Um dos maiores erros que um empreendedor pode cometer ao ingressar no e-commerce é achar que ter índice zero de chargeback, por si só, é sinônimo de sucesso. Muitas vezes, este zero é proveniente de uma grande quantidade de pedidos legítimos barrados por sistemas de proteção mal calibrados e com algoritmos inflexíveis.
Algumas plataformas de e-commerce e meios de pagamento, por exemplo, oferecem filtros contra fraude em seus serviços, levando o varejista iniciante a crer que a gestão de risco é uma coisa simples e sem muita importância para o seu resultado.
Acontece, no entanto, que a maioria destas soluções utiliza reprovação automática para barrar todo e qualquer pedido que pareça potencialmente fraudulento, o que é extremamente prejudicial à saúde do e-commerce.
Filtros mais simples são válidos enquanto parte de uma solução mais completa para uma loja online, porém não devem ser usados como único meio de prevenção. Estes filtros que são um padrão no mercado são capazes de evitar fraudes simples, porém são calibrados para a grande massa e barram pedidos legítimos que fogem do padrão da maioria ou apresentam qualquer característica potencialmente arriscada, porém presente em diversas compras legítimas.
Pense, por exemplo, em um morador de uma república universitária que utiliza o seu cartão de crédito registrado no endereço dos pais para enviar um presente de casamento para um amigo. Filtros comuns de fraude não estão preparados para lidar com esse tipo de situação - que nem é tão atípica, uma vez que a vida do consumidor é cheia de dinamismo e situações que serão inéditas ao seu antifraude. Por isso, é importante reforçar que negar pedidos automaticamente, com base apenas em filtros e regras, traz prejuízos monetários e perda de credibilidade à sua marca.
O que é exatamente um falso positivo?
No contexto do risco, o falso positivo é a classificação dada a um erro do sistema de proteção que impacta incorretamente um consumidor, ao bloquear uma compra legítima. De forma bem objetiva, é quando a solução aponta como fraude um pedido que foi feito por um bom cliente.
Os falsos positivos podem surgir de diversas formas, como erros nas regras de decisão, falhas no processo de Machine Learning e, também, na análise humana – apesar de que estas últimos são bem mais raras.
Consequências práticas de falsos positivos
Os falsos positivospodem ter um impacto muito sério nos resultados financeiros de um negócio. Muitos comerciantes concentram a atenção nos custos de aprovação de pedidos fraudulentos. No entanto, as estatísticas mostram que os custos da reprovação de bons pedidos podem, na verdade, ser maiores.
Estudos apresentados durante a palestra mostram que perdas por falsos positivos totalizam cerca de US$ 118 bilhões por ano, o que é 13 vezes maior do que os prejuízos com fraudes em cartões de crédito. Esses dados reafirmam a necessidade de empresas que se propõem a gerir a fraude darem muita transparência a suas taxas e esforços de aprovação, enquanto lojistas – principalmente os menores, menos acostumados a realizar tal gestão – a se informarem sobre tais taxas. Empresas que utilizam subadquirentes podem ter taxas ainda menores de aprovação e devem redobrar a atenção.
Comerciantes que usam filtros inflexíveis de fraude fatalmente frustram clientes legítimos. Dados mostrados ilustram que 32% dos clientes que são incorretamente barrados optam por não fazer compras com o mesmo comerciante novamente.
Além disso, clientes insatisfeitos costumam compartilhar seu descontentamento com todos seus conhecidos nas mídias sociais, causando danos de imagem muitas vezes irreversíveis.
Como saber sua taxa defalsos positivos
Basicamente, existem três pilares principais que ajudam o varejista a conhecer a taxa de falso positivos do negócio: ouvir os consumidores, análise humana e o Grupo Controle.
Compradores legítimos podem se sentir expostos quando são vítimas de fraude, e querem compartilhar sua versão do ocorrido. Portanto, seja por contato telefônico, solicitações de recuperação de conta ou reclamações em sites especializados, ouvi-los pode ajudar a entender a ação do fraudador e melhorar o modelo de análise de fraude. Faz parte da análise ClearSale utilizar inputs do usuário final para mapeamento de brechas e de fraudes complexas, como as relacionadas com vale-compras, por exemplo.
A análise humana, seja ela para detecção de ataques em massa ou para liberação de compras, também fornece importantes KPIs para a retroalimentação do sistema antifraude. Estes KPIs são a base para ajustes de aprovação automática e criações de regras de decisão.
Já o Grupo Controle é uma poderosa ferramenta estatística muito útil quando não existe uma variável-resposta que daria a certeza se a decisão tomada foi a melhor. Ele permite avaliar, neste caso, a assertividade da decisão de reprovação, uma vez que as eventuais reclamações de clientes indevidamente negados, que funcionariam como uma variável-resposta de erro para a decisão, são muito incertas e irregulares. Ele consiste na atuação de um time de especialistas que examina uma amostra aleatória de propostas reprovadas para estimar a taxa de erro. A ClearSale, por exemplo, utiliza Grupos Controle constantemente para melhoria de todas as análises, sejam elas feitas por modelos estatísticos, regras ou por seres humanos.
“É importante saber que processos como Grupo Controle e otimização de modelo por segmento, que são linhas já utilizadas na ClearSale há algum tempo, são apresentadas no MRC como forma inteligente de combater os falsos positivos. Perceber que as linhas de raciocínio apresentadas convergem com a nossa nos dá um bom feedback de que estamos, de fato, na vanguarda do combate à fraude e na busca por melhoria contínua”, diz Douglas Medeiros, vice-presidente Comercial da ClearSale.
Estratégias para afastar o risco de falsos positivos
Varejistas não devem aceitar erros desse tipo como custo recorrente do negócio. Sistemas de prevenção contra fraudes devem ter algoritmos flexíveis e calibrados constantemente. O ideal é que os comerciantes contratem soluções que usam a Inteligência Artificial para sinalizar transações suspeitas e que, a partir disso, exista a oportunidade de analisar cuidadosamente cada uma delas.
Uma abordagem multifacetada para prevenção de fraudes incorpora Machine Learning e revisões humanas ultra especializadas para avaliar pedidos que caem na chamada “zona cinzenta”, em que não há, na transação, dados conclusivos sobre a existência ou não de fraude. Ao reunir uma equipe especializada em combate a fraudes com tecnologia avançada, os varejistas do comércio eletrônico podem ter certeza de que estão minimizando riscos - recusando o maior número possível de pedidos fraudulentos e, ao mesmo tempo, aprovando o maior número possível de boas compras.