Durante muito tempo, as listas foram fundamentais no combate a fraudes transacionais e utilizadas por muitas lojas, adquirentes e subadquirentes para se proteger. Contudo, a prática de contar apenas com as blocklists foi deixada de lado, principalmente pela quantidade de falsos positivos e falsos negativos que isso gerava. Por isso, decidimos explicar como utilizar blocklist e Machine Learning no combate à fraude.
Isso porque, com o avanço das plataformas e a a inclusão do aprendizado de máquina no processo, as listas se tornaram importantes também para a aprovação de transações e não servem apenas para o bloqueio.
O que são as listas?
As listas nada mais são do que a adição de um ou mais contatos que devem ser rejeitados ou aprovados quando realizarem uma transação. Elas são importantes para garantir que a segurança da rede de uma pessoa ou organização esteja o mais protegida possível contra ataques cibernéticos originados de usuários já conhecidos por serem fraudulentos.
Como essas listas eram criadas? A partir de alguma fraude já identificada em cima daquele usuário ou IP. Para fazer uma analogia, é como se uma loja fosse assaltada por uma pessoa conhecida e simplesmente pudesse impedir que o assaltante entrasse no estabelecimento após o ocorrido.
É por isso que anteriormente essas listas eram chamadas de blocklists, pois barravam as transações de usuários ou IPs conhecidos por terem realizado fraudes anteriormente - no estabelecimento ou em outro local conhecido, aproveitando-se do efeito rede.
Neste caso, os algoritmos do software de segurança de TI observavam um IP associado a atividades suspeitas, como tentativas consistentes de login malsucedidas, e o colocavam em uma lista de bloqueio. Pense em quantas vezes transações boas eram barradas simplesmente porque um usuário acabava tendo problemas no momento do login, por exemplo.
Como utilizar blocklist e Machine Learning no combate à fraude?
No entanto, contar apenas com as blocklists acabava trazendo prejuízos para as empresas, principalmente pelo fator “reprovação automática” que estava atrelado a elas. Além disso, nada garante que aquela blocklist seja eficiente por muito tempo, já que, uma vez que o fraudador identifique que aquele perfil ou IP que está utilizando foi bloqueado, ele irá buscar outras alternativas.
Além disso, outro fator bastante negativo está relacionado com os recentes vazamentos de dados. Imagine que suas informações pessoais como nome, endereço, CPF, RG, e-mail fossem vazados e um fraudador as utilizasse para criar uma conta falsa. Se um dia você quisesse transacionar naquele lugar e seus dados estivessem em uma blocklist, você seria impedido de realizar a compra.
Por isso que aqui na Glass Data aconselhamos a utilização de blocklists com parcimônia e juntamente com os modelos predicativos que contam com Machine Learning para identificar os comportamentos fraudulentos.
Aqui na Glass Data, chamamos esse recurso apenas de lista, já que, como dissemos, elas também são utilizadas para a aprovação. Atrelar as listas a uma máquina de regra pode ser bastante eficiente para as transações, principalmente porque as listas evitam que novas regras precisem ser criadas.
Dessa forma é possível segregar a responsabilidade da manutenção de regras e listas dentro da sua equipe, mantendo a gestão de listas a cargo das equipes operacionais e a gestão de regras a cargo de equipes com experiência em análise de risco, por exemplo.
Pense nas listas como uma barreira a mais para o fraudador e, ao mesmo tempo, um empurrão para que a experiência do cliente seja a melhor possível em sua plataforma.
Essa estratégia, portanto, fortalece a segurança das transações e também impacta positivamente o âmbito financeiro, já que as listas podem ser utilizadas para aprovação. Você pode estar se perguntando: “como isso é feito”?
Bom, imagine que, ao incluir um antifraude como o da Glass Data, uma adquirente ou subadquirente decida por um score X para liberar uma transação. Contudo, um usuário conhecido e que já realizou alguma compra acaba tendo um comportamento considerado de fraudador diante das transações anteriores no estabelecimento e tem uma análise que o deixa abaixo do score mínimo. Isso pode muito bem ocorrer em lojas de bebidas, por exemplo, um mercado bastante visado por fraudadores e onde o horário das transações não são tão “normais” como os de outros estabelecimentos.
O que fazer nesse caso, bloquear a compra? Você estaria prejudicando a experiência de um bom cliente e pode até mesmo manchar a reputação do estabelecimento. Nesse caso, portanto, uma lista com usuários já conhecidos pode ser fundamental para manter as vendas sempre em alta.
Como modelos preditivos com Machine Learning da Glass Data podem me ajudar?
O principal diferencial do modelo preditivo da Glass Data é que ele é capaz de aprender os padrões de acordo com cada estabelecimento. Isso significa que você não fica refém de modelos que já são consolidados no mercado, mas que nem sempre consegue atender diretamente suas necessidades.
Entenda como criar as listas na Glass Data acessando nossa documentação.
Quer entender como é possível atrelas as listas a uma plataforma que conta com Machine Learning para combater fraudes com cartões de crédito? Fale com nossos especialistas.
