Stripe Radar: como ML treinado em US$ 1,4 trilhao em pagamentos reduz fraude em 38%

Durante a Black Friday e Cyber Monday de 2024, o Stripe Radar bloqueou 20,9 milhões de transações fraudulentas, no valor total de US$ 917 milhões, em apenas alguns dias. Esse número e possível porque o Radar foi treinado em US$ 1,4 trilhao em pagamentos processados pela Stripe em 2024 -- o equivalente a cerca de 1,3% do PIB global -- é analisa cada transação em tempo real usando centenas de sinais antes de decidir se ela passa ou não. O resultado médio: redução de 38% nas fraudes, com apenas 0,1% de transações legitimas bloqueadas incorretamente.

Neste post, vamos desmontar como o Radar funciona por dentro, por que sua abordagem de rede e tao eficaz é o que qualquer empresa pode aprender com a arquitetura da Stripe.

O que torna o Radar diferente: a vantagem da rede

A maioria dos sistemas antifraude trabalha com os dados de uma única empresa. O Radar tem uma vantagem estrutural: ele aprende com milhões de empresas que processam pagamentos pela Stripe em todo o mundo.

Por que isso importa:

• Um cartao que acabou de ser usado em uma fraude na Europa e imediatamente sinalizado quando tenta uma compra na America Latina -- mesmo que a empresa brasileira nunca tenha visto aquele cartao antes.
• Um padrão de ataque que surge em um e-commerce de moda e detectado antes de atingir um SaaS B2B, porque o modelo já aprendeu o padrão na rede.
• A Stripe afirma reconhecer 92% dos cartões que passam pela sua rede, o que permite construir um histórico comportamental para cada cartao, não apenas para cada empresa.

Isso cria um efeito de rede poderoso: quanto mais empresas usam o Radar, mais dados o modelo tem, melhor ele fica, mais empresas adotam. E um ciclo virtuoso que um sistema antifraude isolado não consegue replicar.

Por dentro do Radar: como cada transação e avaliada

Quando uma transação chega ao Stripe Radar, o seguinte processo acontece em milissegundos:

Etapa 1: Coleta de sinais

O Radar coleta mais de 1.000 caracteristicas de cada transação, incluindo:

• Dados da transação: valor, moeda, tipo de cartao, país de emissão.
• Dados do dispositivo: tipo de navegador, sistema operacional, resolução de tela, configurações de idioma.
• Dados de rede: endereco IP, provedor de internet, uso de VPN ou proxy.
• Dados comportamentais: velocidade de preenchimento do formulario, padrões de digitacao, movimentos do mouse.
• Histórico do cartao na rede Stripe: onde mais esse cartao foi usado, se houve chargebacks anteriores, padrões de gasto.

Etapa 2: Scoring por ML

Os sinais alimentam modelos de machine learning que combinam técnicas supervisionadas e não supervisionadas:

• Aprendizado supervisionado: treinado em milhões de transações históricas rotuladas como "fraude" ou "legitima". O modelo aprende os padrões que distinguem uma da outra.
• Aprendizado não supervisionado: detecta anomalias que não se encaixam em padrões conhecidos -- útil para fraudes novas que nunca foram vistas antes.
• Pontuacao de risco: cada transação recebe um score entre 0 e 100. Scores altos indicam alta probabilidade de fraude.

Etapa 3: Decisão

Com base no score, o Radar toma uma de três ações:

1. Aprovar: transações com score baixo fluem normalmente, sem atrito para o cliente.
2. Bloquear: transações com score alto são automaticamente recusadas.
3. Autenticacao adicional (3D Secure): transações com score intermediário são encaminhadas para verificação adicional -- o cliente precisa confirmar sua identidade via SMS, app do banco ou biometria.

Essa abordagem em três níveis e crucial: ela maximiza a detecção de fraudes sem prejudicar transações legitimas. Muitos sistemas antifraude só fazem "aprovar" ou "bloquear", gerando atrito desnecessario.

Os números do Radar

Radar para equipes de fraude: regras customizaveis

O Stripe Radar não é uma caixa-preta. Além do ML automático, ele oferece ferramentas para equipes de fraude criarem regras customizadas:

• Regras baseadas em atributos: bloqueie transações de países específicos, acima de determinados valores ou com cartões pré-pagos.
• Listas de bloqueio e permissao: adicione cartões, e-mails ou IPs específicos a listas de bloqueio ou permissao.
• Revisao manual: configure thresholds para encaminhar transações para revisao humana antes de aprovar ou bloquear.
• Testes A/B de regras: teste novas regras em uma parcela do trafego antes de aplica-las globalmente.

