<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Pedro Sanzovo on Medium]]></title>
        <description><![CDATA[Stories by Pedro Sanzovo on Medium]]></description>
        <link>https://medium.com/@phsanzovo?source=rss-cdc5ef95158a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*JrjytOnxud_4XthcEZe6AQ.png</url>
            <title>Stories by Pedro Sanzovo on Medium</title>
            <link>https://medium.com/@phsanzovo?source=rss-cdc5ef95158a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 00:04:29 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@phsanzovo/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sua empresa está pronta para uma nova onda de ataques fraudulentos no Brasil?]]></title>
            <link>https://medium.com/legiti/sua-empresa-est%C3%A1-pronta-para-uma-nova-onda-de-ataques-fraudulentos-no-brasil-624895d5510f?source=rss-cdc5ef95158a------2</link>
            <guid isPermaLink="false">https://medium.com/p/624895d5510f</guid>
            <category><![CDATA[fraude]]></category>
            <category><![CDATA[lgpd]]></category>
            <category><![CDATA[vazamento-de-dados]]></category>
            <category><![CDATA[dados-pessoais]]></category>
            <category><![CDATA[prevenção-de-fraude]]></category>
            <dc:creator><![CDATA[Pedro Sanzovo]]></dc:creator>
            <pubDate>Thu, 28 Jan 2021 18:46:22 GMT</pubDate>
            <atom:updated>2021-01-28T18:46:22.585Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TXwCltLg9N3cMY-FGurLqA.jpeg" /></figure><p><a href="https://g1.globo.com/economia/tecnologia/blog/altieres-rohr/post/2021/01/25/vazamentos-de-dados-expoem-informacoes-de-223-milhoes-de-numeros-de-cpf.ghtml">Um vazamento de dados de proporções homéricas</a> pode abrir uma nova fase em ataques fraudulentos no Brasil. Na semana passada, foi revelado um vazamento de dados — ainda de origem desconhecida — que inclui informações de mais de 223 milhões de CPFs distintos.</p><p>Os dados vazados vão muito além de informações pessoais como nome completo, CPF, data de nascimento e gênero — que por si só, já mereceriam grande atenção da nossa comunidade e altas multas da LGPD. Mas, incluem dessa vez, dados pessoais ‘avançados’ que permitem a confecção de identidades sintéticas de alta fidelidade e a imitação digital fidedigna de mais de 200 milhões de brasileiros.</p><p>Um fraudador pode hoje comprar na dark web por pouco mais de R$5 uma gama completa de informações sobre qualquer CPF no Brasil, como telefone, endereço, renda, RG, status na Receita Federal e até uma foto do rosto — <a href="https://tecnoblog.net/404838/exclusivo-vazamento-que-expos-220-milhoes-de-brasileiros-e-pior-do-que-se-pensava/">como reporta Felipe Ventura do Tecnoblog</a>.</p><p>Com essas informações em mãos, esse usuário mal intencionado consegue driblar a grande maioria de sistemas menos sofisticados de combate a fraude, que se baseiam quase que exclusivamente em enriquecimentos externos de dados sintéticos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/235/0*swur5Zd7DFmyqxcD" /></figure><blockquote>Dessa maneira, o fraudador vai conseguir com grande facilidade gerar grandes prejuízos (às vezes alcançando 2 a 3% da receita anual) a e-commerces que dependem de ferramentas internas pouco flexíveis ou de plataformas que se baseiam nesses dados estáticos.</blockquote><p>Um vazamento de tais proporções cria também uma grande dificuldade para potenciais sistemas de análise manual, que irão depender necessariamente de procedimentos de alta fricção — como a tentativa de contato direto com o cliente — para a aprovação de uma porcentagem cada vez maior de compras.</p><p>Na Legiti, como já detalhei no artigo “<a href="https://medium.com/legiti/os-limites-da-biometria-est%C3%A1tica-21e3aa87545a">Os limite da biometria estática</a>”, nossos modelos preditivos baseiam-se fundamentalmente em informações dinâmicas e adaptativas que não são diretamente impactadas por vazamentos desse tipo. Nossa inteligência é baseada em comportamentos globais de usuários, não atribulados a um ou outro CPF ou a cruzamentos de dados já manjados por fraudadores (por exemplo, a verificação de endereço ou telefones conhecidos).