# Como implementar lista negra de CPFs fraudulentos no seu e-commerce > Aprenda a implementar e gerenciar uma lista negra de CPFs fraudulentos no e-commerce, combinando validação via API com regras de bloqueio automatizado. **Publicado:** 25/03/2025 **Autor:** Redação CPFHub.io **URL:** https://cpfhub.io/blog/como-implementar-lista-negra-de-cpfs-fraudulentos-no-seu-e-commerce --- Uma lista negra de CPFs bloqueia automaticamente fraudadores reincidentes no e-commerce, impedindo novas transações de CPFs com histórico comprovado de chargeback, devolução abusiva ou uso de dados de terceiros — sem impactar clientes legítimos. ## Introdução Toda operação de e-commerce que atua por tempo suficiente acumula um histórico de fraudes. CPFs envolvidos em chargebacks, devoluções abusivas, compras com cartões roubados e outras práticas ilícitas representam riscos recorrentes se não forem catalogados e bloqueados. Uma lista negra (blocklist) de CPFs fraudulentos é uma ferramenta de defesa que impede que esses indivíduos causem novos prejuízos. Porém, manter uma lista negra eficaz exige mais do que simplesmente armazenar CPFs em um banco de dados. É necessário validar os CPFs, definir critérios de inclusão e remoção, e garantir conformidade legal. --- ## Por que manter uma lista negra de CPFs * **Prevenção de reincidência** -- Fraudadores conhecidos são impedidos de realizar novas transações. * **Redução de chargebacks** -- Bloquear CPFs com histórico de disputas reduz o volume de contestações. * **Proteção automatizada** -- A verificação contra a lista negra é instantânea e não requer análise humana. * **Inteligência de fraude** -- O registro histórico de CPFs fraudulentos permite identificar padrões e tendências. * **Defesa em disputas** -- Demonstrar que a empresa mantém mecanismos ativos de prevenção fortalece a posição em contestações junto a operadoras. --- ## Critérios de inclusão na lista negra Nem toda ocorrência negativa deve resultar em bloqueio permanente. Defina critérios claros: | Ocorrência | Ação recomendada | | --- | --- | | Chargeback confirmado como fraude | Inclusão imediata | | Múltiplos chargebacks (2 ou mais em 6 meses) | Inclusão imediata | | Devolução abusiva comprovada | Inclusão após análise | | Compra com dados de terceiro confirmada | Inclusão imediata | | Tentativa de pagamento com cartão roubado | Inclusão após confirmação | | Comportamento suspeito sem confirmação de fraude | Monitoramento, não inclusão | --- ## Implementação com Python ```python import requests import json from datetime import datetime CPFHUB_API_KEY = 'SUA_CHAVE_DE_API' # Simulacao de banco de dados da lista negra lista_negra = {} def consultar_cpf(cpf: str) -> dict: url = f'https://api.cpfhub.io/cpf/{cpf}' headers = { 'x-api-key': CPFHUB_API_KEY, 'Accept': 'application/json' } response = requests.get(url, headers=headers, timeout=10) return response.json() def adicionar_lista_negra(cpf: str, motivo: str, evidencias: list, adicionado_por: str) -> dict: # Validar o CPF antes de adicionar resultado = consultar_cpf(cpf) if not resultado.get('success'): return {'erro': 'CPF nao encontrado na base. Verifique o numero.'