Como evitar fraudes
Como funciona
Parâmetros de jogo personalizados passados no token habilitaram o sistema antifraude (AFS) para agregar dados sobre os usuários a respeito de cada transação. Informações tais como a data de cadastro, data da última alteração de senha, soma total dos pagamentos ou tempo de sessão de jogo são todos usados para diferenciar entre usuários fraudulentos e usuários legítimos da forma mais precisa quanto possível. Quanto mais dados sobre os dispositivos do usuário e seus padrões de comportamento você fornecer à Xsolla, mais eficaz será a personalização dos filtros do AFS para detectar atividades fraudulentas em cada grupo de usuário identificado entre todos os seus projetos.
Para adicionar parâmetros personalizados, contate seu Gerente de Sucesso do Cliente ou envie um e-mail para csm@xsolla.com.
Exemplos:
- Uma data de cadastro, tempo de jogo total e nível do usuário em um jogo podem ser usados em disputas de estorno para estabelecer uma atividade típica de um usuário e detectar comportamentos fraudulentos em potencial.
- Datas do último login e da última alteração de senha são úteis para detectar contas invadidas.
Parâmetros recomendados
Recomendamos passar os seguintes parâmetros adicionais no objeto custom_parameters do token:
| Parâmetro | Tipo | Descrição |
|---|---|---|
registration_date | string | Data de criação da conta de acordo com o padrão ISO 8601. |
last_change_password_date | string | A data da última alteração de senha de acordo com o padrão ISO 8601. |
total_sum | float | Quantia total de pagamentos. |
unlocked_achievements | integer | Quantidade de conquistas desbloqueadas. |
user_level | integer | Nível, reputação ou classificação do jogador. |
pvp_activity | boolean | Se o jogador participa de batalhas PvP (Jogador vs jogador). |
total_bans | integer | Quantidade de vezes que o jogador foi banido no chat/fórum. |
total_friends | integer | Quantidade de amigos. |
session_time | string | Tempo médio de sessão de acordo com o padrão ISO 8601. |
Caso de uso
O exemplo descrito nessa seção apresenta um caso de uso bem-sucedido do AFS para reduzir significativamente a quantidade de fraudes.
Um novo jogo foi lançado no fim de maio de 2022. Imediatamente após o início das vendas, o AFS identificou um número significativo de fraudes no projeto: a taxa de fraudes no projeto atingiu 4,5% até o final do primeiro mês após o lançamento.
Dinâmicas da taxa de fraudes por mês:
Para reduzir a taxa de fraudes a um nível aceitável de 0,1 a 0,3%, nós implementamos o rigoroso aplicativo AFS para este projeto. Como resultado, a taxa de aceitação foi reduzida de 96% para 81,7% mensalmente, e 70% em alguns dias. Esse resultado indica que mais usuários passaram por verificações adicionais e dificuldades ao realizar pagamentos, particularmente se os parâmetros de pagamento deles e seus padrões de comportamento se assemelhassem a ações fraudulentas.
Dinâmicas da taxa de fraudes por mês:
Para melhorar a defesa de fraudes, foi acordado passar os seguintes parâmetros no jogo sobre os usuários ao AFS:
- tempo de jogo total (
total_hours) - nível do usuário no jogo (
user_level) - quantidade de personagens do usuário no jogo (
total_characters)
Utilizando os dados fornecidos, nós modificamos os filtros AFS com os novos parâmetros entre 20 e 22 de julho, como exibido no gráfico abaixo. Isso levou a um aumento de 15% na taxa de aceitação diária, de ~71,4% para ~86%. Adicionalmente, a quantidade de transações fraudulentas foi reduzida de 4,5% para um nível aceitável de ~0,14%, e permaneceu neste nível nos próximos meses.
Dinâmicas da taxa de fraudes por dia:
Encontrou um erro de texto ou digitação? Selecione o texto e pressione Ctrl+Enter.
