O que é um Limiar de Pontuação de Fraude SaaS?

O limite de pontuação de fraude SaaS é um limiar numérico no qual você toma ações dependendo do nível de risco indicado pela sua transação. Geralmente, após um modelo de aprendizado de máquina ter analisado uma transação, uma pontuação é atribuída com base no grau de semelhança com fraude. O limiar indica qual ação deve ser tomada a seguir, seja para aprovar o pedido, solicitar uma revisão manual ou recusá-lo. O posicionamento correto do ponto de corte é crucial, pois afeta tanto a segurança quanto a receita da empresa.

A definição de uma pontuação favorável pode variar, influenciada pelos critérios específicos adotados por cada fornecedor. Uma pontuação de baixo risco é tipicamente associada a transações que não apresentam anomalias significativas; uma pontuação alta pode corresponder a situações que exigem revisão adicional, como discrepâncias nos detalhes do cliente ou da conta, um volume de transações atípico em um curto período de tempo, ou um endereço IP de origem que levanta preocupações. 

Comerciantes SaaS definem suas próprias faixas; por exemplo, 0–30 significa “aprovação,” 31–70 indica “revisão,” e 71+ significa “recusa,” dependendo principalmente da sua tolerância ao risco, do valor médio do pedido e do setor.

Geralmente, as empresas SaaS utilizam estas abordagens:

• Limite fixo único — esta técnica utiliza um único limite fixo para diferenciar entre status aprovado e recusado, sem uma categoria intermediária.
• Limites em níveis — as pontuações são organizadas em múltiplas categorias ou faixas (por exemplo, “aprovar”, “revisar”, “recusar”), permitindo assim o aspecto de revisão manual.
• Limite dinâmico — o nível de corte é impactado por fatores de transação como quantidade, tipo de item ou histórico do cliente.
• Limite segmentado — diferentes limites são definidos para diferentes segmentos, como grupos de clientes, meios de pagamento ou localização (por exemplo, geograficamente).
• Limites ajustados por aprendizado de máquina — o nível de corte evolui continuamente à medida que novos padrões de fraude surgem, então o modelo precisa se autoajustar em tempo real.

Encontrar o limiar SaaS certo baseia-se principalmente em dados históricos. Aqui estão alguns dos passos que você pode seguir para conseguir isso:

1. Analise transações anteriores para localizar onde fraudes e pedidos genuínos se agruparam ao longo das faixas de pontuação de risco.
2. Determine o número de clientes legítimos rejeitados e o número de casos de fraude identificados em diferentes níveis de corte.
3. Em vez de usar um único limiar geral, agrupe os clientes por indicadores de risco, como valor do pedido, geografia ou categoria de produto.

Os comerciantes geralmente consideram o equilíbrio entre risco e receita ao estabelecer limites de pontuação de fraude. Uma redução no ponto de corte de autorização geralmente corresponde a um maior número de pedidos que apresentam riscos intrínsecos. Isso pode influenciar a frequência de chargebacks, cobrança de taxas, e o tratamento de penalidades. Dados sugerem uma conexão entre um ponto de corte mais alto e o processo que clientes verificados empreendem para requisitos específicos, potencialmente influenciando a conversão de vendas, receita e confiança do cliente.

A precisão de um limiar fixo de detecção de fraude é influenciada por mudanças nas táticas de fraude. A maioria dos comerciantes de SaaS revisa seus limiares pelo menos trimestralmente, e em casos de grandes eventos de vendas, lançamentos de novas linhas de produtos, ou um aumento substancial em chargebacks ou falsas recusas.

Antes de tomar qualquer decisão sobre onde dedicar seus esforços, organize bem as suas ideias.

1.   Quais aspectos de chargebacks e recusas falsas são relevantes para as operações financeiras da sua empresa?
2.   Com um alto volume de transações, é pertinente avaliar a praticidade de revisar manualmente cada pedido comercial?
3.   Houve uma mudança na demografia dos clientes ou nas ofertas de produtos?

Fatores de decisão:

•       Métricas específicas da indústria para a prevalência de fraudes
•       prevenção de fraude métodos e recursos disponíveis
•       Aceitação da carga de trabalho por revisores humanos