</p><p>Se sua empresa ainda depende de regras de derivação fixas, mesas de análise manual ou plataformas antifraude baseadas primariamente em enriquecimentos externos, é hora de se preocupar.</p><blockquote>Será que sua empresa está <strong>realmente</strong> preparada para uma nova onda de ataques?</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=624895d5510f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/legiti/sua-empresa-est%C3%A1-pronta-para-uma-nova-onda-de-ataques-fraudulentos-no-brasil-624895d5510f">Sua empresa está pronta para uma nova onda de ataques fraudulentos no Brasil?</a> was originally published in <a href="https://medium.com/legiti">Legiti</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Os limites da biometria estática]]></title>
            <link>https://medium.com/legiti/os-limites-da-biometria-est%C3%A1tica-21e3aa87545a?source=rss-cdc5ef95158a------2</link>
            <guid isPermaLink="false">https://medium.com/p/21e3aa87545a</guid>
            <category><![CDATA[fraud-prevention]]></category>
            <category><![CDATA[two-factor-authentication]]></category>
            <category><![CDATA[biometrics]]></category>
            <category><![CDATA[fraud-detection]]></category>
            <category><![CDATA[prevenção-a-fraude]]></category>
            <dc:creator><![CDATA[Pedro Sanzovo]]></dc:creator>
            <pubDate>Thu, 05 Nov 2020 21:59:22 GMT</pubDate>
            <atom:updated>2020-11-05T21:59:22.918Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*jYmJOqfg5ykTzVHmrVAjrw.jpeg" /></figure><h3><strong>O começo do combate a fraude</strong></h3><p>No comércio tradicional, sempre houve uma interação face a face entre clientes e varejistas. Nessa era, quando necessária, a autenticação de clientes legítimos era feita por meio da verificação de assinaturas, comprovantes de endereço ou o famoso ‘cara-crachá’. Com o surgimento dos serviços online e a ausência de interação cara-a-cara, um novo desafio surgiu: como verificar se o cliente do outro lado do balcão virtual é quem ele diz ser?</p><p>A primeira onda de soluções para endereçar esse desafio usou uma combinação de duas perguntas: “o que sabemos” — ID de usuário, senha, pergunta secreta — e “o que temos” — token / cartão de PIN dinâmico, telefone para contato, etc. Por algum tempo, essa técnica foi efetiva.</p><p>No entanto, com o crescimento dos pagamentos online, o crime cibernético também começou a se desenvolver e profissionalizar. Usando métodos que vão desde ataques de phishing e injeção de malware em dispositivos individuais a amplos ataques a data centers para o roubo de um volume gigante de informações, criminosos digitais começaram a conseguir burlar esse fator duplo de identificação. A partir desse ponto, uma nova realidade nos envolveu. Uma realidade em que nossas credenciais online não eram mais seguras, nossas senhas eram conhecidas e perguntas/respostas secretas eram facilmente dribladas.</p><h3><strong>A biometria como solução?</strong></h3><p>Assim, a segunda onda de soluções antifraude nasceu da pura necessidade, e a verificação de identidade online mudou de autenticação de dois fatores para uma autenticação multifator. Agora, além de verificar “o que sabemos” e “o que temos”, também tentávamos “quem somos” através de uma gama de técnicas de biometria estática como reconhecimento facial, verificação de impressão digital, voz e leitura de íris. Nesse momento, o reconhecimento de imagens faciais e varreduras de impressões digitais foram constantemente aceitas como a biometria de escolha e foram rapidamente adotadas por vários provedores de serviços financeiros e lojas de e-commerce para verificação de identidade digital.</p><p>Agora, como já era de se esperar, o mundo da fraude não ficou parado frente a essas novas barreiras de proteção. Ao mesmo passo que instituições adotaram tecnologia avançada para prevenção de fraudes, técnicas similares começaram a ser exploradas por fraudadores para enganar esses sistemas de proteção de modo a falsificar, mascarar e adulterar os requisitos de autenticação.