Pagamentos como um problema de otimização em múltiplas etapas

A otimização de pagamentos costuma ser tratada como um problema de taxa de autorização, mas a autorização é apenas um componente de um sistema mais amplo. Cada transação passa por checkout, avaliação de fraude, autenticação, autorização, compensação e contestações, com pontos de decisão distintos em cada etapa. Essas decisões são interdependentes: um modelo de fraude muito agressivo pode reduzir as taxas de contestação, mas também diminuir a conversão, enquanto uma estratégia de autenticação que minimiza atritos sem considerar o risco aumentará recusas e contestações.

A Stripe aplica otimizações em todas as etapas, desde a personalização do formulário de checkout até a decisão de solicitar um desafio 3DS ou uma isenção, e até a formatação dos campos de uma mensagem de autorização. Ao longo do ciclo de vida do pagamento, essas otimizações geram até US$ 27 bilhões por ano em receita incremental, reduzem fraudes em média em 38% e diminuem os custos de processamento em até 3,3% para empresas que usam a Stripe.

1. Checkout

A maioria das transações com falha nunca chega à autorização; elas são perdidas no checkout. Um cliente na Holanda que não vê o iDEAL pode abandonar o carrinho. Um cliente no Brasil que vê preços em USD pode hesitar, pois o custo final com tarifas de câmbio é incerto. Um cliente considerando uma compra de alto valor, sem a opção de pagamentos parcelamentos com um provedor de compre agora e pague depois, pode decidir não concluir a compra.

Personalização do formulário de checkout

O checkout ideal é diferente para cada transação. O conjunto correto de formas de pagamento, sua ordenação, a moeda exibida, os campos do formulário que devem ser apresentados e a decisão de iniciar uma intervenção de prevenção a fraudes dependem de quem é o cliente, onde está, o que está comprando e qual dispositivo está utilizando.

A Stripe trata esses fatores como uma série de decisões em tempo real. A seleção de formas de pagamento é um exemplo: os modelos de IA da Stripe, treinados com bilhões de transações, determinam quais formas de pagamento exibir em cada sessão de checkout com base em sinais na sessão — como tipo de dispositivo, localidade do navegador e disponibilidade de formas de pagamento — além de sinais em nível de rede, como quais formas de pagamento apresentam melhor desempenho para empresas e clientes semelhantes. Como o conjunto ideal de formas de pagamento muda conforme o comportamento dos clientes, as preferências regionais e a disponibilidade evoluem, o sistema também explora continuamente o desempenho de novas configurações.

A moeda é outra variável de alto impacto. A maioria dos clientes prefere pagar na sua moeda local, e o Adaptive Pricing da Stripe utiliza um modelo de IA que prevê a preferência de moeda do cliente, ajudando a gerar um aumento de 17,8% na receita internacional.

O efeito de rede de credenciais salvas

Mesmo um checkout otimizado ainda gera atrito se o cliente precisar digitar os dados do cartão. Para clientes recorrentes, esse atrito é desnecessário. A Link, uma carteira digital desenvolvida pela Stripe, elimina esse problema. Se o cliente tiver uma forma de pagamento salva na Link, a Stripe pode reconhecê-lo por meio de cookies, dados da conta ou outros sinais de autenticação. Assim, o cliente pode fazer o checkout mais rapidamente em qualquer empresa que utilize a Link, inclusive em sites que nunca acessou antes.

Cada nova empresa que adota a Link melhora a experiência dos clientes em toda a rede, e cada nova credencial adicionada aumenta o valor da Link para as empresas. A Link já conta com mais de 200 milhões de formas de pagamento salvas, e empresas com uma grande base de clientes recorrentes registraram um aumento médio de 14% na conversão desses usuários.

Empresas que utilizam o Stripe Checkout cresceram, em média, 2 vezes mais rápido em volume de pagamentos do que aquelas que não utilizam o Pacote de Otimização de Checkout.

2. Avaliação de fraude

Após uma tentativa de pagamento, o objetivo passa da conversão para avaliar se a transação é legítima, utilizando IA treinada com dados de milhões de empresas e mais de um trilhão de dólares em volume anual de pagamentos. Para pagamentos com cartão, há mais de 92% de chance de que a Stripe já tenha visto aquele cartão antes. E a rede da Stripe vai além dos cartões: há correlações entre formas de pagamento, dispositivos e padrões de transação que ajudam a distinguir atividades legítimas de fraudes. Os modelos de fraude da Stripe utilizam esses sinais agregados para avaliar o risco de cada transação.

