# Fraude de endereço: como cruzar CPF com dados de entrega para detectar golpes > Aprenda a cruzar dados de CPF com informações de entrega para detectar fraudes de endereço em e-commerce usando API. **Publicado:** 06/10/2025 **Autor:** Redação CPFHub.io **URL:** https://cpfhub.io/blog/fraude-de-endereco-como-cruzar-cpf-com-dados-de-entrega --- Cruzar o CPF do comprador com os dados de entrega é uma das técnicas mais eficazes para detectar fraudes de endereço no e-commerce. A CPFHub.io retorna nome e data de nascimento do titular em aproximadamente 900ms, permitindo identificar em tempo real quando o CPF informado não corresponde ao destinatário ou ao histórico de endereços — e bloquear o pedido antes do envio. ## Introdução A fraude de endereço é uma das modalidades mais comuns e prejudiciais no e-commerce brasileiro. O golpe funciona assim: o fraudador compra com dados de cartão roubados e informa um endereço de entrega diferente do cadastrado na fatura -- geralmente um ponto de coleta anônimo, uma portaria de prédio comercial ou um endereço de "laranja". Quando o titular do cartão contesta a compra, o lojista arca com o prejuízo do produto entregue e do chargeback. Cruzar os dados do CPF com as informações de entrega é uma técnica eficaz para detectar inconsistências que indicam fraude. --- ## Como funciona a fraude de endereço ### O fluxo típico O fraudador obtém dados de cartão de crédito roubados -- seja por phishing, vazamentos ou compra em mercados clandestinos. Com esses dados, faz compras em e-commerces, informando o nome do titular do cartão mas alterando o endereço de entrega. O produto é entregue no endereço do fraudador. O titular legítimo contesta a compra, e o e-commerce sofre o chargeback. ### Variações do golpe Existem variações sofisticadas. Na fraude de "vizinho cúmplice", o endereço informado é real mas pertence a um cúmplice que recebe e repassa o produto. Na fraude de "endereço de trabalho", o fraudador usa o endereço de um escritório ou coworking onde pode receber encomendas anonimamente. Na "interceptação de entrega", o fraudador monitora o rastreamento e aborda o entregador antes que este chegue ao endereço real. ### Por que o endereço é o elo fraco O endereço de entrega é o único dado que o fraudador precisa alterar. Nome, CPF e dados do cartão podem ser copiados do titular legítimo, mas o produto precisa ser entregue em um local acessível ao fraudador. Essa inconsistência é detectável. --- ## Sinais de alerta baseados em CPF e endereço A API da [**CPFHub.io**](https://www.cpfhub.io/) retorna nome e data de nascimento do titular do CPF, dados essenciais para identificar inconsistências antes de aprovar um pedido. A [FEBRABAN](https://www.febraban.org.br/) recomenda o cruzamento de dados cadastrais como camada obrigatória em sistemas antifraude para e-commerce e meios de pagamento. ### Divergência de nome Se o nome no CPF não corresponde ao nome no cartão de crédito ou ao nome informado no endereço de entrega, há um sinal claro de inconsistência. ### Perfil demográfico incompatível Um CPF vinculado a uma pessoa de 75 anos comprando um console de videogame para entrega em um bairro universitário pode ser um indicativo de uso fraudulento dos dados de um idoso. ### Múltiplos endereços por CPF Se o mesmo CPF aparece em pedidos com endereços de entrega em cidades ou estados diferentes em curto período, isso merece investigação. --- ## Implementação em Python O exemplo a seguir demonstra um sistema de análise de risco que cruza dados de CPF com informações de entrega. ```python import requests import re from datetime import datetime, timedelta from typing import Optional from dataclasses import dataclass, field import json CPFHUB_API_URL = "https://api.cpfhub.io/cpf" CPFHUB_API_KEY = "SUA_CHAVE_DE_API" REQUEST_TIMEOUT = 10 # segundos @dataclass class EnderecoEntrega: rua: str numero: str complemento: str bairro: str cidade: str estado: str cep: str destinatario: str @dataclass class Pedido: pedido_id: str cpf: str nome_comprador: str endereco: EnderecoEntrega valor: float data: datetime score_risco: float = 0.0 alertas: list = field(default_factory=list) # Histórico de pedidos por CPF (simulação) historico_pedidos = {} # cpf -> [pedidos] def consultar_cpf(cpf: str) -> Optional[dict]: """Consulta CPF na API CPFHub.io.""" cpf_limpo = re.sub(r"\D", "", cpf) try: response = requests.get( f"{CPFHUB_API_URL}/{cpf_limpo}", headers={ "x-api-key": CPFHUB_API_KEY, "Accept": "application/json", }, timeout=REQUEST_TIMEOUT, ) response.raise_for_status() dados = response.json() if