</p><blockquote><strong>Assim como regras fixas de verificação foram vencidas por fraudadores e acabaram perdendo espaço para técnicas adaptativas de inteligência artificial, a biometria estática também não poderia fornecer autenticação segura por muito tempo.</strong></blockquote><h3><strong>O problema da biometria estática</strong></h3><p>No fim das contas, o problema central das técnicas estáticas de biometria é a dependência de informações de identificação pessoal para estabelecer a identidade de um indivíduo. Vazamentos de dados tornaram os dados de consumidores do mundo todo facilmente acessíveis. As informações exatas de que os fraudadores precisam para abrir uma conta, desde um número de CPF até seu endereço residencial ou telefone, podem ser facilmente compradas a baixo custo no mundo físico ou digital.</p><blockquote><strong>A realidade é que, embora suas impressões digitais ou o mapa da sua córnea possam te identificar de maneira única, você tem apenas um conjunto dessas biometrias; portanto, uma vez copiadas ou roubadas, elas não servem mais como um identificador único.</strong></blockquote><p>E o que torna ainda mais essa questão um problema imediato é que seus dados não estão tão seguros quanto você possa imaginar.</p><p>De acordo com o <a href="https://pages.riskbasedsecurity.com/hubfs/Reports/2019/2019%20Year%20End%20Data%20Breach%20QuickView%20Report.pdf">QuickView Data Breach Report de 2019</a>, o ano de 2019 bateu todos os recordes já observados em relação a vazamentos de dados, registrando mais de 7.000 vazamentos de dados conhecidos, expondo incríveis 15,1 bilhões de registros comprometidos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Xy3e_iJbXA81uFS-bkBGdQ.png" /><figcaption>Fig 1: Número de vazamentos de dados reportados por ano; Fig 2: Número de registros comprometidos (em milhões) por ano (fonte: QuickView Data Breach Report de 2019)</figcaption></figure><p>Além disso, de acordo com o <a href="https://www.experian.com/assets/data-breach/white-papers/2019-experian-data-breach-industry-forecast.pdf">Data Breach Industry Forecast 2019 da Experian</a>, com a nova tendência de uso de biometria para verificação, cada vez mais, os invasores irão se concentrar em hackear e obter informações biométricas estáticas, como digitais, informação de reconhecimento facial e senhas. E essa tendência já começou.</p><p>Em 2019, uma violação conhecida como <a href="https://www.trendmicro.com/vinfo/br/security/news/online-privacy/over-27-8m-records-exposed-in-biostar-2-data-breach">BioStart2 expôs quase 28 milhões de registros</a> de dados de impressão digital, dados de reconhecimento facial, fotos de rostos, nomes de usuário e senhas não criptografados de usuários em todo o mundo.</p><p>E o Brasil não é exceção. <a href="https://www.safetydetectives.com/blog/antheus-leak-report/">Antheus Tecnologia identificou um vazamento no Brasil</a>, em que mais de 81,5 milhões de registros, incluindo 76.000 impressões digitais únicas foram expostas por hackers em 2019.</p><blockquote>Semelhante a outras credenciais roubadas, as informações biométricas encontram seu caminho para a Dark Web, onde são colocadas à venda para fraudadores e cibercriminosos. E a partir desse ponto, estão disponíveis para quem quiser pagar o preço. <strong>Ao contrário das senhas e endereços de e-mail, que podem ser alterados se comprometidos, os dados biométricos roubados não podem nunca mais ser alterados. Se os seus foram comprometidos, não há mais volta.</strong></blockquote><p>A natureza estática das informações biométricas é sua maior fraqueza e as torna um alvo ideal para os fraudadores.</p><p>Naturalmente, vemos tentativas de lutar contra esse risco — ainda de maneira ineficaz. Por exemplo, os sistemas de reconhecimento facial incorporaram detectores de vivacidade na tentativa de evitar que as pessoas usem imagens roubadas para autenticação. Talvez você já tenha sido pedido para dar um ‘tchauzinho’ para um aplicativo no seu celular. Infelizmente, essa alternativa não resolve o problema. Tecnologias de deepfake agora têm demonstrado criar com sucesso imagens de vídeo que facilmente enganam os sistemas de reconhecimento facial. <a href="https://www.tessian.com/blog/what-are-deepfakes/">E não demorou muito para hackers e fraudadores começarem a utilizar desse novo artifício</a>.