A brecha do modelo genérico não aparece na aprovação. Aparece na perda.
Modelos de prateleira acertam o padrão de fraude mais recorrente do mercado e perdem precisão exatamente onde a sua operação é mais particular. O Score Antifraude Customizado combina dados exclusivos Quod e modelagem conjunta com o seu time para capturar a fraude que passa por essa brecha.
Onde o modelo genérico deixa de enxergar
Cada instituição enfrenta um perfil de fraude diferente, moldado pelo canal, pelo público, pela oferta e pelo momento da jornada. Um score treinado para representar a média do mercado protege bem o caso comum, mas a aderência cai quando a operação tem características próprias.
Um público com baixa recorrência de transações, um onboarding PJ com corte de risco diferente, ou um canal que ainda não acumulou histórico suficiente de fraude confirmada. Em cada um desses casos, o modelo genérico perde precisão exatamente onde a operação é mais particular.
O custo dessa distância não aparece no momento da decisão. Aparece depois, quando a fraude que passou vira perda, contestação e revisão de política. E aparece também do outro lado, quando o modelo compensa a imprecisão travando o bom cliente.
Onde o modelo genérico perde precisão
- Públicos com baixa recorrência de transações, onde há pouco histórico para o modelo aprender.
- Onboarding PJ, com estrutura de risco e volume de dados diferente do onboarding PF.
- Canais e ofertas específicas, cujo padrão de fraude ainda não está representado nos dados de mercado.
- O equilíbrio entre bloquear fraude e não travar o bom cliente, que muda de operação para operação.
Um score construído para a fraude do seu negócio
O Score Antifraude Customizado é desenvolvido em conjunto com o time da sua operação, combinando a especificidade do seu negócio com os dados exclusivos e a expertise antifraude da Quod. O resultado é um modelo aderente ao risco real da sua base, não à média do mercado.
Modelagem contínua
Dados exclusivos Quod
Para quem foi desenvolvida
Instituições financeiras, fintechs e empresas de tecnologia financeira que operam onboarding e transações e precisam de um score ajustado ao risco real da sua base de clientes.
Como atua
Une indícios de fraude atualizados diariamente, histórico creditício e três books de dados exclusivos Quod a um processo de modelagem discutido continuamente com o seu time.
Qual problema resolve
Reduz a perda de performance dos modelos genéricos, capturando fraude nas brechas específicas do seu negócio sem aumentar a fricção sobre o cliente legítimo.
Da especificidade do seu negócio ao score em operação
Um processo conduzido em conjunto, do entendimento do seu contexto até o acompanhamento contínuo do modelo.
Entendimento do negócio
Discussão contínua da especificidade da sua operação com o time Quod.
Envio da base
Dados históricos e dicionário de atributos, conforme os requisitos do layout.
Modelagem com contexto
Cruzamento com indícios de fraude, histórico e books exclusivos Quod.
Validação conjunta
Testes fora da amostra e fora do período (OOT) validados com o seu time.
Score em operação
Modelo implantado e acompanhado, com espaço para reajuste contínuo.
Books exclusivos que enxergam o que os outros não veem
Construídos sobre dados proprietários da Quod, indisponíveis em qualquer outro bureau do mercado, os três books atuam por eixos independentes e complementares, somando cobertura em vez de repetir o que as soluções tradicionais já fazem.
Fraude compartilhada entre instituições
Marcações diárias de vítima e fraudador da RUFRA (Resolução BCB nº 6/2023), reportadas por mais de 200 instituições financeiras.
Padrões atípicos via QuodX
Identifica padrões atípicos de volume, horário, valor e tipo de transação (PIX e outros) que antecedem a fraude.
Grafos de relacionamento
Cruza dados de emissor e recebedor com as marcações RUFRA, expondo riscos de conexão que não aparecem em uma análise isolada da conta.
Feito "a quatro mãos"
O score é construído com a especificidade de cada negócio, discutida continuamente ao longo do desenvolvimento do modelo.
Dados sempre atualizados
Indícios de fraude atualizados (~20 mil reportes por dia), somados a 33 milhões de registros históricos e mais de 220 milhões de dados creditícios.
Time especialista
Equipe com vasta experiência, validada em cases de grandes instituições, com capacidade de agregar valor além do modelo estatístico.
O que o Score Customizado entrega para a operação
Ganhos que aparecem tanto na performance do modelo quanto no dia a dia de quem decide.
Inteligência de dados
Captura ortogonal e complementar às soluções tradicionais de fraude do mercado.
Eficiência operacional
Menor fricção sobre o bom cliente, com impacto mínimo no volume de transações e onboardings.
Segurança
Performance adicional média de ~30% frente aos modelos de prateleira.
Apoio à decisão
Aprovar com confiança e bloquear com precisão, com um score alinhado ao seu contexto.
Performance validada em operações reais
Três aplicações do Score Customizado, em contextos e desafios diferentes de negócio.
Customizado para uma das maiores fintechs do Brasil. O cliente destacou a complementaridade da Quod à inteligência interna já existente.
Customizado para uma das maiores instituições financeiras de investimento do Brasil, com ótima captura mesmo em público de baixa recorrência de transações.
Caso de onboarding para um líder global em tecnologia financeira, que substituiu a solução concorrente pelo Score AF Customizado.
Por que este score é diferente
Dados exclusivos Quod
Construído sobre bases proprietárias: RUFRA, transacional QuodX e grafos de relacionamento. Indisponíveis em qualquer outro bureau do mercado.
Captura ortogonal, não redundante
Enxerga fraudes que escapam às soluções tradicionais, somando cobertura em vez de repetir o que os books de mercado já fazem.
Modelagem colaborativa e contínua
Construído a "quatro mãos", com a especificidade do negócio discutida ao longo de todo o desenvolvimento, não apenas no briefing inicial.
Performance validada
Ganho médio de ~30% frente a modelos de prateleira, confirmado em operações reais de transação e onboarding.
Simples de enviar, flexível de adaptar
O modelo é construído a partir de dados que o seu time já tem. Dois layouts padronizados, Transacional e Onboarding, organizam os requisitos conforme o caso de uso.
Formatos e volume mínimo aceitos para iniciar a modelagem.
- Base em CSV, parquet, txt ou Excel, acompanhada de dicionário de atributos (incluindo o conceito do target).
- Uma única safra não pode concentrar mais de 35–40% do volume total de registros.
- Mínimo de 3 safras consecutivas, com fraude já maturada.
- Ao menos 5 mil casos aprovados por segmentação e por safra (ex.: canal físico ou online).
- Ao menos 100 casos de fraude por segmentação e por safra, incluindo casos bons e maus em todas as quebras.
Variam conforme o layout (Transacional ou Onboarding), mas seguem a mesma lógica: quanto mais contexto cadastral e comportamental, maior a precisão do modelo final.
- Transacional: data e hora, documento e tipo de origem e destino (PF/PJ), marcação de fraude, status e valor da transação.
- Onboarding: CPF, data do evento, target e status.
- Desejáveis (ambos): dados cadastrais complementares, canal, segmento e tipo da fraude.