Avaliação de risco

Diferentes tipos de fraude exigem modelos e sinais distintos. Teste de cartões, por exemplo, têm uma assinatura diferente da fraude com cartão roubado, na qual uma pessoa tenta realizar uma compra usando a forma de pagamento de outra. Mesmo dentro da fraude com cartão roubado, a Stripe mantém várias previsões distintas: se o cartão provavelmente foi roubado, se a transação tende a resultar em uma contestação por fraude, se é provável que gere um alerta antecipado de fraude das bandeiras de cartão e se a Stripe avalia a transação como fraudulenta — mesmo que o banco provavelmente não a conteste.

Os modelos de detecção de fraude do Stripe Radar utilizam três camadas de sinais. A primeira é a própria rede da Stripe: padrões agregados de todas as empresas e transações na Stripe. A segunda é composta por dados externos, incluindo credenciais de cartões comprometidas coletadas na internet. A terceira utiliza sinais específicos de cada empresa: o Radar aprende padrões exclusivos de cada negócio e os usa para comparar novas atividades com o comportamento habitual dessa empresa.

As empresas podem utilizar essas previsões de maneiras diferentes, dependendo do seu apetite de risco. Uma empresa altamente avessa a risco pode optar por bloquear todas as transações previstas como fraude, independentemente de o emissor contestá-las ou não. Já uma empresa focada em maximizar a conversão pode optar por bloquear apenas transações com alta probabilidade de resultar em contestação por fraude. Uma empresa próxima dos limites de monitoramento das bandeiras de cartão pode bloquear tanto contestação por fraude quanto transações com probabilidade de gerar alertas antecipados de fraude.

O escopo dessas previsões está se expandindo. Historicamente, os modelos de fraude se concentravam em cartões roubados e teste de cartões. No entanto, novos padrões de fraude e abuso estão surgindo, especialmente à medida que agentes maliciosos passam a explorar serviços de IA com alto custo computacional — por exemplo, abusando de testes gratuitos ou acumulando cobranças que não são pagas. Esses não são formatos tradicionais de fraude de pagamento, mas exigem a mesma abordagem para serem tratados: previsões distintas, treinadas com os sinais corretos, utilizadas para orientar a resposta adequada.

Escolha da intervenção adequada

A pontuação de risco não define, por si só, uma política de intervenção. A resposta mais simples é bloquear uma transação arriscada, mas um falso positivo significa perda de receita. A questão é saber se existe uma forma menos custosa de mitigar o risco.

A Stripe trata a seleção de intervenções como um problema de contextual bandit, escolhendo entre um conjunto de ações — como apresentar um CAPTCHA ou solicitar 3DS — e modelando o resultado esperado de cada uma. O impacto varia conforme o contexto: muitos emissores nos EUA, por exemplo, apresentam baixas taxas de conclusão de 3DS, e adicionar um desafio de 3DS nesses casos pode não reduzir fraudes, mas certamente prejudica a conversão.

Para cada possível intervenção, a Stripe estima o impacto na conversão, no custo e nas taxas de fraude. O modelo seleciona a intervenção que maximiza o lucro esperado com base no perfil de risco da transação, nas preferências de risco da empresa e no emissor e forma de pagamento envolvidos.

Considerando essas previsões e intervenções, o Radar reduz fraudes em 32%, em média, para empresas na Stripe, enquanto bloqueia menos de 0,05% das transações legítimas.

3. Autenticação

A seção anterior descreveu como a Stripe decide se deve solicitar autenticação. Esta seção foca no que acontece quando o 3DS é o caminho escolhido. O 3DS não é um fluxo único. É um conjunto de opções com diferentes implicações para conversão, custo e conformidade, e a escolha adequada depende do risco da transação, do contexto regulatório e do emissor envolvido.

Otimizamos simultaneamente três objetivos concorrentes: conformidade regulatória, prevenção a fraudes e conversão. Isso exige decisões específicas por transação que consideram sinais de risco, contexto do dispositivo e o comportamento do emissor para escolher entre um desafio completo, uma isenção sem atrito, uma troca de dados em segundo plano ou nenhuma autenticação.

Isenções e desafios

O mecanismo de autenticação da Stripe utiliza as pontuações de fraude do Radar para direcionar transações elegíveis pelo caminho com menor atrito disponível. Transações de baixo risco abaixo do limite regulatório utilizam uma isenção de baixo valor, ignorando totalmente a autenticação. Acima desse limite, o mecanismo solicita uma isenção de TRA, quando aplicável. Transações de risco moderado podem utilizar autenticação Data Only, que compartilha impressões digitais do dispositivo e o contexto da transação com o emissor em segundo plano, sem expor um desafio ao cliente. Um desafio completo de 3DS é reservado para casos em que o risco justifica ou quando nenhuma isenção está disponível.

A pontuação de fraude é a variável decisiva em cada etapa, e o mecanismo se adapta ao comportamento do emissor. Alguns emissores aprovam fluxos Data Only de forma consistente, enquanto outros não, e a Stripe ajusta o direcionamento conforme isso. Em volumes europeus, a autenticação Data Only, por si só, gera US$ 147 milhões em volume adicional de pagamentos autorizados e mais de US$ 2,5 milhões em economia mensal para empresas.

Otimização de tempo limite de impressão digital

Escolher um caminho de autenticação é apenas parte do desafio. Os detalhes de implementação dentro de cada caminho também são importantes. Considere a impressão digital 3DS, a etapa inicial opcional de qualquer fluxo 3DS. A impressão digital 3DS coleta informações do dispositivo e do navegador por meio de um iframe para ajudar o banco emissor a avaliar o risco da transação. É uma etapa opcional no protocolo, suportada por 60% das transações processadas pela Stripe, e pode melhorar a conversão quando bem-sucedida. No entanto, também introduz latência adicional, o que pode fazer com que a autenticação falhe completamente.

A Stripe realizou um teste A/B multivariado para determinar o tempo ideal de espera pela impressão digital antes de prosseguir sem ele. Trata-se de um trade-off direto: esperar demais pode causar falha na conversão devido à latência; avançar rápido demais pode fazer com que o emissor perca informações que poderiam melhorar sua decisão. O tempo limite ideal varia conforme o dispositivo e o emissor. Desde março de 2025, essa otimização recuperou mais de US$ 39 milhões em pagamentos.

3DS como estratégia de nova tentativa

A maioria dos operadores trata uma recusa relacionada a risco como definitiva. No entanto, testes mostram que adicionar autenticação posteriormente pode recuperar o pagamento. Ainda assim, a autenticação 3DS adiciona latência, introduz atrito e tem seu próprio custo de processamento. Portanto, a questão não é apenas “o 3DS ajudaria a recuperar este pagamento?”, mas sim “o valor esperado de tentar novamente com 3DS supera o custo dessa tentativa?”.

A Stripe modela isso diretamente com base no motivo específico da recusa, no emissor, no tipo de cartão e no perfil da transação. Alguns códigos de recusa são praticamente determinísticos (o cartão é realmente inválido, e nenhuma autenticação mudará isso). Outros indicam que o emissor precisa de mais garantias de que o titular do cartão está presente, e um desafio 3DS fornece exatamente isso. O modelo aprende quais códigos, em quais emissores, respondem à autenticação e direciona novas tentativas apenas quando a recuperação esperada justifica o custo. Essa otimização aumentou o volume global de pagamentos autorizados em mais de US$ 1 bilhão por ano.

4. Autorização

Depois que uma transação é avaliada quanto a fraude e, quando aplicável, autenticada, ela é enviada ao banco emissor para autorização. A Stripe melhora os resultados nesse ponto por meio de direcionamento, otimização de mensagens de autorização e novas tentativas.

Direcionamento

A Stripe pode direcionar pagamentos por vários gateways e trilhos, como redes de débito regionais, e selecionar o caminho mais econômico já na primeira tentativa. Em muitos casos, trilhos alternativos podem prejudicar a conversão, então os modelos aprendem onde essas rotas reduzem custos sem comprometer a aceitação. Em novas tentativas, o cenário muda: se uma transação de débito com assinatura for recusada, direcionar a nova tentativa por trilhos de débito pode recuperá-la.

Mensagens de autorização

O conteúdo da mensagem ISO 8583 que o emissor recebe, e o contexto ao seu redor, afetam significativamente se um pagamento será aprovado. A Stripe otimiza isso em vários aspectos.

