# Antifraude

Antifraude Getnet evalúa el riesgo de las transacciones de comercio electrónico combinando los datos proporcionados por el cliente con tecnologías avanzadas de machine learning, redes neuronales, reglas configurables y decisiones gerenciales.

La precisión de la detección de fraude aumenta a medida que crecen el volumen y la calidad de los datos usados para entrenar los modelos. Los conjuntos de datos más completos permiten usar un conjunto más amplio de indicadores de fraude, lo que genera evaluaciones de riesgo más precisas para cada transacción.

Getnet Payment Link API cuenta con una solución antifraude integrada que opera en tiempo real durante todo el flujo de pago. El sistema analiza múltiples señales —como comportamiento de compra, información del dispositivo y consistencia de los datos— para generar un puntaje de riesgo y aprobar o bloquear transacciones de forma automática. Proporcionar datos completos y precisos del cliente al momento de crear la intención de pago mejora significativamente la eficacia del análisis y aumenta las tasas generales de detección de fraude.

Por lo tanto, te pedimos que proporciones correctamente toda la información requerida del **cliente** al momento de crear un **payment intent** de Payment Link API, según se detalla a continuación:

| Campo | Tipo | Descripción | Ejemplo |
|---|---|---|---|
|`customer_id`| String | Número de identificación del cliente | `customer_21081826`|
|`first_name`| String | Nombre del cliente | `John`|
|`last_name`| String | Apellido del cliente | `Doe Smith`|
|`name`| String | Nombre completo del cliente | `John Doe Smith`|
|`document_type` | String | Tipo de documento | `CPF`|
|`document_number`| String | Número del documento del cliente | `12345678912` |
|`email`| String | Correo electrónico del cliente | `customer@email.com.br`|
|`billing_address`| Object | Información completa de la dirección del cliente | -- |

Ejemplo de un objeto customer en el payment intent:

```json
{
  ...
  "customer": {
    "customer_id": "customer_21081826",
    "first_name": "John",
    "last_name": "Doe Smith",
    "name": "John Doe Smith",
    "email": "customer@email.com.br",
    "document_type": "CPF",
    "document_number": "12345678912",
    "phone_number": "5551999887766",
    "gender": "Male",
    "checked_email": false,
    "billing_address": {
      "street": "Av. Brasil",
      "number": "1000",
      "complement": "Sala 1",
      "district": "São Geraldo",
      "city": "Porto Alegre",
      "state": "RS",
      "country": "BR",
      "postal_code": "90230060",
      "reference": "Near the hospital"
    }
  },
  ...
}
```

## Device Fingerprint

Device fingerprinting es una técnica de prevención de fraude que identifica de forma única el dispositivo involucrado en una transacción, a partir de una combinación de atributos técnicos y de comportamiento. En lugar de depender de un único identificador, el método analiza múltiples señales, como tipo de dispositivo, sistema operativo, características del navegador, dirección IP, geolocalización, resolución de pantalla, configuración de idioma y otros factores del entorno, para generar un perfil único del dispositivo.

Dentro del ecosistema antifraude de Getnet, device fingerprinting ayuda a detectar comportamientos sospechosos al identificar patrones como transacciones repetidas desde el mismo dispositivo con diferentes tarjetas, frecuencia de compra anormal o inconsistencias entre los datos del dispositivo y la información del cliente. Este enfoque fortalece la evaluación de riesgo al permitir una detección más precisa de intentos fraudulentos, minimizando al mismo tiempo los falsos positivos.

La eficacia del device fingerprinting aumenta cuando los datos del dispositivo se recopilan de forma consistente y correcta durante el flujo de pago, lo que contribuye a un puntaje de riesgo más confiable y mejora la toma de decisiones en tiempo real para la aprobación o el bloqueo de transacciones.