Antifraude com modelos próprios: caso real em pagamentos
Reduzimos chargeback em 68% sem aumentar atrito. Como combinamos análise de grafos, anomalia multivariada e LLMs para investigação assistida.
O cliente é uma processadora de pagamentos com volume na casa das centenas de milhões de transações por mês. A operação dependia de um vendor de scoring externo, com latência alta, falsos positivos crescentes e zero explicabilidade. Saímos de lá com modelo próprio em produção em 14 semanas.
O ponto de partida
Três métricas ruins ao mesmo tempo: chargeback em 0,38% do volume, falsos positivos em 12% (cliente legítimo bloqueado), latência média do scoring em 220ms. O scoring vinha de uma API de terceiro com regras opacas e custo unitário alto.
O que mudamos
Construímos três modelos em camadas: um classificador rápido para 95% dos casos, um modelo de grafo para detectar redes de mulas, e um modelo de anomalia multivariada para detectar comportamento atípico. Por cima, um agente LLM que prepara o caso para o investigador humano com hipóteses já organizadas.
Os resultados, 90 dias depois
Chargeback caiu para 0,12% (-68%). Falsos positivos caíram para 5,5% (-54%). Latência média ficou em 78ms — três vezes mais rápida que o vendor. O time de investigação resolve hoje 3,2x mais casos por dia, porque o agente já fez o trabalho de coletar contexto.