Provedores de pagamentos e serviços financeiros enfrentam uma pressão crescente para fortalecer suas defesas contra fraudes enquanto mantêm experiências do cliente perfeitas. Para alcançar esse equilíbrio difícil, mas essencial, os provedores precisam adotar uma abordagem multifacetada de mitigação de riscos, combinando práticas altamente estratégicas com tecnologias poderosas de combate à fraude.

Em um webinar recente promovido pela Payments Dive, Max Spivakovsky, Head Global de Gestão de Risco de Pagamentos da Galileo Financial Technologies, discutiu como os provedores podem navegar com sucesso no cenário de risco de fraude em rápida evolução, sem comprometer a experiência positiva que os consumidores de hoje esperam.

Clientes Querem Segurança e Conveniência

O valor total das transações fraudulentas com cartões atingiu impressionantes US$ 33,8 bilhões em 2023, de acordo com o Nilson Report. Enquanto isso, fraudes do tipo “card not present” (CNP) dispararam, aumentando 35% em 2023 e custando às empresas uma média de US$ 3,75 por dólar perdido, segundo um estudo da LexisNexis.

Além das perdas diretas, a fraude impacta significativamente as operações. De acordo com o Ravelin Fraud Report, empresas gastam cerca de 23% de seus custos operacionais em prevenção e recuperação de fraudes.

3 Etapas para Otimizar Ferramentas de Detecção de Fraudes Financeiras

Como mostram essas estatísticas, os riscos para os provedores de pagamentos nunca foram tão altos na luta contínua contra fraudes.

No entanto, os números também revelam que, embora a prevenção robusta de fraudes seja essencial, ela não pode ocorrer às custas de uma experiência de cliente fluida e sem atritos. Um estudo da Experian descobriu que 67% dos consumidores estão dispostos a abandonar transações de pagamento digital devido a autenticações excessivamente complexas.

“A fricção com o cliente é sempre um grande ponto de dor”, observou Spivakovsky. “Dentro da defesa contra fraudes, estamos sempre tentando equilibrar a experiência com a detecção e mitigação de fraudes.”

Autenticação Baseada em Risco

Spivakovsky destacou a Autenticação Baseada em Risco (RBA, na sigla em inglês) como uma das principais estratégias para equilibrar segurança e experiência do cliente. A RBA ajusta os níveis de autenticação com base em sinais de risco em tempo real, coletados de diversos canais e fornecedores de pagamento.

Ao avaliar padrões como localização, dispositivos e detalhes da rede, a RBA consegue adaptar dinamicamente o nível de fricção por usuário em tempo real, exigindo autenticações mais rigorosas apenas quando necessário.

“É uma abordagem dinâmica”, disse Spivakovsky. “Ela nos permite ajustar dinamicamente certos níveis de autenticação com base nos sinais de risco que recebemos de nossos múltiplos canais de pagamento e fornecedores.”

Guia Executivo para uma Detecção Abrangente de Fraudes em Pagamentos

Isso significa que, quando uma tentativa de transação quebra um padrão estabelecido ou apresenta alguma anomalia, procedimentos adicionais de autenticação podem ser introduzidos automaticamente — assim como uma investigação mais aprofundada do consumidor ou da transação em si para garantir que seja legítima, acrescentou Spivakovsky.

Enquanto isso, transações que não são sinalizadas seguem normalmente, preservando uma experiência rápida e sem atritos para a grande maioria dos clientes legítimos.

Inteligência Artificial e Aprendizado de Máquina

Juntamente com a abordagem baseada em RBA, Spivakovsky também citou a inteligência artificial (IA) e o aprendizado de máquina (ML) como ferramentas particularmente eficazes para combater fraudes sem prejudicar a experiência do usuário.

IA e ML conseguem processar volumes enormes de transações para identificar riscos com alta precisão — algo essencial diante do número crescente de transações. Só a rede Automated Clearing House processou mais de 1,2 bilhão de transações em 2024 — e a redução de falsos positivos é um fator-chave.

“A evolução mais recente da IA e do ML nos permite ser muito mais proativos em nossas análises e reconhecimento de padrões em tempo real”, disse Spivakovsky. “Em tempo real, conseguimos tomar decisões que mitigam os impactos financeiros da fraude.”

Como os Bancos Estão Usando Tecnologia Antifraude para Combater a Fraude

A capacidade adaptativa do aprendizado de máquina é especialmente valiosa, destacou o executivo da Galileo. “A capacidade do ML de aprender continuamente com os dados, melhorar a si mesmo e se adaptar a novos fatores de fraude, ao mesmo tempo em que incorpora dados em tempo real, é o que torna esse método tão robusto”, afirmou.

Spivakovsky acrescentou que a evolução recente da IA permite análises mais proativas e reconhecimento de padrões em tempo real, enquanto o aprendizado de máquina melhora continuamente a precisão ao se adaptar a novos vetores de ataque ainda não vistos.

Quer Saber Mais?

Assista ao webinar completo para aprender mais sobre medidas de segurança em pagamentos que protegem tanto seus resultados financeiros quanto a experiência do cliente.