Ganhos marginais #3: Protegendo os consumidores

Conquistar a confiança dos clientes é um dos pilares para o sucesso de uma marca. Oferecer segurança na hora do pagamento é uma obrigação de qualquer ecommerce. Tanto quem compra, quanto quem vende quer ter a certeza de que pagamento será garantido, sem riscos de fraudes ou adulterações.

É evidente que a segurança é fundamental, porém é preciso ter cuidado com os excessos nessa etapa. A necessidade de oferecer essa confiança aos clientes faz com que muitos ecommerces coloquem a segurança acima da experiência de compra do cliente, interferindo diretamente na taxa de autorização de pagamentos e recusando compras por suspeitas de fraude falsas.

Mesmo nesses casos de cuidado excessivo, não há indícios de queda relevante na taxa de fraudes, o que levanta questionamentos sobre os métodos utilizados. Neste sentido, como alinhar segurança com uma boa experiência dos clientes?

Nesta terceira parte da nossa série de ganhos marginais, vamos explorar formas de otimizar a segurança do seu negócio para proteger seus clientes, sem ter de abrir mão de uma boa experiência de compra. Veremos como personalizar a configuração de suas ferramentas de gerenciamento de risco, bem como usar algoritmos avançados e reconhecimento de comprador para obter as melhores taxas de autorização.

Você pode ler aparte 1 aqui neste linke aparte 2 neste outro link.

Vamos comparar este dilema com a experiência de ciclistas em uma corrida (este texto faz parte de uma série sobre ganhos marginais, termo cunhado pelo ex-treinador de ciclismo do Reino Unido). Pedalar devagar e sem intensidade faz com que o corredor chegue em último lugar.

Por outro lado, ir muito rápido e sem controle aumenta o risco de acidente ou queda. Para mesclar segurança e velocidade são projetados equipamentos que contribuem para os dois fatores: capacetes aerodinâmicos, pedais de encaixe, até a curva da pista do velódromo é pensada para que o ciclista atue em alto nível com segurança.

No exemplo acima nota-se o impacto positivo que pequenos ajustes têm no resultado final. Isso vale tanto para corridas de bicicleta quanto para segurança nos pagamentos. Investir em pequenas melhorias leva o negócio a um patamar mais elevado. O conceito dos ganhos marginais se baseia em promover melhorias de 1% em um número variados de áreas, resultando em ganhos acumulados que se somam e se tornam relevantes no final.

Para atuar de maneira precisa nesta linha tênue entre vulnerabilidade e cuidado excessivo, a Adyen desenvolveu a soluçãoRevenueProtect, uma ferramenta de gerenciamento de risco que se baseia em uma grande quantidade de dadospara identificar comportamentos incomuns e outros aspectos presentes em pagamentos fraudulentos. O serviço permite combinar a personalização das configurações com os algoritmos, adicionando ou criando regras de risco e listas de bloqueio, fornecendo a segurança necessária para o lojista e a experiência fluida ao cliente.

Retomando nossa metáfora do ciclismo, o RevenueProtect é como um capacete aerodinâmico: fornece a proteção necessária para lhe deixar seguro e aumenta o desempenho para melhorar seus resultados ao mesmo tempo.

Com o auxílio do RevenueProtect, é possível explorar dados de pagamento para conhecer seus clientes, descobrir os motivos e origens de pagamentos fraudulentos em seus canais de vendas, podendo adaptar sua empresa para lidar com fraudes em tempo real. Além de ser abrangente nos serviços, a ferramenta é capaz de englobar e se adaptar às empresas de qualquer setor.

Você deve procurar 5 componentes ao construir seu sistema de gerenciamento de risco. Alguns são óbvios (como tecnologia de detecção de fraude) e outros podem ser novos para você (teste e experimentação).

O primeiro passo para prevenir a fraude é ser capaz de detectá-la. A maioria das tecnologias de detecção de fraude usa ciência de dados avançada, com modelos demachine learningpara detectar anormalidades comportamentais em uma variedade de conjuntos de dados. A tecnologia pode ser configurada para segmentos específicos de alto risco, jogos de azar, por exemplo, ou regiões geográficas com taxas de fraude mais altas.

Encontre um provedor que utiliza vários modelos de aprendizado de máquina e teorias usadas para detectar fraudes. Dessa forma, você cobre todas as possibilidades e evita preconceitos não intencionais em relação ao local, método de pagamento ou valor da transação.

Usar a combinação de seu próprio conhecimento de risco e o da máquina é conhecido como 'aprendizado de máquina supervisionado'. Oaprendizado de máquina supervisionadousa dados rotulados, detalhes de autorização de pagamento e milhares de outros pontos de dados ao tomar decisões.

A ideia é que, partindo de uma base de informações, a máquina aprenda e se adapte a uma infinidade de situações de fraude.

Os fornecedores com um longo histórico de gerenciamento de risco, cobertura internacional, bem como acesso a transações abrangentes e dados do comprador, geralmente obtém melhor julgamento e resultados das máquinas. Certifique-se de que seu provedor esteja continuamente treinando a máquina para subir de velocidade conforme o terreno da fraude muda.

Lembre-se de que, com o aprendizado de máquina supervisionado, os resultados da máquina são tão bons quanto forem as bases de dados.

Adotar uma plataforma de gerenciamento de risco eficiente pode colaborar na construção de um modelo de regras de risco personalizadas. A aplicação das regras de risco coloca necessidades específicas como prioridade, ajudando a decidir o que deve acontecer com um pagamento em um determinado cenário.

Adicionar e adaptar essas regras é um dos meios de responder às mudanças e à sazonalidade do mercado. A definição de critérios de proibição para o negócio permite substituir manualmente as regras de aprendizado de máquina por suas próprias regras personalizadas, quando aplicáveis.

Fortaleça suas configurações de riscoconduzindo testes A/B regulares. Isso garantirá que você proteja seus clientes à medida que a fraude evolui.

Ao experimentar, estabelecer uma hipótese clara é essencial. Também é importante definir tamanhos de amostra significativos. Você pode conseguir isso executando testes mais longos, usando segmentos menores para que possa ver os indicadores de atraso ou escolhendo grupos com os quais gostaria de testar, por exemplo, áreas geográficas específicas em uma escala maior em menos tempo.

Procure um provedor que permita definir testes A/B, definir segmentos-alvo e obter recomendações sobre o tamanho que uma amostra deve ter.

Dicas da Adyen:Não execute uma experiência geral durante uma Black Friday ou outra data de vendas e aprenda como extrapolar os resultados para fazer alterações significativas com base em seus testes.

Sabemos que a fraude nem sempre é preto no branco. Se não forem fazendas de cliques oubots, é um comprador de verdade entusiasmado demais com uma conexão de internet lenta. É essencial ter a capacidade de otimizar seus fluxos de gerenciamento de risco e tomar decisões de revisão sólidas. Personalizar e segmentar suas filas de suporte permite que você controle o fluxo de casos, direcionando o tráfego para as filas de suporte corretas.

A capacidade de revisar pagamentos com informações relevantes é fundamental. Portanto, use um provedor que integre bancos de dados de terceiros, como verificadores de código postal, fragmentos de mídia social e outros bancos de dados de verificação.

Nem sempre é possível detectar fraudes, mas é ideal possuir soluções para evitá-las ao máximo. Melhorias incrementais como aprendizado da máquina, experimentação ou armazenamento de dados podem mudar totalmente a concepção de proteção da loja e dos seus clientes. São diversas as formas de se proteger. Quanto mais preparado o negócio estiver, menos risco enfrentará.