Fazer compras online deixou de ser algo que algumas pessoas realizam. O e-commerce já se consolidou como a preferência dos brasileiros na hora de realizar uma compra. A pesquisa E-commerce Trends mostra que 58% dos consumidores compram mais online do que nas lojas físicas.

Comodidade, agilidade, preço e mais opções são apenas alguns dos benefícios de realizar esse tipo de compra. Contudo, algo que costumamos falar por aqui algumas vezes também é uma realidade: o aumento do volume de compras atrai os fraudadores, que tentam encontrar brechas para fazer dinheiro fácil.

Por isso, hoje vamos falar sobre as fraudes de cartão não presente e explicar como adquirentes, subadquirentes e comércios eletrônicos devem agir para evitar esses ataques. Confira.

O que são as fraudes de cartão não presente?

Para entender as fraudes, primeiramente vamos falar sobre as transações com cartão não presente. O conceito é bem simples e está relacionado exatamente com o nome da fraude. Essas transações são aquelas nas quais você realiza sem precisar aproximar ou inserir o cartão em uma maquininha.

Basicamente, é qualquer transação online na qual você coloca os dados como nome que aparece no cartão, o número, a data de validade e o CVV. Essas informações são suficientes para que uma análise seja realizada e aquele cartão validado.

O problema é que esse mecanismo, bastante cômodo e importante para consumidores e lojas online, também facilita o caminho para os golpistas. Principalmente com o grande volume de vazamento e a facilidade para se adquirir os dados de um cartão de crédito na deep web.

Segundo um levantamento da NordVPN, dados de cartões de crédito do Brasil são vendidos na deep web por, em média, US$ 6,54 (cerca de R$ 32).

Com os dados em mãos, os fraudadores conseguem realizar uma série de fraudes, iniciando pelos testes de cartões. Nessas fraudes, o golpista entra em uma plataforma e começa a fazer compras de pequenos valores para validar os dados do cartão. Na sequência, vai realizando várias compras de valores maiores.

Esse tipo de ataque acaba sendo bastante prejudicial para o comércio eletrônico. Isso porque o prejuízo acaba sendo muito grande. Primeiramente porque essa transação vai gerar um chargeback, ou seja, quando o consumidor real perceber que fraudaram seu cartão, a responsabilidade por devolver o dinheiro será da empresa. Depois, também terá o prejuízo de ter enviado o produto ao fraudador e ainda os custos de logística.

Por isso, utilizar ferramentas para se proteger desse tipo de ataque é algo essencial para quem quiser manter seu negócio saudável. Além disso, evitar as fraudes de cartão não presente também mantém o ecossistema, de modo geral, mais seguro e gera confiança nos consumidores.

Como se prevenir das fraudes de cartão não presente?

O principal detalhe das transações de cartão não presente é que o comércio eletrônico precisa conseguir identificar que aquela pessoa que está do outro lado do dispositivo móvel realmente é quem diz ser.

Para isso, a principal medida utilizada atualmente é a coleta de dados dos consumidores. Muitas ferramentas antifraude disponíveis no mercado são capazes de fazer uma coleta como IP da máquina, e-mail, CPF, o histórico de transações, entre outras milhares de variáveis.

Essa é uma maneira de fazer a análise. O problema é que não é 100% eficaz, principalmente nessa época em que os dados se tornaram commodities e é cada vez mais fácil encontrá-los online.

Uma das formas mais eficazes é utilizar técnicas de Machine Learning (aprendizado de máquina) para processar dados e fazer uma previsão sobre a autenticidade da transação, baseada no comportamento da transação ou do estabelecimento.

Na Glass Data, utilizamos algoritmos de aprendizado de máquina para identificar o comportamento e verificar a autenticidade de uma determinada transação. O diferencial do nosso modelo preditivo, é que fazemos uma análise comportamental das vendas do estabelecimento e detectamos as tentativas que saem do padrão, identificando as tentativas de fraude.

Além disso, um ponto bastante diferente do que normalmente ocorre no mercado é que nossa análise não olha para dados sensíveis, como o CPF de quem está transacionando. Isso mantém a empresa tranquila com relação às diretrizes da Lei Geral de Proteção de Dados (LGPD).

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 conseguem atender diretamente suas necessidades.

Quer saber como podemos te ajudar com nossos modelos preditivos que estão em constante aprendizado? Fale com nossos especialistas e marque uma breve mentoria para entendermos melhor suas necessidades!

Leia mais: