Pearson Henri (esq.), CTO, e Pedro Sanzovo, CEO da Legiti. Ambos são cofundadores da empresa. Foto: divulgação
A Legiti é uma plataforma que pretende reduzir o número de fraudes em um aplicativo ou e-commerce. Sua solução está presente no aplicativo da Zee.Now (Android, iOS) desde 2019 e, nesses três anos, foi responsável por aumentar a conversão de vendas dos produtos no delivery em 1,5% e a taxa de chargeback (quando uma cobrança é contestada pelo titular do cartão e o valor tem de ser devolvido, o que é feito pelo varejista) foi reduzida em 64%. Além disso, a marca registrou uma melhora de 3,8% no nível de aprovação dos clientes.
Segundo o cofundador e CTO da Legiti, Pearson Henri, o Zee.Now é um case de sucesso porque a ferramenta foi capaz de diminuir as fraudes e o chargeback, mas também aumentar a receita do app.
“Reduzir o número de fraudes pode ser fácil. Basta parar de aprovar as transações. Mas o mais importante são as aprovações. É preciso controlar a fraude, mas não pode prejudicar a receita do cliente. A nossa maior vitória com o Zee.Now, na minha opinião, foi a redução de chargeback e conseguirmos aumentar a taxa de aprovação, o que gerou um incremento de receita (tanto de vendas, quanto de dinheiro que era perdido em fraude) de R$ 49 mil, ou seja, R$ 6 mil em chargeback e R$ 43 mil relacionados à aprovação, referentes ao total, primeiro ano da operação (setembro a setembro de 2019 a 2020)”, lembra Pearson Henri, cofundador e CTO da Legiti em conversa com Mobile Time.
Como funciona e a empresa
A Legiti é uma API que permite que as aplicações e os sistemas dos clientes coletem uma série de dados comportamentais dos usuários. Isso pode ser tanto no site quanto no app. A inteligência artificial da empresa é capaz de identificar cerca de 4 mil características relacionadas às transações em um modelo preditivo de consolidação de padrões. Entre as features estão identificador do dispositivo usado para a compra, geolocalização, comportamento de compra (se refaz o carrinho depois que uma compra não é aprovada, por exemplo), entre tantos outros.
No geral, a empresa estima que já preveniu mais de R$ 62 milhões em perdas para seus clientes – que além da Zee.Now são Americanas Delivery, Daki, Gringo e Nuvemshop, entre outros.
A Legiti fechou 2021 com 13 empresas clientes em sua carteira. Para 2022, a meta é alcançar pelo menos 50 clientes e chegar a um faturamento anual de R$ 3 milhões. Para isso, deve aumentar a equipe, passando de 40 pessoas a pelo menos 80 até o final deste ano.
O processo de análise de fraude da Legiti acontece no fundo e automaticamente. No momento em que o cliente envia as informações de finalização da compra, a Legiti, analisa o processo em 2,5 segundos para enriquecer os dados com outras informações históricas do usuário. Em seguida, a plataforma envia ao cliente uma probabilidade de a compra ser ou não fraudulenta e oferece uma recomendação.
“A probabilidade de fraude é só uma parte do problema. Se um pedido de R$ 10 tem probabilidade de 50% de ser fraudulento, ok, não vai prejudicar tanto o cliente. Se for um pedido de R$ 1 mil reais, o risco de virar chargeback é maior para o cliente. É preciso entender o apetite de risco e definirmos, juntos, qual porcentagem aceitamos uma compra ou barramos”, explica Lourenço Biselli, head de soluções da Legiti.
Exemplos de fraudes na Zee.Now
O executivo lembra alguns casos descobertos pela plataforma. Um deles de um petshop concorrente que comprava uma série de produtos de forma fraudulenta e revendia em sua loja. Ou o caso de um fraudador que comprava apenas remédio antipulga para cachorro – que custa cerca de R$ 300, é pequeno e fácil de revender. Outro caso foi a descoberta de compras fraudulentas feitas pelo Comando Vermelho. “Grandes facções criminosas usam a fraude como fonte de renda”, explica Biselli.
Investimentos
Em janeiro deste ano, a empresa levantou R$ 42 milhões com os fundos Kaszek Ventures, GFC, Iporanga e Picus Capital, somando ao todo R$ 60 milhões em captações. O montante será destinado para o desenvolvimento de uma inteligência artificial – predominantemente machine learning – cada vez mais robusta e para os modelos preditivos – adaptados à realidade de cada negócio do cliente.
