Os maiores problemas em recusar transações automaticamente

Um dos maiores desafios no uso de filtros antifraude tradicionais e índices de fraude não é a própria prevenção à fraude, mas sim a segurança de que transações legítimas não estão sendo recusadas.

Está claro que comerciantes precisam de um processo melhor de revisão de transações. Quando ferramentas de índice de fraude ou filtros antifraude são sensíveis demais, o resultado é uma grande quantidade de transações falso-positivas, o que causa rejeições de cartões em compras legítimas.

Na verdade, processos de revisão automática não são o melhor modo de combater fraudadores por rejeitarem tantas encomendas legítimas. Quando o processo de revisão é feito automaticamente, vendedores normalmente flagram até 27% de todas as transações como sendo de alto risco, a maioria das quais são rejeitadas automaticamente pelas soluções de prevenção à fraude no mercado atual.
Então o que acontece quando encomendas legítimas são rejeitadas enquanto as fraudulentas são aprovadas? Aqui, exploramos duas das principais consequências.

1. Você está deixando de lucrar

Fato: Falsas recusas custam mais que fraudes.
Podem existir até 40 falso-positivos para cada verdadeira tentativa de fraude. Isso significa que até 95% das transações marcadas como sendo de alto risco poderiam ser legítimas. Esses falso-positivos resultam em cartões recusados, uma grande perda de vendas, contas bloqueadas e uma experiência completamente ruim para seus clientes.

Uma média de 15 a 30% dos consumidores não passam provas de verificação de identidade com base em dados pessoalmente identificáveis (PPI) e perguntas sobre histórias de vida, enquanto até 60% dos criminosos e fraudadores passam. Além disso, os clientes do governo do estado americano da Gartner dizem que mais cidadãos tiveram sua identidade comprometida do que os que não tiveram.

O que é pior é que, dependendo das margens geradas por um determinado modelo de negócios, poderia levar uma dúzia ou mais de transações legítimas para cobrir as despesas de uma encomenda fraudulenta erroneamente aprovada.

Vendedores perdem mais dinheiro com falsas recusas - $118 bilhões por ano – do que perdem para a fraude de cartão de crédito, que totaliza cerca de $9 bilhões. Além disso, 32% dos clientes que sofrem uma falsa recusa não voltam a comprar com o mesmo comerciante.

Diferente do que muitos comerciantes pensam, uma abordagem “mais rígida é melhor” não serve como repelente para criminosos. Na verdade, ela provavelmente apenas irrita seus consumidores legítimos.

2. Seu modelo de proteção antifraude não é eficiente

Analítica avançada aumenta a concentração de fraudes em relação às transações legítimas em índices altos e diminui a concentração de fraudes em relação às transações legítimas em índices mais baixos. Porém, é importante lembrar que transações legítimas estarão entre aquelas com índice alto de fraude.

Por exemplo, se você tem um cliente que normalmente compra itens caros rapidamente, compra em horários estranhos e usa vários endereços de frete diferentes, a maioria dos comerciantes assumiria que essa é uma transação fraudulenta e marcá-la como tendo alto índice de fraude. Mas é possível que esse consumidor é rico, de hábitos noturnos e impulsivamente comprando presentes para familiares ou amigos – tornando essa compra completamente legítima.

Um índice de fraude só é tão bom quanto a informação usada para computar o índice. Se os dados analisados estão incorretos ou não representam o mundo real, eles não são úteis. Esse conceito é simples, mas muito esquecido por comerciantes.

Por exemplo, numa posição de análise de riscos, as pessoas normalmente pensam em dados como úteis para extrapolar a probabilidade de eventos futuros. Mas isso só é verdade se possuímos dados onde os eventos com os quais estamos preocupados ocorrem com a mesma frequência e com os mesmos padrões usados no mundo real. Você pode concluir que isso não é verdade para negócios que rejeitam todas as transações de alto risco, imaginando que todas sejam fraudulentas.

Obtendo um processo efetivo de revisão de transações

A dificuldade em conseguir um processo de revisão efetivo e eficiente não é só das pequenas e médias empresas. Empresas de nível corporativo lidam com obstáculos parecidos.

A maioria das empresas encontra o mesmo dilema no processo de revisão: lidar de mais ou de menos com as transações. Na verdade, grande parte das encomendas de alto risco não são examinadas e as empresas sozinhas não possuem informações suficientes ou específicas para aprovar a transação.

Ao construir qualquer índice previsível, a regra geral é quanto mais informação, melhor. Porém, embora seja importante analisar todas as fontes de dados ao construir e gerenciar um índice de fraudes, dados corruptos podem gerar respostas erradas no índice final.

Dados corruptos podem vir de diversas fontes – inconsistências, dados incompletos ou duplicados e mais – e resultam em um modelo analítico bagunçado.

Como construir índices de fraude corretamente

Os dados utilizados ao construir um índice de fraude devem representar seus clientes futuros ou as encomendas que serão feitas.
Vamos usar esse índice de fraude como exemplo:

Imagine que você quer montar um índice de fraude que vá flagrar futuras encomendas de fraude cartão-não-presente (CNP). A população futura então consiste de todas as encomendas CNP em seu negócio. Agora você precisa de uma seção da população histórica (encomendas feitas no passado) para construir seu modelo analítico. E, no passado, você recusou 10% de todas as encomendas automaticamente (aquelas com alto índice de fraude).
Isso implica que a população histórica tem dois subgrupos:

1. Encomendas automaticamente decididas:

• Encomendas automaticamente aprovadas. Essas encomendas podem nunca levar a um estorno (encomendas legítimas) ou levar a um estorno fraudulento (fraudes verdadeiras).

• Encomendas automaticamente rejeitadas devido ao alto índice de fraude.
Aí está o verdadeiro problema. Como essas encomendas nunca foram aprovadas, você não pode dizer se eram realmente fraudulentas ou encomendas legítimas erroneamente rejeitadas.

2. Encomendas manualmente decididas:

• Encomendas manualmente aprovadas. Um analista de fraude pode certificar-se de que a transação é legítima antes de atualizá-la, pois ele tem mais informações e talentos do que uma máquina. Analistas de fraude ainda erram; porém, as chances disso são baixas. O resultado das transações aprovadas são encomendas que nunca levam a um estorno (encomendas legítimas) ou encomendas aprovadas que depois levaram a um estorno (fraudes verdadeiras).

• Encomendas manualmente rejeitadas. Esse é o grupo de transações confirmadas como fraudes pelo titular do cartão ou verdadeiro dono dos dados sendo utilizados na compra.
Por conta desse grupo de encomendas automaticamente rejeitadas, você terá um conjunto de dados enviesado ao construir sua amostra, o que leva a um índice de fraude menos preciso. Considerando tudo isso, você acabará em um ciclo infinito de dados corrompidos – em outras palavras: lixo entra, lixo sai.

Se você sempre considera toda transação de alto risco como fraude, você acreditará que seu modelo de fraude está correto porque seu índice irá “acreditar” que transações ruins realmente são fraudulentas. Com o tempo, você terá um índice de fraude conservador demais, o que significa que transações legítimas, mas de alto risco de acordo com seu índice serão sempre rejeitadas, levando a mais rejeições que o necessário.

Não deixe que falsas recusas afetem seu negócio de comércio eletrônico de forma negativa
Falsas recusas podem causar um impacto sério na margem inferior do seu negócio e é importante que você crie um processo efetivo – e eficiente – de revisão de transações.

Implementar uma solução de prevenção à fraude como a ClearSale pode ajudá-lo a reduzir o número de encomendas legítimas que você recusa, aumentando seu lucro. Entre em contato conosco!