O que é um Limiar de Pontuação de Fraude SaaS?

O limite de pontuação de fraude SaaS é um limite numérico no qual você toma ações dependendo do nível de risco indicado pela sua transação. Geralmente, depois que um modelo de machine learning analisa uma transação, uma pontuação é atribuída com base no grau de semelhança com fraude. O limite indica qual ação deve ser tomada em seguida, seja aprovar o pedido, solicitar uma revisão manual ou recusá-lo. A colocação correta 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, 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 de sua tolerância a riscos, valor médio do pedido e do setor.

Comumente, empresas SaaS utilizam estas abordagens:

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

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

1. Verifique transações passadas para localizar onde fraudes e pedidos genuínos se concentraram em faixas de pontuação de risco.
2. Determine as quantidades de clientes legítimos recusados e as quantidades de casos de fraude identificados em diversos níveis de corte.
3. Em vez de empregar um único limite geral, agrupe os clientes por indicadores de risco, como valor do pedido, geografia ou categoria de produto.

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 a gestão de penalidades. Dados sugerem uma conexão entre um ponto de corte mais alto e o processo que clientes verificados empreendem para requisitos específicos, influenciando potencialmente a conversão de vendas, receita e a confiança do cliente.

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

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

1.   Quais aspectos de chargebacks e falsas recusas 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 no perfil demográfico 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