IA para Processamento de Devoluções: Prevendo Quais Devoluções São Fraudulentas
A fraude em devoluções custou aos varejistas dos EUA cerca de 24,5 bilhões de dólares em 2025, segundo a National Retail Federation. Para cada $100 em mercadorias devolvidas, cerca de $15,14 eram fraudulentos. O problema está crescendo mais rápido do que o e-commerce em geral porque os fraudadores se tornaram sofisticados, e a maioria dos varejistas ainda depende de políticas de devolução genéricas que tratam todos os clientes de forma idêntica.
Um varejista de artigos esportivos com cerca de $80 milhões em receita anual online compartilhou que estava perdendo aproximadamente $1,9 milhão por ano com fraudes em devoluções antes de implementar um sistema de detecção baseado em IA. Após 14 meses com o sistema em funcionamento, as perdas confirmadas por fraude caíram para cerca de $620.000. O modelo não detectou tudo, mas sinalizou o suficiente para reduzir as perdas em dois terços.
Os Padrões Comuns de Fraude
O wardrobing é a forma mais prevalente, onde clientes compram roupas ou acessórios, usam uma vez (geralmente para uma foto nas redes sociais ou evento) e devolvem. Os sinais incluem devoluções de itens de alto valor dentro de 2-3 dias, devolução de itens com etiquetas recolocadas (às vezes detectável através de dados sobre a condição da etiqueta, se o seu armazém rastreia isso) e padrões repetitivos do mesmo cliente.
A fraude de bracketing ocorre quando clientes intencionalmente pedem vários tamanhos ou cores planejando devolver a maioria deles. Isso nem sempre é fraudulento (alguns varejistas incentivam), mas se torna um problema quando combinado com wardrobing ou quando os itens devolvidos mostram sinais de uso. O sinal diferenciador é a taxa de devolução: bracketers legítimos devolvem 60-70% dos pedidos com múltiplos itens, enquanto bracketers fraudulentos frequentemente devolvem 90%+ com itens que não podem ser revendidos como novos.
A fraude de recibos e troca de preços envolve devolver itens comprados com desconto pelo crédito do preço cheio, ou devolver um item mais barato na caixa de um mais caro. Esses são mais difíceis de detectar sem inspeção física, mas a IA pode sinalizar padrões suspeitos como clientes que consistentemente devolvem itens que foram comprados durante promoções.
O crime organizado no varejo representa uma porcentagem menor em volume, mas uma parcela maior das perdas em dólares. São operações profissionais que compram produtos e os devolvem por crédito na loja ou reembolsos. Os sinais comportamentais são diferentes da fraude individual: múltiplas devoluções em diferentes contas usando endereços ou dispositivos semelhantes, devoluções de itens de alta demanda em grande quantidade e contas novas sem histórico de compras fazendo grandes devoluções.
O Que os Modelos de IA Realmente Analisam
Os modelos de detecção de fraude que funcionam melhor em devoluções de e-commerce não analisam um único fator. Eles pontuam devoluções com base em uma combinação ponderada de sinais. O histórico de devoluções do cliente é o preditor mais forte. Um cliente com uma taxa de devolução de 65% em mais de 30 pedidos tem um perfil de risco fundamentalmente diferente de alguém devolvendo seu segundo item. O modelo rastreia não apenas a taxa de devolução, mas a velocidade de devolução (quão rapidamente os itens voltam), a distribuição do valor das devoluções (sempre devolvendo o item mais caro em um pedido com múltiplos itens) e padrões sazonais.
Os dados no nível do item também importam. Certas categorias de produtos têm taxas de devolução naturalmente mais altas (vestuário tem média de 25-30%, enquanto eletrônicos ficam em torno de 8-10%). O modelo precisa de baselines específicos por categoria para evitar sinalizar devoluções legítimas em categorias com alta taxa de devolução. Dentro das categorias, itens específicos com taxas de devolução incomumente altas de segmentos específicos de clientes podem indicar um padrão direcionado de wardrobing.
