A OLX informa aumentou em 2,6% sua taxa de autorização em transações utilizando a ferramenta de Machine Learning da Adyen, plataforma de pagamento ponta a ponta. A empresa utiliza os serviços da Adyen para processar todas as compras de produtos pagos – destaques e planos de anúncios. A melhoria de performance foi possível após análise detalhada dos dados de pagamento da plataforma pelo algoritmo inteligente durante oito semanas, resultando em uma otimização da conversão na etapa de checkout das compras.
Com um alto volume de transações, a OLX Brasil está entre os maiores marketplaces do mundo, e como tal, a empresa sempre viu no gerenciamento de riscos de pagamentos um desafio importante. Com o objetivo de ter mais controle e eficiência na prevenção a chargebacks (contestações de compras pelo consumidor que devem ser ressarcidas pelos varejistas), a empresa se uniu a Adyen no último trimestre de 2017 para usufruir da plataforma única que reúne os serviços de processamento, adquirência e gerenciamento de risco.
Reforçar a gestão de risco de pagamentos, contudo, é uma tarefa complicada: regras de segurança mais rígidas podem significar também uma diminuição das taxas de aprovação das compras legítimas. De acordo com dados da Merchant Risk Council de 2018, cerca de 2,5% de todas as transações digitais são bloqueadas em sistemas de antifraude – sem a garantia de que todas são fraudulentas.
Para lidar com esse desafio, a OLX e a Adyen criaram uma estratégia baseada na tecnologia de machine learning e no uso inteligente de dados. Ao analisar a base de informações de pagamentos construída em pouco mais de seis meses, o algoritmo entendeu melhor o comportamento dos consumidores e forneceu insights sobre como otimizar a conversão e aprovar mais transações.
Com esse conhecimento em mãos, o próximo passo foi rever o perfil de risco utilizado na ferramenta de proteção antifraude de pagamentos da OLX. Esse perfil é composto por diferentes campos de dados, como localização, e-mail, ticket médio, dados do cartão, produtos no carrinho de compra e histórico do usuário, entre outros. Nele, cada um desses tópicos recebe uma pontuação de acordo com o risco de fraude que representa. Uma empresa que costuma vender para determinada região do país, por exemplo, pode determinar que compras realizadas em outras regiões tenham uma pontuação maior, correspondendo a um maior risco de fraude.
Foi então criado um segundo perfil de risco de pagamento reunindo um novo conjunto de regras. O machine learning calibrou as pontuações de cada uma delas de acordo com os dados gerados pelo histórico de vendas da empresa.
A primeira fase do período de testes durou quatro semanas, entre outubro e novembro de 2018, quando apenas 10% do volume de vendas foi enviado para o novo perfil antifraude de pagamentos. Ao apresentar bons resultados, o volume passou para 25% por mais 2 semanas, e depois para 50% nas duas últimas semanas. Após as 8 semanas, todo o volume foi migrado para o novo perfil de risco, e o resultado final foi um crescimento de 2,6% na taxa de autorização, com manutenção dos níveis de chargeback.