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FcQ54GDm1eL0%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DcQ54GDm1eL0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FcQ54GDm1eL0%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/002d8915c14edd7968069d71086104ba/href">https://medium.com/media/002d8915c14edd7968069d71086104ba/href</a></iframe><p><strong>Dinamismo como solução</strong></p><p>A realidade é que os sistemas de impressão digital e reconhecimento facial são vulneráveis a informações biométricas roubadas ou falsificadas. Desse modo, alternativas tiveram de ser desenvolvidas no mundo do combate à fraude.</p><p>A terceira onda veio através de biometria comportamental. A principal característica dessa geração é o dinamismo da análise, sendo baseada em múltiplos fatores de identificação que não podem ser facilmente copiados por fraudadores, e que são alterados ao longo do tempo.</p><p>A biometria comportamental rastreia o comportamento único dos usuários. Isso envolve características mais conhecidas como perfil de compra (loja, produtos, valor), comportamento de localização ou até práticas de uso online (velocidade de digitação, os movimentos do mouse, mão dominante, entre outros).</p><p>Por exemplo, o comportamento de localização exclusivo para cada usuário é extremamente difícil de prever, imitar ou forjar. Com o nível de precisão na identificação de localização que celulares nos oferecem hoje, é possível criar uma impressão digital de localização dinâmica e exclusiva para cada usuário, que pode ser usada para, silenciosamente, em segundo plano, identificar comportamento fraudulento.</p><blockquote>Uma das principais diferenças é que a biometria comportamental é dinâmica e baseada no histórico do comportamento, o que significa que os padrões de comportamento estão em constante mudança e, portanto, extremamente difíceis de prever, imitar ou forjar. Isso cria um alvo móvel para os fraudadores. <strong>Ao contrário da biometria estática, como impressões digitais que podem ser roubadas e usadas para acessar as contas de um usuário, uma biometria comportamental roubada se torna desatualizada após um curto período de tempo conforme um novo comportamento é adicionado à assinatura exclusiva do usuário.</strong></blockquote><p>É exatamente utilizando desse dinamismo de análise que construímos os modelos preditivos na Legiti, levando em conta não só características estáticas do usuário final, mas também seu comportamento — tanto no mundo real quanto digital. Esse dinamismo é o único caminho que oferece uma resposta adaptativa ao infinito jogo de xadrez entre fraudadores e <strong>Legiti-mos</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/172/1*Jf9SowNqBzCq21mVJfQCiQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=21e3aa87545a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/legiti/os-limites-da-biometria-est%C3%A1tica-21e3aa87545a">Os limites da biometria estática</a> was originally published in <a href="https://medium.com/legiti">Legiti</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que é Machine Learning?]]></title>
            <link>https://medium.com/legiti/o-que-%C3%A9-machine-learning-a85628e0dd45?source=rss-cdc5ef95158a------2</link>
            <guid isPermaLink="false">https://medium.com/p/a85628e0dd45</guid>
            <category><![CDATA[prevenção-de-fraude]]></category>
            <category><![CDATA[aprendizado-de-maquina]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[modelo-preditivo]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Pedro Sanzovo]]></dc:creator>
            <pubDate>Fri, 04 Sep 2020 18:47:07 GMT</pubDate>
