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.

Recomendamos passar os seguintes parâmetros adicionais no objeto custom_parameters do token:

ParâmetroTipoDescrição
registration_date
stringData de criação da conta de acordo com o padrão ISO 8601.
last_change_password_date
stringA data da última alteração de senha de acordo com o padrão ISO 8601.
total_sum
floatQuantia total de pagamentos.
unlocked_achievements
integerQuantidade de conquistas desbloqueadas.
user_level
integerNível, reputação ou classificação do jogador.
pvp_activity
booleanSe o jogador participa de batalhas PvP (Jogador vs jogador).
total_bans
integerQuantidade de vezes que o jogador foi banido no chat/fórum.
total_friends
integerQuantidade de amigos.
session_time
stringTempo médio de sessão de acordo com o padrão ISO 8601.
Observação
Consulte nossa documentação da API para ver uma lista completa de todos os parâmetros personalizados.

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:

Este artigo foi útil?
Obrigado!
Podemos melhorar alguma coisa? Mensagem
Que pena ouvir isso
Explique porque este artigo não foi útil para você. Mensagem
Obrigado pelo seu feedback!
Avaliaremos sua mensagem e a usaremos para melhorar sua experiência.
Última atualização: 10 de Outubro de 2023

Encontrou um erro de texto ou digitação? Selecione o texto e pressione Ctrl+Enter.

Relatar um problema
Nós sempre avaliamos nossos conteúdos. Seu feedback nos ajuda a melhorá-los.
Forneça um e-mail para que possamos responder
Obrigado pelo seu feedback!