Por
Felipe Held
7 minComments

Por que o e-commerce deve classificar chargebacks?

Uma atividade muitas vezes negligenciada pode ser importantíssima para melhorar os resultados de um e-commerce

wat

Você sabia que um chargeback nem sempre corresponde a uma compra fraudulenta, realizada com cartão de crédito clonado?

wat

Pois é: muitas vezes consideramos que taxa de fraude e taxa de chargebacks sejam sinônimos, mas isso não é tão equivalente assim. Há outros tipos de chargeback, e diferenciá-los pode ser uma atitude capaz de otimizar os resultados de uma loja virtual e, principalmente, da performance do seu sistema antifraude.

Evidentemente, o golpe efetivo – aquele cometido por um estelionatário portando um cartão de crédito clonado pertencente a um terceiro – é o mais comum e prejudicial a quem vende on-line, capaz de comprometer de maneira considerável a situação financeira de um e-commerce. Existem também outros três tipos de chargeback, dos quais já falamos aqui em um outro artigo, mas não custa nada explicá-los: o desacordo comercial, a fraude amiga e a autofraude.

(Se você já sabe o que significa todos eles, pule os próximos três itens do texto e vá direto a “Por que classificar estes chargebacks?”. Tudo bem, você só vai perder alguns gifs)

Desacordo comercial

O desacordo comercial ocorre quando o cliente realiza uma transação legítima, mas sente que foi lesado pelo lojista por algum motivo e solicita o cancelamento daquela transação. Podemos usar como exemplo a pessoa que fez a compra de um presente de Natal a um familiar, mas que os Correios, sobrecarregados na época de final de ano, não conseguiram entregar antes do dia 24 de dezembro. A compradora, prejudicada, tem o direito de pedir a devolução do valor – recusando ou não a entrega fora do prazo.

Fraude amiga

fraude-amiga

Já a fraude amiga, apesar do nome, não é necessariamente uma fraude e possui grandes chances de ser revertida. Ela pode ocorrer quando o cliente não se lembra de ter feito determinada transação, ou não identificou a soft descriptor do seu estabelecimento na fatura e por isso achou que aquela cobrança é indevida. Imagine a cliente que fez uma compra na Padoca do Zé e, um mês depois, no meio de tantas outras compras, viu na fatura um lançamento de R$ 50 feito pela PANIF ALIM E BEBIDAS JO SILVA EIRELI?

A fraude amiga também ocorre quando uma compra é feita por algum amigo ou familiar sem o consentimento do portador do cartão. Como, por exemplo, a criança que encontra o cartão do pai ou da mãe em cima da mesa e realiza diversas compras de itens e vidas no Candy Crush, sem comunicar a ninguém – semanas depois, os pais não reconhecem aqueles lançamentos e solicitam o estorno.

Estes cenários acontecem com bastante frequência, mas a boa notícia é que são bastante reversíveis! :)

Autofraude

autofraude

Esta é a mais delicada e difícil de ser detectada e evitada. Basicamente, um cliente legítimo faz um pedido em uma loja virtual e, de má fé, solicita o cancelamento de uma transação – alegando que não foi ele quem fez a compra, ou que não recebeu o produto. Ele solicita o chargeback, e caberá ao lojista juntar os comprovantes e tentar reverter esta situação – judicial e morosamente.

Por que classificar estes chargebacks?

Podemos responder a esta pergunta de um jeito muito simples: porque esta atitude irá melhorar consideravelmente os resultados do seu e-commerce. Isso acontece por dois motivos:

Operação

O primeiro deles é que, ao entender que nem todo chargeback é necessariamente uma fraude, o lojista começa a ver pontos simples que podem ser melhorados e ajustados para evitar um estorno.

Muitos desacordos comerciais? Talvez seja interessante encontrar algum ponto de logística que precise ser corrigido.

Muitos clientes alegando que não conheciam o estabelecimento que apareceu no lançamento da fatura? Que tal, então, alterar o soft descriptor que é exibido (sim, é possível fazer isso – algumas subadquirentes são bastante flexíveis quanto a isso).

Muitas crianças comprando inadvertidamente com o cartão dos pais? Que tal acrescentar mais um fator de segurança no checkout?

Sistema antifraude

Se o seu antifraude está baseado em sistemas de inteligência artificial, que aprende com cada transação analisada e se aperfeiçoa automaticamente, é crucial que você explique a ele o porquê de aquela transação inicialmente aprovada ter se tornado um chargeback. Desta forma, o modelo de machine learning (aprendizado de máquina) vai entender se/onde está errando e irá se aperfeiçoar, barrando somente as transações realmente suspeitas, em vez de apertar o crivo e recusar compras boas.

Imagine o caso da cliente que adquiriu um presente de Natal que não foi entregue a tempo e que, por desacordo comercial, solicitou chargeback: se você marcar aquela transação como fraude, o sistema antifraude pode entender que algum padrão daquela transação é suspeito e não aprovará alguns pedidos semelhantes – mesmo não sendo nem um pouco perigosos! Imagine o que pode acontecer com a sua taxa de falsos-positivos?

Já vimos casos em que até 30% das “fraudes” de um lojista eram, na verdade, chargebacks originados a partir de desacordos comerciais. Imagine a margem de melhora financeira – e também de modelo antifraude – que este e-commerce não teve depois que o orientamos a classificar os chargebacks recebidos?

Se a sua empresa ainda não realiza esta atividade, por que não incluir a classificação de chargebacks como meta para 2018? Pense nisso!

ok

Leia também
Por que a Konduto não caiu durante a Black Friday? Veja nossos 3 segredos!
Quase 2% das compras na Black Friday foram feitas com cartões clonados
As fraudes aumentam durante as férias? Por quê?

Sobre a Konduto

Somos uma empresa que desenvolveu uma tecnologia inovadora para barrar fraudes no e-commerce. Analisamos como um cliente se comporta desde o primeiro momento em que acessa o seu site até o instante em que a compra é concluída e geramos em tempo real uma recomendação sobre aquela transação.

Além dos dados cadastrais, nosso sistema também reúne outras informações básicas como fingerprint e geolocalização, dentre outras, e passa todos estes dados por um filtro de inteligência artificial. A venda é analisada em menos de 1s, sem prejudicar ou causar transtorno à operação do lojista. Nosso algoritmo de machine learning aprende com cada análise e evolui com o passar do tempo, reduzindo cada vez mais o número de fraudes.

Quer saber mais? Ficou alguma dúvida?

Fale com a gente no e-mail oi@konduto.com

Conecte-se com a Konduto também nas redes sociais: Linkedin, Facebook e Twitter