            <atom:updated>2020-09-04T18:47:07.578Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*xuec1mXu1cm36fjX" /><figcaption>Photo by Google Cloud Platform from <a href="https://www.datacenterknowledge.com/google-alphabet/google-buys-elastifile-stretch-its-cloud-storage-capability">Data Center Knowledge</a></figcaption></figure><p><em>Machine learning</em> nada mais é do que um conjunto de técnicas usadas para processar enormes quantidades de dados e produzir modelos que codificam os relacionamentos entre esses dados. Ou seja, buscar padrões nos dados para entender melhor como cada os diferentes pedaços de informação se relacionam.</p><p>Uma das principais aplicações de <em>machine learning</em> é a <strong>previsão</strong>: quando queremos prever algum atributo (no caso da Legiti, a probabilidade de uma determinada transação ser fraudulenta), tendo somente alguns dados de <em>input </em>(por exemplo, transações passadas associadas ao cartão de crédito ou o CPF informado pelo usuário). Determinamos como fazer essa previsão com base em exemplos históricos de dados de entrada e saída; ou seja, com base em comportamentos observados no passado, conseguimos fazer inferências sobre o futuro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/0*kkF9wr6ulq7QEVXf.jpg" /><figcaption>Photo by <a href="https://www.quest.com/community/blogs/b/performance-monitoring/posts/documenting-your-sql-server-inventory-with-foglight">Quest Software Inc</a></figcaption></figure><p>Entre os diversos tipos de modelos preditivos, podemos citar dois principais:</p><ul><li><strong>Tarefas de classificação</strong>, em que queremos prever se uma amostra está em uma classe ou outra (por exemplo, gostaríamos de prever se uma transação na “classe” de pagamentos fraudulentos ou na “classe” dos legítimos)</li><li><strong>Tarefas de regressão</strong>, em que queremos prever um valor numérico de saída associado às entradas (por exemplo, o valor total de chargeback para um mês)</li></ul><p>Embora existam várias diferenças entre tarefas de classificação e regressão, elas envolvem técnicas fundamentalmente semelhantes. Mais claramente, como nos exemplos acima, tarefas de classificação podem ser vistas como um problema de regressão ao prever a probabilidade de uma amostra estar em uma dada classe.</p><p>Para construirmos modelos preditivos, precisamos de um corpo relativamente grande de dados, o qual utilizamos para treinar nosso modelo preditivo — na prática, vamos usar essas informações históricas para ensinar nosso modelo o que é importante ou não para o resultado de saída que será previsto. Esses dados são divididos em duas grandes partes: <em>features</em> e <em>labels</em>.</p><p><strong>Features</strong> são características a serem analisadas para fazermos predições. Por exemplo, no nosso contexto, olhamos para informações como valor da transação, o CPF do portador do cartão, quantas compras já foram feitas pela aquela conta no passado, etc.</p><p><strong>Labels </strong>são os resultados de saída da combinação dessas features. No nosso caso, é um binário que indica se a transação é fraudulenta ou legítima.</p><p>Talvez a melhor maneira de entendermos como um modelo preditivo de machine learning funciona é nos baseando um tipo específico de modelo, as árvores de decisão binária.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/849/1*FcJfTxnn6EOxa8RLP4UHgw.png" /><figcaption>Arvore de Decisão</figcaption></figure><p>Quando analisamos uma nova transação, podemos observar múltiplas informações como o país em que o cartão foi emitido, o número de países nos quais o cartão foi usado no dia anterior e o valor do pagamento em USD para percorrer a árvore de pergunta em pergunta até chegarmos a uma de suas “folhas”. Cada folha consiste em todas as amostras do conjunto de dados que satisfazem os pares de perguntas e respostas ao longo do caminho que seguimos pela árvore, e a probabilidade de pensarmos que a nova transação é fraudulenta é igual ao <strong>número de amostras fraudulentas na folha</strong> dividido pelo <strong>número total de amostras na folha</strong>. Em outras palavras, a árvore responde à pergunta: “das transações em nosso conjunto de dados com propriedades semelhantes à transação que estamos examinando agora, que fração era realmente fraudulenta?”