Por Rodrigo Castro
É fato que o mercado eletrônico está cada vez mais relevante para compor o faturamento das empresas. No Brasil, estima-se que, em 2018, este canal de venda atinja R$ 53,5 bilhões em receita, um crescimento de 12% em relação em 2017. A permeabilidade de dispositivos móveis e de aplicativos, assim como a disseminação dos market places e a capilarização da malha logística das empresas fazem os clientes se encantarem pelo mundo virtual.
Para melhorar ainda mais o processo de compra do consumidor, a integração entre operação virtual e física com o cliente avança e, igualmente, as políticas e abordagens diferencias para os seus múltiplos canais, agora se transformam numa experiência única do usuário, seja qual for a forma de compra.
O cliente compra no site, pega o produto na loja ou recebe em casa. Ele pode também retirar em armários mais próximos dele. Ou receber de couriers cadastrados em uma plataforma de entrega. Não importa! O modelo omnichannel veio para ficar. E com ele, vem também as oportunidades para fraude.
Nos EUA, estima-se que as empresas perderam US$ 6 bilhões em fraudes no e-commerce por apropriação fraudulenta de cadastro em 2017. Um aumento três vezes maior sobre o ano de 2016. Além disso, há estudos que indicam que 5% de todas as devoluções de mercadorias são fraudulentas, o que representa aproximadamente US$ 22,5 bilhões.
A coleta de itens em lojas físicas e armários aumenta as chances dessas fraudes por conta do total anonimato do fraudador, visto que, além de realizar as compras por trás de um computador ou dispositivo móvel, ele não precisa apontar nenhum endereço para a entrega do item. Outro agravante é o menor espaço de tempo entre a aprovação do pedido e a entrega do item. Quando se identifica um potencial problema, a compra já foi fraudada.
A solução para evitar essas fraudes está na análise das pegadas digitais do cliente para identificar chances dele ser um fraudador. A coleta de grandes massas de dados, aliada à análise por um conjunto de modelos de inteligência artificial, assim como por algoritmos estatísticos paramétricos e não paramétricos, permitem traçar um perfil individualizado de cada cliente durante toda a sua experiência de compra.
Imagine um usuário que demore para escrever o seu próprio nome, seu próprio CPF e seu próprio endereço? Não é comum alguém não saber os seus dados pessoais. Pode ser que ele esteja utilizando dados roubados de outra pessoa. Mas pode ser também que ele esteja realizando um cadastro para um parente, que não entenda muito de computador. E se ele estiver realizando este cadastro em um celular pré-pago, recém adquirido e sem uso? As chances de fraude aumentam.
E se o endereço para entrega for em um estado ou país diferente da geolocalização do seu dispositivo? Ou o e-mail cadastrado for uma conjunção de letras e números aleatórios, como se houve sido recém-criado? Essas são algumas pegadas que, em conjunto, podem identificar um fraudador no ato de seu cadastro.
Num primeiro momento, esses resultados podem ser falso-positivos. Mas se houver um modelo de aprendizado de máquina, que é o Machine Learning, retroalimentado com o resultado daquela análise inúmeras vezes, o nível de precisão pode ser altamente confiável.
Para estas situações em que existem altas probabilidades do cliente ser um potencial fraudador, o varejista pode criar processos distintos para a coleta do item, como, por exemplo, a apresentação de documento de identidade e comprovante de residência na entrega ou uma entrega em mãos, podendo até restringir alguns meios de entrega.
Da mesma forma, clientes com uma longa e saudável experiência de compra podem ter experiências de compra com menos fricção e com mais opções de entrega. Literalmente, o perigo está em todos os lados.
Rodrigo Castro, líder da Prática de Prevenção de Perdas da Protiviti, consultoria global especializada em Gestão de Riscos, Auditoria Interna, Compliance, Gestão da Ética, Prevenção à Fraude e Gestão da Segurança.