Como o Airbnb usa fricção direcionada em vez de bloquear — e como fazer isso no seu negócio
Quando alguém paga uma reserva do Airbnb com um cartão roubado, cedo ou tarde o titular verdadeiro contesta a cobrança. O blog de engenharia do Airbnb explicou em 2018 que a empresa arca com o custo desses chargebacks em vez de repassá-lo aos anfitriões. Ou seja, barrar reservas com cartão roubado pesa direto no caixa dela.
A resposta óbvia é bloquear tudo o que parece arriscado. O problema é que “parece arriscado” é uma pontuação, não um fato. Acima de qualquer limite existem reservas de hóspedes de verdade: alguém pagando de outro país, uma primeira reserva de madrugada, um cartão usado pela primeira vez. Se você bloqueia, perde um cliente que não fez nada de errado.
O Airbnb escolheu um caminho do meio. No artigo “Fighting Financial Fraud with Targeted Friction”, David Press, cientista de dados da área de confiança do Airbnb, descreveu como a empresa aplica etapas extras, chamadas de fricções, só às reservas que os modelos marcam, e como decide onde traçar a linha.
O que o Airbnb construiu
O método, como descrito no artigo e no resumo publicado pela InfoQ, tem quatro partes.
Um modelo treinado com casos passados. O Airbnb pontua as transações com modelos de machine learning treinados com exemplos de comportamento confirmado como legítimo e confirmado como fraude. O modelo não decide nada sozinho: ele gera uma pontuação.
Fricção em vez de um muro. Acima do limite, algumas transações são bloqueadas de cara, mas na maioria dos casos o usuário tem a chance de completar uma verificação adicional. Os exemplos do artigo são coisas que um titular real consegue fazer e quem tem só o número de um cartão roubado normalmente não:
- Microautorização. Duas cobranças pequenas são feitas no cartão e o usuário confirma os valores, que só quem acessa a conta daquele cartão consegue ver.
- 3-D Secure. O banco emissor autentica o próprio cliente.
- Fatura do cartão. O usuário envia uma fatura do cartão.
Um custo explícito para cada erro. O artigo define quanto custa cada resultado. Um falso positivo é uma reserva boa que recebeu fricção: alguns usuários bons não completam a etapa e deixam de usar o Airbnb. Um falso negativo é uma fraude que ficou abaixo do limite: custa o pagamento inteiro mais custos extras, como taxas do processador e o risco de mais recusas de cartão. Um verdadeiro positivo é uma fraude que a fricção barrou. O limite é escolhido para minimizar o total desses custos, e não para pegar o máximo de fraude possível.
Um preço medido para cada fricção. Esta é a parte que quase todo mundo pula. Para saber quantos usuários bons cada fricção perde, o Airbnb fez testes A/B na sua plataforma de experimentos. Ele colocou usuários com pontuação baixa, muito improváveis de serem fraudadores, para ver a fricção na mesma etapa do funil em que os suspeitos a veriam. A desistência nesse grupo é o custo da fricção com clientes bons, medido em vez de chutado.
Os números
O artigo do Airbnb traz um exemplo numérico que compara bloquear com aplicar fricção. Preferimos mandar você para a fonte a parafrasear os números: leia no artigo do Airbnb. O que importa aqui é o formato do argumento: a comparação é feita em dinheiro, e o custo com clientes bons entra na mesma conta que a fraude evitada.
O que dá para copiar e o que não dá
O que não dá: o Airbnb tem anos de reservas rotuladas, uma equipe de ciência de dados e uma plataforma própria de experimentos. Um negócio com alguns milhares de cadastros por mês não consegue treinar um modelo assim, e os testes A/B dele serão pequenos. Algumas fricções do Airbnb, como as microautorizações, também dependem da forma como ele cobra.
O que dá:
- Uma resposta do meio. Entre permitir e bloquear deve haver uma etapa, e quase sempre mais de uma.
- A etapa deve combinar com o risco. Uma checagem leve para tráfego um pouco estranho, uma mais forte onde há dinheiro em jogo.