Essa combinacao de ML automático com regras customizaveis é um padrão de mercado que deve ser referência para qualquer sistema antifraude: a IA cuida do volume; a equipe humana cuida das exceções e das politicas.

Adaptacao contínua: como o Radar evolui

Um dos aspectos mais sofisticados do Radar e sua capacidade de adaptacao contínua. Fraudes não são estaticas -- os atacantes mudam de tatica constantemente. O Radar responde com:

• Retreinamento frequente: os modelos são atualizados com novos dados de fraude e transações legitimas regularmente.
• Feedback loop: quando um comerciante marca uma transação como fraude ou confirma que era legitima, essa informação alimenta o modelo imediatamente.
• Detecção de drift: o sistema monitora se a distribuição de transações esta mudando (por exemplo, um aumento repentino em transações de um país específico) e ajusta os modelos proativamente.
• Zero-day fraud detection: o aprendizado não supervisionado permite detectar padrões de fraude completamente novos, que nunca foram vistos antes.

Exemplo prático: quando um novo tipo de fraude com cartões virtuais surgiu em 2024, o Radar detectou o padrão em dias -- não semanas ou meses -- porque o modelo não supervisionado identificou anomalias estatisticas nas transações com esses cartões antes que elas fossem classificadas como fraude por humanos.

Stripe Radar vs. sistemas tradicionais: a comparação

Lições do Radar para pagamentos corporativos

O Stripe Radar foi desenhado para pagamentos de e-commerce (B2C), mas seus principios se aplicam diretamente a pagamentos corporativos (B2B):

1. A vantagem da rede é real

Um sistema antifraude que só analisa os dados da sua empresa esta em desvantagem. Busque soluções que compartilhem inteligência entre múltiplos clientes (respeitando privacidade) -- consorcios de dados, plataformas de scoring compartilhado ou feeds de inteligência de ameacas.

2. ML supera regras em escala

Regras funcionam quando o volume e baixo e os padrões de fraude são conhecidos. Quando o volume cresce e os ataques se sofisticam, ML e a única abordagem que escala sem proporcional aumento de equipe.

3. O custo de falsos positivos é real

A taxa de 0,1% de falsos positivos do Radar e notável. Em pagamentos corporativos, um falso positivo não é apenas um inconveniente -- é um pagamento a fornecedor atrasado, um relacionamento comercial danificado, uma operação parada. Qualquer sistema antifraude precisa ser avaliado não só pela taxa de detecção, mas também pela taxa de falsos positivos.

4. Transparência importa

O Radar oferece dashboards com métricas detalhadas de desempenho, regras customizaveis e logs de decisão. Essa transparência e essencial para compliance e para que a equipe financeira confie no sistema.

5. Automação com escapatoria humana

O modelo de três níveis (aprovar / bloquear / verificação adicional) e aplicável a pagamentos corporativos: pagamentos de rotina fluem automaticamente, pagamentos de alto risco são bloqueados e pagamentos na zona cinzenta vão para aprovação humana.

O ecossistema além do Radar

Vale notar que o Stripe Radar não opera isoladamente. Ele faz parte de um ecossistema que inclui:

• Stripe Identity: verificação de identidade com documentos e biometria.
• Stripe Financial Connections: verificação de contas bancárias para reduzir fraudes de ACH.
• Stripe Issuing: emissão de cartões corporativos com controles granulares de gasto.

Essa integração vertical -- da emissão do cartao a detecção de fraude na transação -- cria camadas de proteção que seriam dificeis de replicar com ferramentas isoladas.

Ações práticas para esta semana

1. Compare sua taxa de falsos positivos com o benchmark de 0,1%: se você usa algum sistema antifraude, calcule sua taxa de falsos positivos atual. Se estiver acima de 5%, existe espaço significativo para melhoria com ML.
2. Avalie se seu sistema antifraude aprende com dados externos: pergunte ao seu fornecedor se o modelo é treinado apenas com seus dados ou se tem acesso a uma rede mais ampla. A vantagem de rede pode ser a diferença entre detectar uma fraude em dias ou em meses.
3. Implemente o modelo de três decisões: revise seu fluxo de aprovação de pagamentos e crie três caminhos claros -- aprovação automática, bloqueio automático e verificação humana. Defina thresholds iniciais e ajuste com base nos resultados.
4. Ative feedback loops: garanta que, quando uma fraude e detectada (ou quando um falso positivo e identificado), essa informação volta ao sistema. Sem feedback, nenhum modelo melhora com o tempo.
5. Monitore métricas semanalmente: crie um dashboard simples com taxa de fraude detectada, taxa de falsos positivos, valor das fraudes bloqueadas e tempo médio de detecção. O que não é medido não melhora.