dados.get("success"): return dados["data"] return None except requests.exceptions.Timeout: raise Exception("Timeout na consulta de CPF") except requests.exceptions.HTTPError as e: status = e.response.status_code if status == 404: return None if status == 401: raise Exception("Chave de API inválida") raise Exception(f"Erro HTTP {status}") except requests.exceptions.RequestException: raise Exception("Erro de conexão") def normalizar_nome(nome: str) -> str: """Normaliza nome para comparação.""" import unicodedata normalizado = unicodedata.normalize("NFKD", nome) sem_acento = normalizado.encode("ASCII", "ignore").decode("ASCII") return sem_acento.upper().strip() def calcular_score_risco(pedido: Pedido, dados_cpf: dict) -> dict: """Calcula score de risco cruzando CPF com dados de entrega.""" score = 0.0 alertas = [] # 1. Verificação de nome nome_cpf = normalizar_nome(dados_cpf.get("name", "")) nome_comprador = normalizar_nome(pedido.nome_comprador) nome_destinatario = normalizar_nome(pedido.endereco.destinatario) # Nome do comprador difere do CPF if nome_cpf.split()[0] != nome_comprador.split()[0]: score += 30 alertas.append("Primeiro nome do comprador difere do CPF") # Destinatário difere do titular do CPF if nome_cpf.split()[0] != nome_destinatario.split()[0]: score += 20 alertas.append("Destinatário da entrega difere do titular do CPF") # Comprador difere do destinatário if nome_comprador != nome_destinatario: score += 10 alertas.append("Nome do comprador difere do destinatário") # 2. Análise de idade ano_nascimento = dados_cpf.get("year", 0) if ano_nascimento: idade = datetime.now().year - ano_nascimento if idade > 70 and pedido.valor > 500: score += 15 alertas.append( f"Titular com {idade} anos em compra de alto valor (R$ {pedido.valor:.2f})" ) if idade < 18: score += 25 alertas.append("Titular é menor de idade") # 3. Histórico de endereços cpf_limpo = re.sub(r"\D", "", pedido.cpf) pedidos_anteriores = historico_pedidos.get(cpf_limpo, []) if pedidos_anteriores: enderecos_anteriores = set() for p in pedidos_anteriores: chave = f"{p.endereco.cidade}-{p.endereco.estado}" enderecos_anteriores.add(chave) endereco_atual = f"{pedido.endereco.cidade}-{pedido.endereco.estado}" # Novo endereço em cidade diferente if endereco_atual not in enderecos_anteriores: score += 15 alertas.append( f"Novo endereço em {pedido.endereco.cidade}/{pedido.endereco.estado} " f"-- histórico: {', '.join(enderecos_anteriores)}" ) # Muitos endereços diferentes enderecos_com_atual = enderecos_anteriores | {endereco_atual} if len(enderecos_com_atual) > 3: score += 20 alertas.append( f"{len(enderecos_com_atual)} endereços diferentes para o mesmo CPF" ) # Pedidos recentes (últimas 24h) pedidos_24h = [ p for p in pedidos_anteriores if (pedido.data - p.data).total_seconds() < 86400 ] if len(pedidos_24h) >= 3: score += 15 alertas.append(f"{len(pedidos_24h)} pedidos nas últimas 24 horas") # 4. Valor do pedido if pedido.valor > 1000: score += 10 alertas.append(f"Pedido de alto valor: R$ {pedido.valor:.2f}") # Normaliza score para 0-100 score = min(score, 100) return { "score": score, "nivel": ( "BAIXO" if score < 30 else "MEDIO" if score < 60 else "ALTO" ), "alertas": alertas, "acao_recomendada": ( "APROVAR" if score < 30 else "REVISAO_MANUAL" if score < 60 else "BLOQUEAR" ), } def analisar_pedido( cpf: str, nome_comprador: str, endereco: EnderecoEntrega, valor: float, ) -> dict: """Analisa um pedido cruzando CPF com dados de entrega.""" cpf_limpo = re.sub(r"\D", "", cpf) # Consulta CPF try: dados_cpf = consultar_cpf(cpf_limpo) except Exception as e: return {"erro": str(e), "acao": "REVISAO_MANUAL"} if not dados_cpf: return { "erro": "CPF não encontrado", "acao": "BLOQUEAR", "score": 100, } pedido = Pedido( pedido_id=f"PED-{datetime.now().strftime('%Y%m%d%H%M%S')}", cpf=cpf_limpo, nome_comprador=nome_comprador, endereco=endereco, valor=valor, data=datetime.now(), ) # Calcula risco resultado = calcular_score_risco(pedido, dados_cpf) # Registra no histórico if cpf_limpo not in historico_pedidos: historico_pedidos[cpf_limpo] = [] pedido.score_risco = resultado["score"] pedido.alertas = resultado["alertas"] historico_pedidos[cpf_limpo].append(pedido) return { "pedido_id": pedido.pedido_id, "titular_cpf": dados_cpf.get("name"), "score_risco": resultado["score"], "nivel_risco": resultado["nivel"], "acao": resultado["acao_recomendada"], "alertas": resultado["alertas"], } # Exemplo de uso if __name__ == "__main__": endereco = EnderecoEntrega( rua="Rua das Flores", numero="123", complemento="Apto 45", bairro="Centro", cidade="São