} dados = resultado['data'] # Verificar se ja esta na lista if cpf in lista_negra: lista_negra[cpf]['ocorrencias'].append({ 'motivo': motivo, 'evidencias': evidencias, 'data': datetime.now().isoformat(), 'adicionado_por': adicionado_por }) lista_negra[cpf]['ultima_atualizacao'] = datetime.now().isoformat() return { 'sucesso': True, 'acao': 'atualizado', 'registro': lista_negra[cpf] } # Criar novo registro registro = { 'cpf': cpf, 'nome': dados['name'], 'genero': dados['gender'], 'nascimento': dados['birthDate'], 'status': 'ATIVO', 'adicionado_em': datetime.now().isoformat(), 'ultima_atualizacao': datetime.now().isoformat(), 'ocorrencias': [{ 'motivo': motivo, 'evidencias': evidencias, 'data': datetime.now().isoformat(), 'adicionado_por': adicionado_por }] } lista_negra[cpf] = registro return {'sucesso': True, 'acao': 'adicionado', 'registro': registro} def verificar_lista_negra(cpf: str) -> dict: if cpf in lista_negra and lista_negra[cpf]['status'] == 'ATIVO': return { 'bloqueado': True, 'motivo': lista_negra[cpf]['ocorrencias'][-1]['motivo'], 'total_ocorrencias': len(lista_negra[cpf]['ocorrencias']), 'desde': lista_negra[cpf]['adicionado_em'] } return {'bloqueado': False} def remover_lista_negra(cpf: str, motivo_remocao: str, removido_por: str) -> dict: if cpf not in lista_negra: return {'erro': 'CPF nao encontrado na lista negra'} lista_negra[cpf]['status'] = 'REMOVIDO' lista_negra[cpf]['removido_em'] = datetime.now().isoformat() lista_negra[cpf]['motivo_remocao'] = motivo_remocao lista_negra[cpf]['removido_por'] = removido_por return {'sucesso': True, 'acao': 'removido'} def validar_pedido(cpf: str, nome: str, valor: float) -> dict: # 1. Verificar lista negra verificacao = verificar_lista_negra(cpf) if verificacao['bloqueado']: return { 'aprovado': False, 'motivo': 'CPF bloqueado na lista negra', 'detalhes': verificacao } # 2. Validar CPF via API resultado = consultar_cpf(cpf) if not resultado.get('success'): return { 'aprovado': False, 'motivo': 'CPF nao encontrado na base' } # 3. Verificar nome from difflib import SequenceMatcher sim = SequenceMatcher( None, nome.upper().strip(), resultado['data']['nameUpper'] ).ratio() if sim < 0.7: return { 'aprovado': False, 'motivo': 'Nome divergente do CPF' } return { 'aprovado': True, 'titular': resultado['data']['name'], 'cpf_validado': resultado['data']['cpf'] } # Exemplo: adicionar CPF a lista negra print(adicionar_lista_negra( cpf='98765432100', motivo='Chargeback confirmado como fraude', evidencias=['Pedido #12345', 'Contestacao operadora ref. CB-2025-001'], adicionado_por='analista@loja.com' )) # Exemplo: validar pedido print(validar_pedido( cpf='98765432100', nome='Teste da Silva', valor=500.00 )) ``` --- ## Estrutura de dados da lista negra Cada registro na lista negra deve conter informações suficientes para auditoria: * **CPF** -- O número do documento. * **Nome do titular** -- Obtido via API no momento da inclusão. * **Status** -- ATIVO ou REMOVIDO. * **Ocorrências** -- Lista de eventos que motivaram a inclusão, cada um com motivo, evidências, data e responsável. * **Data de inclusão** -- Quando o CPF foi adicionado. * **Data de remoção** -- Se aplicável, quando e por que foi removido. Essa estrutura garante rastreabilidade completa e facilita auditorias internas e externas. --- ## Boas práticas de gestão ### Revisão periódica Revise a lista negra periodicamente (por exemplo, a cada 6 meses) para: * Remover CPFs que foram incluídos por erro. * Reavaliar CPFs com ocorrências antigas que podem não representar mais risco. * Atualizar os dados cadastrais consultando a API novamente. ### Processo de apelação Ofereça um canal para que pessoas bloqueadas possam solicitar a revisão da decisão. Isso protege a empresa de bloqueios injustos e demonstra boa-fé. ### Níveis de bloqueio Em vez de um bloqueio binário, considere níveis: * **Alerta** -- O pedido é sinalizado mas pode ser aprovado manualmente. * **Restrição** -- O CPF pode comprar apenas com pagamento antecipado (boleto/PIX). * **Bloqueio total** -- Nenhuma compra é permitida. ### Compartilhamento entre