Machine learning para mitigar riscos

Usando machine learning para mitigar fraudes nos pagamentos

Na economia digital em rápida evolução de hoje, os varejistas têm o duplo desafio de prevenir fraudes e minimizar recusas falsas, o que pode afastar consumidores genuínos. Nosso algoritmo de Machine Learning (ML) traz uma solução robusta ao analisar métodos de pagamento durante a avaliação da pré-autorização. A ML na fase de pré-autorização do processamento de pagamentos é crucial na prevenção de fraudes. Ao filtrarem pagamentos e avaliarem riscos antes que as transações cheguem ao estágio de autorização, os algoritmos de ML trazem vários benefícios:

  • Detecção precoce: identificando proativamente possíveis atividades fraudulentas com base em dados de transações e padrões históricos antes que elas ocorram. Essa abordagem proativa impede os fraudadores na fase inicial, reduzindo a probabilidade de que transações fraudulentas sejam processadas e causem danos financeiros.

  • Economia de custos: prevenindo fraudes no início do processo de transação para reduzir os custos associados a chargebacks, mercadorias perdidas e taxas administrativas e de pagamento. Além disso, ao reduzir as recusas falsas, os varejistas podem reter mais receita de transações legítimas.

Essa avaliação utiliza informações de solicitações de pagamento juntamente com dados históricos de nossa ampla rede, gerando uma classificação de risco (Muito baixo, Baixo, Médio, Alto, Muito alto).

Por que os varejistas devem adotar a machine learning

Os varejistas frequentemente têm dificuldades para detectar fraudes sem bloquear clientes legítimos. Falsas recusas representam às empresas de e-commerce um alto ônus financeiro: cerca de US$ 443 bilhões, superando em muito o custo da fraude real.

Historicamente, o Protect confia em regras manuais de risco; uma abordagem complexa e demorada, que exige monitoramento constante e atualizações reativas para se manter à frente dos dinâmicos padrões de fraude. Isso pode deixar as empresas vulneráveis a fraudes se não forem gerenciadas com diligência. Para ajudar os varejistas a conciliar a prevenção de fraudes com a experiência dos clientes, nossa mais recente versão do mecanismo de risco inclui machine learning no núcleo do perfil de risco, a fim de reduzir a carga de trabalho manual e melhorar o desempenho.

Vantagens do ML na prevenção de fraudes

  • Aproveite os dados globais de transações da Adyen: beneficie-se de insights e padrões detectados em toda a plataforma da Adyen. Ajuda você a reconhecer novos e genuínos consumidores mais rapidamente, reduzindo falsos positivos e melhorando a experiência do cliente;

  • Eficiência operacional: reduza a carga de trabalho manual das equipes de gestão de riscos

  • Detecção aprimorada de fraudes: capture padrões complexos de fraude com mais precisão e de forma proativa.

Como isso funciona?

O nível premium conta com atributos de transação, ShopperDNA e dados globais de transações da Adyen para identificar atividades fraudulentas. Ele cobre dois modelos distintos:

  1. Machine learning: risco de ataque de bot: bloqueia automaticamente ataques de alta rapidez, como bot e teste de cartão. Baseia-se em pontos de dados cruciais, como email do consumidor e endereço IP, para detectar padrões de alta rapidez ou repetição.

  2. Machine learning: risco de fraude: prevê a probabilidade de disputas fraudulentas com base nos rótulos do emissor, com foco em métodos de pagamento contestáveis (cartões (débito/crédito) e PayPal)


Os varejistas têm a flexibilidade de configurar o rigor da checagem "Machine learning: risco de fraude" com base no apetite de risco. A configuração padrão é o limite "Alto", a fim de conciliar prevenção de fraudes e a satisfação dos clientes. Isso garantir que consumidores genuínos raramente sejam bloqueados e mantém níveis de fraude aceitáveis. No entanto, os varejistas podem ajustar esse limite de acordo com as necessidades específicas. 


É importante reconhecer que certos tipos de fraude fogem do escopo dos nossos modelos atuais de machine learning. Recomendamos criar regras personalizadas com expertise no domínio para melhorar o desempenho geral.

O nível básico utiliza os atributos da transação e do consumidor (email do consumidor, endereço IP, parte do cartão) para identificar ataques de alta rapidez. Essa versão conta com um modelo baseado em regras, de modo que você evita taxas excessivas de novas tentativas, e não pode ser personalizado.