Para as empresas de hoje, a verdadeira vantagem competitiva vem do uso inteligente de insights e da implementação dos parâmetros certos para autenticar, de forma integrada, transações que são, de fato, genuínas.
Com os fraudadores empregando métodos cada vez mais sofisticados — incluindo aqueles impulsionados por IA, que podem criar novos vetores de ataque para maus atores — as empresas devem confiar em mais do que apenas as regras estabelecidas que funcionaram no passado. O futuro reside na inteligência contextual e nos insights de identidade: entender como as informações se conectam, como os padrões se desviam da norma e como interpretar sinais sutis em tempo real.
Considere uma transação com um endereço de e-mail de john.doe@gmail.com. Com base em insights de transações anteriores, um sistema alimentado por IA pode identificar se o e-mail foi criado recentemente, indicando possível atividade fraudulenta, ou se é um endereço de e-mail antigo e mais confiável.
Para criar uma experiência de transação mais segura sem sacrificar a agilidade, as empresas devem aproveitar uma combinação de aprendizado de máquina, padrões históricos e insights em tempo real. Aqui estão alguns tipos comuns de insights que podem ajudar a tornar isso realidade:
1. Capacidades de pessoa: ao analisar identificadores comuns como nomes, e-mails, endereços e números de telefone no contexto certo, as empresas podem capturar insights sobre esses identificadores que podem ajudar a informar sua decisão sobre seguir em frente e confirmar uma interação digital. Aqui estão três coisas importantes a considerar, especialmente em relação a novos usuários:
- E-mail: O endereço de e-mail foi criado recentemente ou já apareceu em transações legítimas anteriormente.
- Nome: O nome desta pessoa foi vinculado anteriormente a este e-mail ou endereço de entrega?
- Número de telefone: O número de telefone é consistente com o comportamento de compra anterior ou foi sinalizado em tentativas de fraude anteriores?
Esses insights, quando combinados e analisados, podem atribuir uma pontuação que reflete o risco geral de uma transação. Uma pontuação de risco mais alta não significa necessariamente a ocorrência de algo malicioso — mas pode justificar uma análise mais detalhada para examinar os insights usados para fazer essa determinação. A boa notícia é que as lojas podem criar ações automatizadas com base em cada pontuação, o que significa que transações mais seguras são aprovadas, enquanto potenciais fraudadores encontram rodadas adicionais de autenticação.
2. Capacidades de comportamento: este tipo de informação refere-se a como alguém interage com um site ou serviço. Com as ferramentas certas, isso pode muitas vezes ser mais revelador do que as informações diretas que eles fornecem. Aqui está um possível sinal de alerta a ser observado:
- Valor e volume da transação: O tamanho ou a frequência de uma transação está fora do padrão para este usuário específico?
Modelos de IA e aprendizado de máquina aprendem com esses padrões, sinalizando comportamentos que se desviam drasticamente das normas esperadas. Com o tempo, elas se tornam mais inteligentes — distinguindo entre uma compra de presente feita tarde da noite e um fraudador operando por meio de uma identidade falsa.
3. Capacidades do dispositivo: O tipo de dispositivo que um consumidor usa para acessar o serviço de uma empresa, como um celular, tablet ou computador, pode oferecer informações cruciais sobre a legitimidade. As empresas devem acompanhar:
- Consistência: O dispositivo do consumidor é o usado habitualmente por esta conta?
- Tipo de dispositivo: O sistema operacional ou navegador está desatualizado, com root ou é conhecido por estar associado a atividades fraudulentas? Por exemplo, um dispositivo Android exibindo um user agent com um navegador Apple iOS Safari pode ser motivo de preocupação.