Primeiro, a Stripe realiza experimentos contínuos com a formatação e o conteúdo dos campos ISO entre emissores, tipos de cartão e regiões. O volume da rede da Stripe significa que até mesmo experimentos com tamanhos de efeito esperados pequenos atingem significância estatística em poucas horas. Muitas mudanças bem-sucedidas são pequenas, mas, em escala de rede, até melhorias com baixo tamanho de efeito podem ser medidas rapidamente e gerar impacto agregado de dezenas de milhões de dólares por ano. A Stripe realiza dezenas desses experimentos a cada semana, e os ganhos se acumulam ao longo do tempo.

Segundo, a Stripe compartilha sinais de risco de fraude com emissores. Os emissores têm sua própria visão de risco, geralmente baseada no histórico de gastos do titular do cartão, no status da conta e no comportamento em seu portfólio. Porém, eles não observam os mesmos padrões de rede entre empresas que a Stripe observa, como padrão de fraudes associados a um determinado e-mail ou endereço de entrega. A Stripe criou a Enhanced Issuer Network — integrações diretas de compartilhamento de dados do Radar com emissores, incluindo Capital One, Discover e American Express — para reduzir essa lacuna. Quando a Stripe identifica uma transação como de baixo risco, compartilhar esse sinal pode reduzir recusas indevidas.

Terceiro, a Stripe otimiza o uso de credenciais de cartão. Credenciais desatualizadas são uma fonte relevante de recusas desnecessárias. A Stripe utiliza rede de tokens e atualizador de cartões para manter as credenciais atualizadas, mas o problema de otimização não é simplesmente ativar essas ferramentas globalmente. Network tokens geralmente melhoram as taxas de autorização e reduzem custos, mas há casos em que não: emissores com suporte limitado a tokens ou padrões de transação em que a tokenização prejudica a aprovação ou aumenta a fraude. A Stripe aprende onde os tokens ajudam e onde não ajudam, aplicando-os de forma seletiva.

Novas tentativas

Algumas recusas podem ser revertidas. Uma recusa leve, causada por fundos insuficientes ou indisponibilidade temporária do emissor, pode ser bem-sucedida em uma segunda tentativa com ajuste de tempo ou direcionamento. A Stripe realiza novas tentativas de forma síncrona no momento da cobrança, escolhendo um gateway alternativo ou ajustando a mensagem com base no motivo da recusa. Para pagamentos off-session, como assinaturas, a Stripe realiza novas tentativas de forma assíncrona por meio de cobrança inteligente, usando modelos que preveem quando os fundos têm maior probabilidade de estar disponíveis, em vez de tentar novamente em um cronograma fixo.

No total, o Authorization Boost da Stripe — que abrange direcionamento, otimização de mensagens e emissores, além da gestão de credenciais — aumenta as taxas de aceitação em média em 3,8% e reduz os custos de processamento em até 3,3% para empresas com precificação IC+.

5. Compensação​

Uma autorização bem-sucedida não é o fim das oportunidades da otimização. Entre a autorização e a liquidação de fundos, a Stripe otimiza dois aspectos: reduzir o custo de liquidação da transação e identificar fraudes que só se tornam visíveis após a autorização.

Redução de custos

Reembolsar uma transação liquidada é caro. No débito nos EUA, não há devolução de comissão interbancária, o que torna um reembolso após a liquidação de fundos até 24 vezes mais caro do que reverter a autorização antes da compensação. A Stripe prevê quais transações têm probabilidade de serem reembolsadas logo após a captura e, por isso, atrasa sua compensação por um curto período, convertendo reembolsos em reversões. Quase 25% dos reembolsos ocorrem nas primeiras 48 horas, motivo pelo qual até mesmo um atraso breve e direcionado para transações com alta probabilidade de reembolso pode reduzir custos de forma significativa.

Quando são esperadas pequenas alterações no valor de uma transação, como uma gorjeta adicionada a uma cobrança base, a Stripe mantém a autorização aberta e captura o valor total de uma única vez, em vez de incorrer em um segundo conjunto de tarifas. E, para empresas que processam transações com cartões corporativos, o envio de dados detalhados de produtos e impostos no momento da compensação pode qualificar as transações para taxas de intercâmbio mais baixas por meio de programas como o Commercial Enhanced Data Program da Visa.