Dados de dispositivo e sessão adicionam outra camada. Se a mesma impressão digital de dispositivo está associada a múltiplas contas que todas apresentam comportamento de alta devolução, isso é um forte sinal de fraude organizada. Padrões de endereço IP, impressões digitais do navegador e cronogramas de criação de contas alimentam a pontuação de risco.
Padrões de tempo são surpreendentemente informativos. Devoluções fraudulentas se concentram em janelas específicas: logo antes do prazo da política de devolução, imediatamente após grandes eventos ou feriados (sugerindo wardrobing para o evento) e suspeitosamente rápido após a entrega (pedido, recebido e devolvido em 48 horas sem motivo aparente).
Construir vs. Comprar um Sistema de Fraude em Devoluções
Soluções prontas de empresas como Riskified, Signifyd e Forter oferecem pontuação de fraude em devoluções como parte de suas plataformas mais amplas de prevenção de fraude. Essas funcionam bem para varejistas de médio porte porque foram treinadas com dados de centenas de comerciantes, dando aos seus modelos uma visão mais ampla dos padrões de fraude do que qualquer varejista individual poderia desenvolver sozinho. Os custos típicos variam de 0,5-1,5% do valor da devolução processada pelo sistema.
Construir internamente faz sentido para grandes varejistas com padrões de fraude únicos ou aqueles que processam devoluções suficientes (mais de 50.000 por mês) para treinar seus próprios modelos de forma eficaz. A construção normalmente envolve um pipeline de engenharia de features que extrai os sinais descritos acima, um modelo de gradient boosting ou rede neural treinado em devoluções históricas rotuladas como fraudulentas ou legítimas, e uma API de pontuação que avalia cada solicitação de devolução em tempo real.
O problema da rotulação é a parte mais difícil de construir internamente. A maioria dos varejistas não possui dados históricos limpos sobre quais devoluções foram realmente fraudulentas. Frequentemente é necessário começar com um sistema baseado em regras (sinalizando devoluções que atendem a certos critérios para revisão manual), usar os resultados da revisão manual para construir um conjunto de dados rotulado e então treinar um modelo com esses dados rotulados. Esse processo de bootstrap leva de 6 a 12 meses para gerar exemplos rotulados suficientes para um modelo confiável.
O Que Fazer Com as Pontuações de Fraude
O modelo gera uma pontuação de risco, tipicamente de 0 a 100. A questão é o que fazer com ela. A maioria dos varejistas implementa uma abordagem de três níveis. Devoluções de baixo risco (pontuação abaixo de 30) são processadas automaticamente sem fricção. Devoluções de risco médio (30-70) passam pelo processo normal, mas são sinalizadas para revisão pós-processamento. Devoluções de alto risco (acima de 70) acionam etapas adicionais de verificação antes que o reembolso seja emitido.
Essas etapas adicionais podem incluir exigir fotos do item antes que uma etiqueta de devolução seja gerada, direcionar a devolução para uma equipe de inspeção dedicada no armazém, atrasar o reembolso até que o item seja recebido e inspecionado ou, em casos extremos, informar educadamente ao cliente que a devolução não se qualifica sob a política atual.
A chave é calibrar os limites. Defina o limite de alto risco muito baixo e você adiciona fricção para clientes legítimos, prejudicando a satisfação e o valor vitalício. Defina muito alto e você perde fraudes. A maioria dos varejistas começa de forma conservadora (limite em 80-85) e gradualmente o reduz à medida que ganham confiança na precisão do modelo.
Para empresas de e-commerce e varejo que lidam com volumes crescentes de devoluções, mesmo um sistema básico de pontuação de fraude que detecta os padrões mais óbvios pode recuperar 1-3% das perdas relacionadas a devoluções. Quanto mais sofisticadas se tornam sua coleta de dados e o treinamento do modelo, maior será essa taxa de recuperação. Os varejistas que obtêm os melhores resultados são aqueles que tratam a detecção de fraude em devoluções não como um projeto único, mas como uma otimização contínua, retreinando regularmente seus modelos à medida que os padrões de fraude mudam e evoluem a cada temporada.