por Matheus Raposo, consultor master em Riscos e Performance na ICTS Protiviti

Prevenir fraudes e chargebacks, aumentar a taxa de aprovação das transações e reduzir os custos com ferramentas antifraude certamente são alguns dos principais objetivos e resultados-chave presentes em praticamente todas as estruturas antifraude de plataformas digitais, como e-commerces, fintechs e até mesmo bancos digitais.

No entanto, orquestrar um sistema de prevenção a fraudes que seja capaz de garantir a superação das expectativas em todos esses quesitos pode ser uma tarefa desafiadora. Isso porque, muitas vezes, as abordagens tradicionais das ferramentas antifraude transacionais operam de modo a torná-los parte de um trade-off. Por exemplo, para garantir um nível de controle de chargeback, as taxas de aprovação geralmente costumam cair, o que pode gerar comprometimento da experiência de usuários e até mesmo a frustração de clientes fiéis que não conseguem concluir suas jornadas nas plataformas digitais.

Além disso, a eficácia das avaliações fica comprometida nas abordagens transacionais de antifraude, já que temos vivenciado cenários de mega vazamentos de dados, sendo o maior deles de 223 milhões de brasileiros, que aconteceu no início de 2021. Como tais algoritmos basicamente comparam os dados cadastrais e transacionais de usuários ao histórico de transações previamente realizadas pelo usuário para direcionar a tomada de decisão quanto a aprovação ou reprovação da transação, um fraudador, em posse de dados de usuários com bom histórico, pode burlar estas camadas de proteção tradicionalmente utilizadas.

A abordagem da biometria comportamental parte do pressuposto de que o indivíduo mal-intencionado pode até conseguir fraudar os dados inseridos para efetuar transações, mas não consegue enganar o comportamento adotado durante a sessão. Sua conduta no decorrer de toda a jornada, desde o momento que começa a interagir com a aplicação ou com a plataforma web, mesmo antes de efetuar seu login, já começa a ser avaliada para identificar riscos de fraudes antes da monetização, ou seja, quando aquela sessão se converte em uma transação.

Isso aumenta o tempo para reação e permite, por exemplo, criar desafios para se certificar de que realmente se trata do próprio titular da conta realizando uma transação, e não um fraudador com o objetivo de se beneficiar financeiramente com as transações. Tudo isso sem nenhum tipo de comprometimento da fluidez da experiência do usuário na plataforma.

Pela biometria comportamental, são avaliadas mais de 200 variáveis de comportamento do usuário, desde a navegação e padrão de uso, passando pelos atributos de dispositivo e da rede. Tudo por meio de um algoritmo de inteligência artificial, que além de atribuir um score para o risco de fraude, oferece insights que explicam o que disparou o alerta, permitindo conhecer casos e modus operandi de fraude, além de facilitar a integração com outras soluções desta esteira.

Outro ponto que merece destaque é que geralmente o custo com as ferramentas antifraude transacional é variável e depende da quantidade de transações analisadas no ambiente da empresa, sejam elas aprovadas ou não. Assim, ao adotar uma camada adicional de proteção que analisa as características da sessão, é possível reduzir o volume de análises solicitadas para as soluções de antifraude transacionais, reduzindo os custos totais, uma vez que a licença da ferramenta de biometria comportamental é anual e tem um custo fixo acordado no início do período, sem surpresa ou valores adicionais.

Recomenda-se incialmente projetar uma redução de custos baseada naquelas sessões de score de riscos mais elevados. Num segundo momento, com maior segurança na camada de biometria comportamental e com o avanço do treinamento do algoritmo para identificar transações com baixo risco de fraude, é comum que as empresas passem a abrir mão também das análises de ferramentas transacionais para aquelas sessões com risco de fraude muito baixos, otimizando ainda mais sua estrutura de custos com antifraude.

Mesmo para aquelas sessões com score de fraude mediano em que a abordagem mais recomendada continua sendo a utilização de pelo menos mais uma camada de proteção composta por uma ferramenta de antifraude transacional, existem soluções cuja proposta é garantir a maior taxa de aprovação possível, se comprometendo com a restituição de todo o chargeback em virtude da aprovação de falsos positivos.

Desse modo, por meio da orquestração de um sistema de prevenção a fraudes composto de camadas integradas de proteção considerando toda a jornada, desde o início da sessão, com a avaliação da biometria comportamental, e as análises otimizadas de uma ferramenta de antifraude transacional que assegure os diagnósticos, é possível vencer o desafio de aumentar a taxa de aprovação, controlar fraudes e chargebacks e diminuir custos com ferramentas antifraude transacionais sem comprometer a experiência de clientes em plataformas digitais.