Redução de fraude

Os sinais de fraude continuam a surgir mesmo após a autorização de um pagamento. Nas horas seguintes à conclusão de uma transação, a Stripe pode observar o mesmo cartão sendo usado em um ataque de fraude confirmado em outra parte da rede, ou uma impressão digital de dispositivo recentemente associada a um padrão de contestações. Esses sinais podem alterar significativamente a avaliação de risco de um pagamento já autorizado.

Isso gera uma assimetria que funciona contra agentes fraudulentos. Cada tentativa subsequente usando um cartão roubado coloca em risco as transações bem-sucedidas anteriores. Um agente mal-intencionado que faz uma compra e, em seguida, tenta extrair mais valor, fornece à Stripe um sinal adicional para detectá-lo e anular a cobrança anterior antes que resulte em um estorno. Quando os sinais de risco pós-autorização aumentam, a Stripe pode reembolsar ou reverter a cobrança proativamente antes que ela resulte em uma contestação.

6. Contestações

Mesmo após a otimização a montante, algumas transações serão contestadas. A empresa paga uma tarifa de contestação, absorve o custo operacional de resposta e, se a contestação for perdida, perde o valor da transação. Se a taxa de contestação de uma empresa exceder os limites das bandeiras de cartão, ela pode ser incluída em um programa de monitoramento com penalidades progressivas. As contestação são caras isoladamente e ainda mais caras no agregado.

O tratamento de contestação é outro problema de otimização. A montante, o objetivo é maximizar o lucro esperado em cada transação em tempo real. Aqui, porém, o objetivo é minimizar o custo total das contestação em três possíveis respostas: evitar a contestação no momento do pedido de informação, resolvê-la antes de ser formalizada ou contestá-la após o registro. Cada resposta tem um custo esperado, uma taxa de sucesso e um impacto diferente na posição da empresa junto às bandeiras de cartão. A estratégia adequada depende do valor da contestação, do código de motivo, da disponibilidade de comprovantes e da proximidade da empresa em relação aos limites de monitoramento.

Prevenção

A Stripe se integra ao Verifi, da Visa, e ao Ethoca, da Mastercard, para fornecer detalhes aprimorados da transação aos emissores antes que as contestação sejam registradas. Descrições de compra, dados comerciais e metadados da transação aumentam a probabilidade de que o titular do cartão reconheça a cobrança e não a escale. Nos casos em que a Stripe consegue comprovar uma relação prévia entre o titular do cartão e a empresa (por meio da correspondência de identificadores do cliente, endereço IP ou endereço de entrega de transações anteriores bem-sucedidas), os comprovantes podem atender aos critérios de Evidência Convincente (CE) 3.0 da Visa. Nesses casos, o emissor é obrigado a impedir o registro da contestação. Para empresas com clientes recorrentes, isso pode evitar que contestação por fraude entrem no processo de estorno.

Resolução

O Verifi e o Ethoca também permitem que contestação sejam resolvidas antes de entrarem formalmente no processo de estorno. Quando o titular do cartão inicia uma contestação, essas redes enviam um alerta à Stripe antes que o estorno seja registrado. As empresas podem configurar regras para reembolsar automaticamente contestação elegíveis (por exemplo, todas as contestação de “produto não recebido” abaixo de US$ 10). Isso evita a tarifa de estorno e, mais importante, impede que o evento seja contabilizado na taxa de contestação da empresa.

Essas ferramentas de prevenção e resolução reduziram as taxas de contestação em 51%, em média, considerando códigos de motivo relacionados e não relacionados a fraude.

Apresentação de contestação

Para as contestação que avançam para estorno, o problema de otimização passa da prevenção para a montagem de comprovantes. Quais comprovantes, em qual formato, maximizam a probabilidade de vencer uma contestação específica? A resposta varia conforme o código de motivo, o emissor e o tipo de transação. A maioria das empresas não observa volume suficiente de contestação para identificar esses padrões com precisão.

O sistema Smart Disputes da Stripe é treinado com base nos resultados de contestação em milhões de transações e aprende quais combinações são mais eficazes em cada contexto. Ele monta e envia automaticamente um conjunto de comprovantes personalizado, e a empresa pode complementar com seus próprios comprovantes antes do envio. Em média, as empresas recuperaram 18% mais receita.