</p><p><em>Machine learning</em> se preocupa com a construção da árvore — que perguntas fazemos, em que ordem, para maximizar as chances de distinguirmos com precisão as duas classes? As árvores de decisão são particularmente fáceis de visualizar e raciocinar, mas existem muitos algoritmos de aprendizado diferentes, e cada um tem suas próprias maneiras únicas de representar os relacionamentos que estamos tentando modelar.</p><p>Atualmente, os modelos de aprendizado de máquina são geralmente muito mais sofisticados do que o modelo acima. Alguns exemplos são:</p><ul><li>A Apple usa modelos preditivos para capacitar a Siri de várias maneiras, desde prever o texto representado por um fragmento de fala (com modelos gerados a partir de um grande número de amostras de texto) até extrair a intenção semântica da fala em questão.</li><li>O Mercado Livre e a Magalu usam<em> machine learning</em> em seus sistemas de recomendação; com base no que as pessoas compraram após a compra de um item específico, elas podem determinar quais outros itens devem ser recomendados para maximizar a probabilidade de uma próxima compra;</li><li>O Google e o Facebook usam <em>machine learning </em>para determinar quais anúncios serão exibidos para uma pesquisa ou em seu <em>newsfeed</em>. Nos dois casos as entradas incluem o conteúdo do anúncio e outras informações contextuais (como o texto da consulta ou o conteúdo de uma postagem no seu <em>feed</em>) e a saída do modelo é a probabilidade de você clicar no anúncio (o que o Google e o Facebook vivem para maximizar).</li></ul><p>É mais relevante ainda no nosso caso, já que são exatamente essas tecnicas que usamos para proteger e-commerces e instituições financeiras de ataques de fraude — <em>machine learning</em> é o coração da Legiti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/172/1*Cbl8LG6t87qFVHUMGXRYsw.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a85628e0dd45" width="1" height="1" alt=""><hr><p><a href="https://medium.com/legiti/o-que-%C3%A9-machine-learning-a85628e0dd45">O que é Machine Learning?</a> was originally published in <a href="https://medium.com/legiti">Legiti</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Balanço da Fraude de Cartão de Crédito]]></title>
            <link>https://medium.com/legiti/balan%C3%A7o-da-fraude-de-cart%C3%A3o-de-cr%C3%A9dito-e6ae4f3bb1a9?source=rss-cdc5ef95158a------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6ae4f3bb1a9</guid>
            <category><![CDATA[cartão-de-crédito]]></category>
            <category><![CDATA[fraude]]></category>
            <category><![CDATA[chargeback]]></category>
            <category><![CDATA[ecommerce]]></category>
            <category><![CDATA[antifraud-solution]]></category>
            <dc:creator><![CDATA[Pedro Sanzovo]]></dc:creator>
            <pubDate>Fri, 08 May 2020 14:28:57 GMT</pubDate>
            <atom:updated>2020-05-08T14:28:57.300Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n9DZ9LW2gXtykvlX0BBTog.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@rupixen?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">rupixen.com</a> on <a href="https://unsplash.com/s/photos/revenue?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><h4>Como minimizar o impacto da fraude e otimizar os resultados financeiros do seu negócio</h4><p>A fraude de pagamentos on-line consiste em um fraudador que obtém o número do cartão de crédito de outra pessoa e utiliza-o para fazer compras não autorizadas. O verdadeiro titular do cartão acaba descobrindo a transação não autorizada e inicia uma disputa com seu banco.</p><p>Se o banco do titular do cartão decidir que a transação foi realmente fraudulenta, o titular do cartão receberá de volta a quantia roubada, mas a empresa ficará responsável pelo custo da fraude, como já explicamos nosso artigo <a href="https://medium.com/legiti/fraude-de-cart%C3%A3o-de-cr%C3%A9dito-quem-paga-o-pre%C3%A7o-ea440bfb1a17">“Fraude de cartão de crédito — Quem paga o preço?”