Todos os artigos Fraud & ATO

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.

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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 com POST /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.

Continue lendo