Estudo de Caso: Plataforma de Pagamentos

Onboarding mais rápido com melhor identificação de risco

Esta plataforma de pagamentos sediada na América do Sul precisava bloquear fraude sintética no momento do cadastro sem impedir usuários reais com poucos dados de identidade digital conhecidos. A Elephant ajudou a calibrar limites de confiança ajustados à infraestrutura regional, bloqueando automaticamente mais de 30% da fraude e reduzindo significativamente o volume de revisões manuais — tudo isso sem aumentar atrito para usuários legítimos.

O desafio

Em mercados onde dados tradicionais de verificação são inconsistentes ou incompletos, até mesmo usuários legítimos podem parecer suspeitos. Esta empresa de pagamentos estava expandindo rapidamente pela América do Sul, mas não conseguia escalar sua revisão manual nem continuar confiando em regras engessadas. Ataques de identidade sintética estavam crescendo e o atrito no onboarding já era elevado. A equipe precisava de uma forma melhor de distinguir novos usuários confiáveis, especialmente em ambientes com poucos dados.

Seus objetivos eram claros:

Bloquear fraude sintética no onboarding

Reduzir fricção desnecessária para usuários reais

Minimizar revisão manual

Calibrar limites de score às condições regionais de dados

Onde os sistemas estáticos falharam

Os sinais mais básicos não pareciam confiáveis por padrão

Muitos usuários reais tinham dados ausentes, conflitantes ou impossíveis de verificar, gerando revisão.

As regras não foram feitas para a América do Sul

Atributos como endereço e qualidade de e-mail não eram calibrados para as características regionais.

Excesso de casos seguindo para revisão manual

Usuários em zonas cinzentas eram desafiados excessivamente, sobrecarregando analistas e criando fricção desnecessária.

Falta de calibração de usuários “confiáveis”

O sistema detectava risco, mas não conseguia reconhecer confiança no início do processo.

Como o sistema mudou com a Elephant

Elephant introduziu uma camada de pontuação com duplo limite, adaptada aos padrões de risco regionais. O primeiro limite bloqueava usuários de altíssimo risco. O segundo enviava usuários de risco moderado para validação apenas quando a confiança não podia ser confirmada, reduzindo fricção desnecessária e capturando mais de dois terços da fraude restante.

O que mudou:

Limites adaptativos treinados no comportamento regional de usuários
Sinais interpretados conforme padrões locais, não padrões globais
Scores de confiança ligados diretamente a resultados, não apenas intuição
Revisões acionadas por lacunas de confiança, não por regras generalistas

Prova da inteligência de sinais:

E-mails nunca vistos nos dados da Elephant eram 72% mais propensos a serem fraudulentos
Telefones sem validação da operadora apresentavam 142% mais risco
Endereços sem verificação de rua eram 220% mais arriscados
E-mails com mais de 22 meses mostraram-se 37% mais confiáveis

O verdadeiro ganho? Precisão sem fricção

Após a implantação dos scores de confiança, o processo de onboarding ficou mais preciso em ambas as pontas. A fraude foi bloqueada mais cedo, as taxas de revisão se estabilizaram e usuários reais se cadastraram mais rápido. A equipe não precisava mais escolher entre segurança e escala.

O resultado foi um funil mais eficiente, construído para as realidades do onboarding na América do Sul.

31,36% da fraude conhecida foi bloqueada automaticamente

Usuários de alto risco foram rejeitados no cadastro sem revisão manual, agilizando o funil e prevenindo abuso de promoções desde o início.

67,53% da fraude conhecida foi direcionada à validação, não à aprovação

Os limites duplos capturaram a maior parte da fraude restante, acionando fricção somente quando os sinais eram fracos — preservando a boa experiência do usuário enquanto reduziam exposição.

80% da fraude conhecida foi bloqueada ou desafiada adequadamente

Juntos, os limites calibrados criaram uma barreira adaptativa que interceptou 4 de cada 5 cadastros fraudulentos — sem regras rígidas ou fricção generalizada.