagem de cada transação aprovada, então a empresa precisa ter certeza de que o retorno sobre o investimento de usar uma solução de garantia de chargeback é positivo.

Agora que você tem um melhor entendimento dos prós e contras dos diferentes tipos de soluções, nós estamos prontos para nos aprofundarmos ainda mais no assunto. Na próxima seção, nós falaremos sobre as considerações principais para você escolher a solução antifraude adequada para a sua empresa e quais perguntas você deve fazer durante o processo de avaliação.

[email protected]