Paulo", estado="SP", cep="01001-000", destinatario="Maria Souza", ) resultado = analisar_pedido( cpf="123.456.789-09", nome_comprador="João da Silva", endereco=endereco, valor=2500.00, ) print(json.dumps(resultado, indent=2, ensure_ascii=False, default=str)) ``` --- ## Regras de decisão Com base no score de risco calculado, o sistema pode tomar decisões automáticas ou encaminhar para análise humana. ### Score 0-29 (baixo) O pedido é aprovado automaticamente. Todos os dados são consistentes e não há alertas significativos. ### Score 30-59 (médio) O pedido é encaminhado para revisão manual. Um analista verifica os alertas e decide pela aprovação ou rejeição. Nesse nível, é comum encontrar pedidos legítimos -- como presentes enviados para terceiros -- que geram falsos positivos. ### Score 60-100 (alto) O pedido é bloqueado automaticamente. Múltiplos alertas simultâneos indicam alta probabilidade de fraude. O comprador pode ser contatado para verificação adicional. --- ## Reduzindo falsos positivos O maior desafio em sistemas antifraude é o equilíbrio entre segurança e experiência do usuário. Algumas situações legítimas geram alertas falsos. Presentes enviados para terceiros naturalmente terão destinatário diferente do titular do CPF. Para esses casos, ofereça a opção "Enviar como presente" no checkout e ajuste o score. Compras para familiares no mesmo endereço podem ter nomes diferentes mas são legítimas. Mudanças de endereço geram alertas de "novo endereço" mas são eventos normais. A calibração contínua dos pesos de cada fator no cálculo do score é essencial. Análise periodicamente os falsos positivos e ajuste os limites. --- ## Integração com outros dados A análise de risco é mais eficaz quando combina múltiplas fontes de dados. O CPF validado pela [**CPFHub.io**](https://www.cpfhub.io/) serve como âncora de identidade: com o nome e data de nascimento confirmados, é possível cruzar com dados de dispositivo, geolocalização e histórico de compras para construir um score de risco mais preciso e reduzir falsos positivos sem abrir mão da segurança. --- ## Perguntas frequentes ### O que é fraude de endereço em e-commerce? É quando o fraudador usa um CPF legítimo mas direciona a entrega para um endereço diferente do histórico do titular — geralmente um ponto de coleta controlado pelo golpista. A divergência entre o endereço de entrega e o histórico do CPF é o sinal de alerta. ### Como cruzar CPF com dados de entrega para detectar fraude? A validação de CPF retorna nome e data de nascimento do titular. Ao cruzar esses dados com o histórico de endereços anteriores do CPF no seu sistema, divergências expressivas (CEP de estado diferente em primeira compra, por exemplo) merecem revisão manual. ### Todo pedido com endereço diferente do cadastro é fraude? Não. Presentes, entregas no trabalho e mudança de endereço são situações legítimas. O sinal fica mais forte quando a divergência de endereço se combina com outros fatores: CPF sem histórico na loja, primeiro pedido de alto valor, pagamento com cartão novo. ### Qual a diferença entre endereço de cobrança e endereço de entrega na detecção de fraude? Endereço de cobrança diferente do de entrega é comum e legítimo em si. O problema é quando o CPF do comprador não corresponde ao titular do cartão E o endereço de entrega é diferente do histórico — a combinação eleva o risco consideravelmente. ### 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 no PIX: como validação de CPF previne golpes em e-commerce](https://cpfhub.io/blog/fraude-no-pix-como-validacao-de-cpf-previne-golpes-em-ecommerce) - [Como evitar chargebacks usando validação de CPF no checkout](https://cpfhub.io/blog/como-evitar-chargebacks-usando-validacao-de-cpf-no-checkout) - [IA generativa e fraudes de identidade: por que validação de CPF é mais importante que nunca](https://cpfhub.io/blog/ia-generativa-e-fraudes-de-identidade-por-que-validacao-de-cpf-e-mais-importante-que-nunca) --- ## Conclusão A fraude de endereço é um problema sério que causa prejuízos de milhões de reais ao e-commerce brasileiro todos os anos. Cruzar os dados do CPF -- validados via API -- com as informações de entrega é uma técnica eficaz para detectar inconsistências e bloquear pedidos fraudulentos antes que o produto seja enviado. A CPFHub.io oferece a infraestrutura necessária para implementar esse cruzamento em tempo real, com latência de aproximadamente 900ms e plano gratuito para começar sem compromisso. Cadastre-se em [cpfhub.io](https://www.cpfhub.io/) — 50 consultas mensais gratuitas, sem cartão de crédito — e comece hoje mesmo.