# Antifraude

O Antifraude Getnet avalia o risco de transações de e-commerce combinando dados fornecidos pelo cliente com tecnologias avançadas de machine learning, redes neurais, regras configuráveis e decisões gerenciais.

A precisão da detecção de fraudes aumenta conforme cresce o volume e a qualidade dos dados usados para treinar os modelos. Conjuntos de dados mais ricos permitem o uso de um conjunto mais amplo de indicadores de fraude, resultando em avaliações de risco mais precisas para cada transação.

A Payment Link API da Getnet conta com uma solução antifraude integrada que opera em tempo real ao longo de todo o fluxo de pagamento. O sistema analisa múltiplos sinais — como comportamento de compra, informações do dispositivo e consistência dos dados — para gerar um score de risco e aprovar ou bloquear transações automaticamente. Fornecer dados completos e precisos do cliente no momento da criação do payment intent melhora significativamente a eficácia da análise e aumenta as taxas gerais de detecção de fraude.

Por isso, pedimos que todas as informações obrigatórias do **cliente** sejam fornecidas corretamente no momento da criação de um **payment intent** da Payment Link API, conforme descrito abaixo:

| Campo | Tipo | Descrição | Exemplo |
|---|---|---|---|
|`customer_id`| String | Número de identificação do cliente | `customer_21081826`|
|`first_name`| String | Primeiro nome do cliente | `John`|
|`last_name`| String | Sobrenome do cliente | `Doe Smith`|
|`name`| String | Nome completo do cliente | `John Doe Smith`|
|`document_type` | String | Tipo de documento | `CPF`|
|`document_number`| String | Número do documento do cliente | `12345678912` |
|`email`| String | E-mail do cliente | `customer@email.com.br`|
|`billing_address`| Object | Informações completas do endereço do cliente | -- |

Exemplo de um objeto customer no 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 é uma técnica de prevenção a fraudes usada para identificar de forma única o dispositivo envolvido em uma transação, com base em uma combinação de atributos técnicos e comportamentais. Em vez de depender de um único identificador, o método analisa múltiplos sinais, como tipo de dispositivo, sistema operacional, características do navegador, endereço IP, geolocalização, resolução de tela, configurações de idioma e outros fatores do ambiente, para gerar um perfil único do dispositivo.

Dentro do ecossistema antifraude da Getnet, o device fingerprinting ajuda a detectar comportamentos suspeitos ao identificar padrões como transações repetidas a partir do mesmo dispositivo usando cartões diferentes, frequência de compra anormal ou inconsistências entre os dados do dispositivo e as informações do cliente. Essa abordagem fortalece a avaliação de risco ao permitir uma detecção mais precisa de tentativas de fraude, minimizando falsos positivos.

A eficácia do device fingerprinting aumenta quando os dados do dispositivo são coletados de forma consistente e correta durante o fluxo de pagamento, contribuindo para um score de risco mais confiável e para uma tomada de decisão mais precisa em tempo real, tanto para aprovação quanto para bloqueio de transações.