- Erros têm preço. Anote quanto custa uma fraude que passa e quanto custa perder um cliente bom. O limite certo sai desses dois números, não de um palpite.
- Teste a fricção primeiro com usuários bons. Uma amostra pequena de usuários de baixo risco mostra quantas pessoas uma etapa perde antes de você mostrá-la a todos os casos duvidosos.
Como fazer isso no seu negócio
O Prynt Control foi construído em torno desse padrão. A Prynt nunca bloqueia por conta própria: ela devolve uma decisão e uma etapa sugerida, e o seu código decide o que o usuário vê.
- Comece no modo espelho. Nos primeiros 14 dias a Prynt só observa. No 14º dia ela mostra, caso a caso, o que teria barrado. É a sua primeira visão de quantos usuários marcados eram clientes de verdade, antes de alguém ver qualquer etapa. As regras também podem rodar em modo de avaliação antes de você ativá-las.
- Escolha o momento com uma decisão por caso de uso. Cadastro, teste grátis, bônus ou promoção, login, checkout, assento extra: cada um tem uma decisão pronta com três resultados, permitir, pedir etapa extra ou bloquear. Um cadastro arriscado e um checkout arriscado merecem respostas diferentes.
- Use a escada de fricção na etapa extra. Em vez de um sim ou não, a resposta diz qual etapa pedir: nenhuma, depois captcha, depois verificar e-mail, depois cartão ou passkey, e por fim bloquear. Como as fricções do Airbnb, cada degrau é fácil para uma pessoa real e mais difícil para automação ou para quem opera muitas contas. A maior parte do tráfego arriscado deve cair num degrau baixo; bloquear deve ser raro.
- Coloque preço nos seus erros. Para cada caso de uso, anote quanto custa uma fraude que passa (um chargeback, um teste grátis abusado, um bônus pago) e quanto vale um cadastro ou uma venda perdida. Se uma etapa perde mais clientes bons do que vale a fraude que ela barra, desça-a na escada: no console você define a etapa mais alta de cada caso de uso.
- Meça cada etapa com usuários bons. Mostre uma etapa a uma fatia pequena e aleatória de usuários de baixo risco por uma semana e compare quantos a completam com quem não viu nada. É o experimento do Airbnb na sua escala: um número aproximado, mas real.
- Devolva os resultados. Quando um caso se mostrar fraude ou legítimo, informe com
POST /v1/outcomes. Esses rótulos é que permitem que as decisões melhorem com o tempo, do mesmo jeito que o modelo do Airbnb aprende com casos confirmados. Informe também o resultado de cada etapa comPOST /v1/control/steps: um dispositivo que passou não vê a etapa de novo nesse caso de uso por 30 dias, a menos que surja algo mais grave, e um que falhou recebe um degrau a mais.
A fricção só funciona se os sinais por trás dela quase nunca marcam pessoas reais. Publicamos os nossos na página de precisão: no nosso laboratório, a Prynt marcou como bot 0 de 240 pessoas reais e detectou 89% das ferramentas de automação furtiva (238 de 268). Resultado de laboratório não é resultado de campo, e esse é mais um motivo para começar no modo espelho e medir.
A parte honesta
Fricção direcionada não sai de graça. Toda etapa perde alguns usuários bons, e o ponto do Airbnb foi justamente medir essa perda em vez de fingir que ela era zero. Você não vai ter os dados do Airbnb nem a plataforma de experimentos dele, e as suas medições vão ter mais ruído. Mas o hábito é o mesmo em qualquer tamanho: peça uma etapa em vez de fechar a porta, escolha a etapa mais leve que funciona e confira quanto ela custa com as pessoas que você quer manter.
A Prynt não tem afiliação com o Airbnb; este artigo descreve o trabalho que o Airbnb publicou.
Try it free
Prynt is device intelligence with a free plan: 5,000 identifications a month, visitor IDs with confidence and bot detection — no credit card. Upgrade to Pro for VPN, proxy, tampering and behavioral signals.