</a>.</p><p>Cometer fraude é irritantemente simples, o que torna sua prevenção ainda mais complexa.</p><p>Em linhas gerais, um algoritmo antifraude decide se uma transação é fraudulenta ou não; e suas decisões incorretas são as que geram perda ao negócio atendido.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*N4L-QSt6gbrmsUbAF6H0Aw.png" /></figure><p>A chave para o entendimento de um sistema antifraude é notar que há um balanço<em> </em>entre falsos negativos e falsos positivos — quanto menos você tiver do primeiro, mais precisará tolerar o segundo (e vice-versa). Cada falso negativo (<em>chargeback</em>) incorre em um custo direto, assim como cada falso positivo tem seu custo (a perda da venda em questão).</p><p>Mas esse balanço não é o mesmo para todos. Se as margens de uma empresa são pequenas, um falso negativo é muito caro enquanto um falso positivo não tanto; dessa maneira, a empresa deve se inclinar primariamente para impedir chargebacks, mesmo que isso signifique mais vendas perdidas. Se as margens são grandes, o inverso é verdadeiro.</p><p>Dessa maneira, as empresas precisam decidir como balancear essas duas importantes variáveis, o que se torna cada vez mais custoso e difícil à medida que o negócio ganha complexidade. Para endereçar esse desafio a Legiti desenvolveu uma metodologia para melhor determinação desse balanço em termos financeiros. Criamos uma nova variável de acompanhamento chamada <em>Receita Retida</em>.</p><p>Para cada cliente, essa variável é construída de maneira única dependendo da realidade operacional. A equação base é simples e segue a seguinte linha:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wTu2GBCYjWL0HFsgzPYJGA.png" /></figure><p>O foco na maximização de Receita Retida permite que nossos algoritmos encontrem com maior acurácia e eficiência o constante balanço entre falsos positivos e negativos. Isso abstrai o controle concomitante de duas variáveis que andam em caminhos opostos, e consequentemente , garante a maximização do valor financeiro que fica com nossos clientes mês a mês.</p><p>Importante notar que essa equação de receita retida não é tão simples para todos os negócios, tendo de ser adaptada para a realidade operacional de cada negócio. É possível, por exemplo, que clientes tenham margens distintas para cada produto e flutuantes; nesse casos, a extensão da equação de otimização para representar a real complexidade do balanço é fundamental.</p><p>Além disso, vale lembrar que as empresas nem sempre são verdadeiramente livres para controlar essa troca. Se a taxa de fraude (em número de transações) de uma empresa for maior que 1%, as bandeiras de cartão podem revogar sua capacidade de processar qualquer pagamento com cartão de crédito. Uma vez acima de 1%, empresas devem reduzir a taxa a todo custo, mesmo que isso signifique aceitar uma taxa de falsos positivos.</p><p>De qualquer forma, ao abstrair essa preocupação perene em forma de otimização de balanço de fraude, possibilitamos que nossos clientes tenham maior visibilidade e controle sobre o impacto financeiro de cada decisão em antifraude e consigam focar em seu <em>core business</em>.</p><p>No fim das contas, o grande desafio de sistemas antifraude é exatamente encontrar esse balanço entre falsos negativos e falsos positivos — entre <em>chargebacks</em> e perda de vendas. O real entendimento de como esse cálculo é executado por sistemas de antifraude é essencial para todo e qualquer comerciante que queira minimizar o impacto da fraude em seu dia-a-dia e otimizar os resultados financeiros de seu negócio.</p><p>Para saber mais como podemos te ajudar com isso, visite nosso site em <a href="https://www.legiti.com/">legiti.com</a> !</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6ae4f3bb1a9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/legiti/balan%C3%A7o-da-fraude-de-cart%C3%A3o-de-cr%C3%A9dito-e6ae4f3bb1a9">Balanço da Fraude de Cartão de Crédito</a> was originally published in <a href="https://medium.com/legiti">Legiti</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>