O futuro da otimização de pagamentos

As otimizações descritas aqui são específicas de cada etapa, mas seus efeitos se acumulam ao longo de todo o ciclo de pagamento. Uma melhor avaliação de fraudes pode levar a um menor número de transações fraudulentas que chegam à autorização. Uma autenticação mais robusta significa que mais transações acarretam a transferência de responsabilidade. E as intervenções pós-autorização anulam cobranças de alto risco antes que possam ser contestadas. Quando uma transação chega à fase de contestação, ela já passou por diversas camadas de otimização.

Previsões cumulativas

Quanto mais resultados a Stripe puder prever com precisão, melhores se tornam todas as decisões posteriores. Estamos investindo em modelos que preveem a probabilidade de reembolso no momento da cobrança para otimizar o momento da compensação. Também estamos desenvolvendo previsões mais precisas dos custos de rede esperados para que os modelos de direcionamento possam fazer compensações mais exatas entre custo e taxa de aprovação.

Cada nova previsão melhora todo o ciclo de pagamento. É aqui que a otimização em múltiplas etapas se compõe de forma mais clara.

Funções-objetivo mais ricas

A qualidade da otimização depende da precisão com que a Stripe consegue representar o que realmente importa para uma empresa. Hoje, ferramentas como as preferências de risco do Radar permitem que as empresas expressem sua tolerância à fraude. Mas isso é apenas o começo. Uma empresa que vende produtos digitais com margem de 60% deve tolerar um nível de risco de fraude muito diferente de uma empresa que vende produtos físicos com margem de 8%, e algumas empresas vendem ambos. O modelo de fraude, o mecanismo de autenticação e o otimizador de autorização devem considerar isso e se ajustar de acordo.

Algumas empresas se preocupam especificamente com contestações por fraude; outras querem minimizar todo o risco, incluindo fraude de primeira parte e abuso de políticas. Algumas estão dispostas a aceitar níveis mais altos de fraude em troca de maximizar a conversão durante um período promocional. Quanto mais precisamente a Stripe conseguir capturar a economia e as prioridades de uma empresa, melhor cada modelo no pipeline poderá otimizar em seu benefício.

Modelos maiores

Os modelos da Stripe estão se tornando mais amplos e mais profundos. Recentemente, ampliamos o conjunto de dados de treinamento do nosso modelo de fraude de aproximadamente 800 milhões para mais de 11 bilhões de transações históricas, cobrindo uma gama muito mais ampla de regiões, produtos e padrões de fraude. Nossas redes neurais profundas conseguem aprender com esse volume de dados de maneiras que os modelos tradicionais não conseguem, e estamos levando isso ainda mais adiante. Estamos desenvolvendo modelos multitarefa que preveem vários resultados simultaneamente, o que permite que compartilhem representações entre tarefas, de modo que o sinal de uma previsão fortaleça outra.

Agentes para problemas não estruturados

A maioria das otimizações de pagamento opera com dados estruturados, como valores de transação, códigos de pagamento recusado, impressões digitais de dispositivos e pontuações de fraude. Mas alguns dos problemas de maior valor em pagamentos envolvem informações não estruturadas. A representação de contestação é um caso claro, que exige a montagem de um conjunto de evidências convincente, a leitura das regras das bandeiras (Visa e Mastercard publicam centenas de páginas de regulamentos de contestação, que são atualizados com frequência), a correspondência do tipo de evidência correto com o código de motivo e o emissor específicos e a síntese dos dados da transação em uma narrativa coerente. A Stripe está desenvolvendo agentes que podem interpretar diretamente as regras das bandeiras e combinar esse entendimento com modelos de IA que preveem quais evidências são mais persuasivas para um determinado cenário de contestação, lidando com casos que sistemas baseados em regras não conseguem.

Experimentação

Na base de tudo isso está a experimentação contínua. A Stripe realiza experimentos ao longo de todo o ciclo de pagamento e mede os efeitos nas taxas de autorização, fraude, custos de processamento e interchange. Novas ideias são testadas continuamente, e aquelas que têm sucesso são implementadas automaticamente para empresas que usam a Stripe. Nos últimos 2 anos, o ritmo de experimentação aumentou mais de 4x.

Empresas que fornecem informações mais ricas, como dados de margem, ajuste de preferências de risco e metadados de produtos, ampliam ainda mais a superfície de otimização. Fale conosco; adoraríamos colaborar.