empresas Considere participar de redes de compartilhamento de informações sobre fraudes, desde que em conformidade com a LGPD. Isso amplia a cobertura da lista negra com dados de outras operações. --- ## Conformidade legal * **LGPD** -- A manutenção de uma lista negra é justificável pela base legal de legítimo interesse (prevenção de fraudes). Porém, o titular tem direito de saber que seus dados estão sendo tratados e de solicitar revisão. * **CDC** -- A recusa de venda deve ser fundamentada em evidências concretas de fraude, não em suspeitas infundadas. * **Registro de decisões** -- Mantenha logs detalhados de cada inclusão e exclusão para demonstrar que o processo é criterioso e não discriminatório. --- ## Perguntas frequentes ### O que é uma lista negra de CPFs e como ela funciona no e-commerce? É um registro interno de CPFs associados a comportamento fraudulento confirmado — chargeback confirmado, devolução fraudulenta, criação de múltiplas contas. Quando um CPF da lista tenta fazer uma nova compra, o sistema bloqueia automaticamente ou sinaliza para revisão manual, interrompendo a reincidência antes que o prejuízo se repita. ### É legal manter uma lista negra de CPFs no Brasil? Sim, desde que baseada em critérios objetivos e documentados (chargebacks confirmados, fraudes comprovadas) e desde que o uso seja interno para proteção do negócio. A [LGPD](https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm) permite o tratamento de dados para interesse legítimo, incluindo prevenção a fraudes. Não é recomendado compartilhar essa lista com terceiros sem base legal específica. ### Quais critérios justificam adicionar um CPF à lista negra? Chargeback confirmado pela operadora, devolução fraudulenta comprovada, múltiplas contas detectadas com o mesmo CPF, ou uso do CPF em tentativas de fraude documentadas. Nunca use critérios subjetivos ou reclamações sem evidência — isso expõe a empresa a questionamentos legais e bloqueios injustos. ### Como combinar lista negra com validação de CPF via API? Use a validação via API para confirmar que o CPF existe e o nome corresponde ao informado (barreira contra identidades falsas). Em seguida, verifique o CPF na sua lista negra interna (barreira contra reincidentes). As duas verificações são complementares: a API valida o CPF perante a Receita Federal; a lista negra aplica o histórico da sua própria operação. ### Leia também - [Golpe do CPF clonado em compras online: como detectar e prevenir](https://cpfhub.io/blog/golpe-cpf-clonado-compras-online-detectar-prevenir) - [Fraude de devolução: como vincular CPF para rastrear devoluções abusivas](https://cpfhub.io/blog/fraude-de-devolucao-como-vincular-cpf-para-rastrear-devolucoes-abusivas) - [Como evitar chargebacks usando validação de CPF no checkout](https://cpfhub.io/blog/como-evitar-chargebacks-usando-validacao-de-cpf-no-checkout) - [Diferença entre validação de CPF e consulta de CPF: quando usar cada uma](https://cpfhub.io/blog/diferenca-entre-validacao-de-cpf-e-consulta-de-cpf-quando-usar-cada-uma) --- ## Conclusão Uma lista negra de CPFs bem implementada é uma das ferramentas mais eficazes para proteger um e-commerce contra fraudes recorrentes. Ao combinar a validação de CPF via API com critérios claros de inclusão, revisão periódica e conformidade legal, a empresa cria uma barreira automatizada que bloqueia fraudadores conhecidos sem impactar clientes legítimos. Cadastre-se em [cpfhub.io](https://www.cpfhub.io/) — 50 consultas mensais gratuitas, sem cartão de crédito — e valide o CPF de cada pedido antes de liberar a entrega, bloqueando reincidentes com precisão.