# Score antifraude com validação de CPF: Como funciona e como implementar > Entenda como criar um score antifraude usando validação de CPF via API. Aprenda a combinar dados da API com regras de negócio para prevenir fraudes. **Publicado:** 04/03/2026 **Autor:** Redação CPFHub.io **URL:** https://cpfhub.io/blog/score-antifraude-validacao-cpf --- Um score antifraude com validação de CPF funciona cruzando os dados cadastrais retornados pela API — nome completo, data de nascimento e gênero — com as informações fornecidas pelo usuário no momento do cadastro ou transação. Quanto maior a correspondência entre esses dados, maior a pontuação e menor o risco atribuído à operação. ## Introdução A fraude digital é um dos maiores desafios para e-commerces, fintechs e marketplaces no Brasil. Uma das formas mais eficazes de combatê-la é implementar um **score antifraude** que inclua a validação de CPF como um dos fatores de análise. Ao cruzar dados retornados pela API com informações fornecidas pelo usuário, é possível detectar inconsistências e bloquear transações suspeitas antes que causem prejuízo. --- ## O que é um score antifraude? É uma pontuação numérica atribuída a cada transação ou cadastro, baseada em múltiplos fatores de risco. Quanto maior o score, maior a confiança de que a operação é legítima. **Fatores comuns no cálculo:** * Correspondência entre nome informado e nome real (via API). * Consistência da data de nascimento. * Histórico do CPF na plataforma. * Valor da transação. * Comportamento do dispositivo (IP, geolocalização, fingerprint). --- ## Como a validação de CPF contribui para o score A API da CPFHub.io retorna dados cadastrais reais associados ao CPF: ```json { "success": true, "data": { "cpf": "12345678900", "name": "João da Silva", "nameUpper": "JOÃO DA SILVA", "gender": "M", "birthDate": "15/06/1990", "day": 15, "month": 6, "year": 1990 } } ``` Esses dados permitem verificações como: | Verificação | Como funciona | Peso no score | | --- | --- | --- | | Nome confere | Comparar nome informado vs. API | Alto | | Data de nascimento confere | Comparar data informada vs. API | Médio | | CPF existe na base | Consulta retorna success: true | Alto | | Gênero consistente | Cruzar com dados do perfil | Baixo | --- ## Implementação de um score básico ```python import requests from difflib import SequenceMatcher CPFHUB_API_KEY = 'SUA_CHAVE_DE_API' 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 similaridade_nome(nome_informado: str, nome_real: str) -> float: return SequenceMatcher( None, nome_informado.upper().strip(), nome_real.upper().strip() ).ratio() def calcular_score(cpf: str, nome_informado: str, nascimento_informado: str, valor_transacao: float) -> dict: score = 0 detalhes = [] # 1. Consultar API resultado = consultar_cpf(cpf) if not resultado.get('success'): return {'score': 0, 'risco': 'ALTO', 'detalhes': ['CPF nao encontrado na base']} dados = resultado['data'] # 2. Verificar nome (peso: 40 pontos) sim = similaridade_nome(nome_informado, dados['name']) if sim >= 0.9: score += 40 detalhes.append(f'Nome confere ({sim:.0%})') elif sim >= 0.7: score += 20 detalhes.append(f'Nome parcialmente confere ({sim:.0%})') else: detalhes.append(f'Nome nao confere ({sim:.0%})') # 3. Verificar data de nascimento (peso: 30 pontos) if nascimento_informado == dados['birthDate']: score += 30 detalhes.append('Data de nascimento confere') else: detalhes.append('Data de nascimento nao confere') # 4. CPF ativo na base (peso: 20 pontos) score += 20 detalhes.append('CPF encontrado na base') # 5. Valor da transacao (peso: 10 pontos) if valor_transacao <= 500: score += 10 detalhes.append('Valor dentro da faixa de baixo risco') elif valor_transacao <= 2000: score += 5 detalhes.append('Valor na faixa de risco moderado') else: detalhes.append('Valor na faixa de alto risco') # Classificacao if score >= 80: risco = 'BAIXO' elif score >= 50: risco = 'MEDIO' else: risco = 'ALTO' return {'score': score, 'risco': risco, 'detalhes': detalhes} ``` --- ## Exemplo de uso ```python resultado = calcular_score( cpf='12345678900', nome_informado='Joao da Silva', nascimento_informado='15/06/1990', valor_transacao=350.00 ) print(resultado) # {'score': 100, 'risco': 'BAIXO', 'detalhes': [...]} ``` --- ## Regras de decisão | Score | Risco | Ação recomendada | | --- | --- | --- | | 80-100 | Baixo | Aprovar automaticamente | | 50-79 | Médio | Aprovar com revisão posterior | | 0-49 | Alto | Bloquear ou exigir verificação adicional | --- ## Boas práticas * **Não dependa de um único fator** -- O score deve combinar múltiplas verificações. * **Ajuste os pesos** -- Calibre com base nos dados reais da sua operação. * **Registre tudo** -- Mantenha logs de cada consulta e decisão para auditoria e LGPD. * **Evolua o modelo** -- Adicione novos fatores conforme surgem novos padrões de fraude. * **Respeite a LGPD** -- Use os dados apenas para a finalidade declarada. A [ANPD](https://www.gov.br/anpd) orienta que dados de identificação devem ser tratados com base legal e princípio da necessidade. --- ## Perguntas frequentes ### O que é um score antifraude baseado em CPF? É uma pontuação calculada a partir de múltiplos fatores associados ao CPF — consistência do nome, histórico na plataforma, comportamento da sessão, IP, device fingerprint. Quanto mais fatores de risco detectados, menor o score e maior a chance de revisão ou bloqueio da operação. ### Como a validação de CPF via API alimenta o score antifraude? A API retorna dados — nome, data de nascimento, gênero — que são comparados com os dados informados pelo usuário. Divergência de nome adiciona pontos de risco ao score; correspondência reduz. CPF inexistente na base gera score crítico imediato, indicando alto risco de fraude. ### Preciso de machine learning para ter um score antifraude? Não para começar. Um sistema de regras simples — CPF não encontrado: bloquear; nome divergente: revisar; tudo certo: aprovar — já cobre a maior parte das fraudes. Machine learning entra para otimizar a detecção de padrões sutis em escala e reduzir falsos positivos. ### Qual o risco de falso positivo em um score antifraude com CPF? O principal falso positivo ocorre em divergências de nome — abreviaturas, acentuação, nomes sociais. Para mitigar, use comparação parcial (verificar primeiros nomes) em vez de igualdade exata. Calibre o score com dados históricos da sua operação para encontrar o limiar ideal entre segurança e conversão. ### 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 Implementar um **score antifraude com validação de CPF** é uma das formas mais eficientes de proteger sua operação contra fraudes. Ao cruzar os dados retornados pela API com as informações fornecidas pelo usuário, você cria uma camada de segurança inteligente e automatizada que escala conforme o volume de transações cresce. A lógica de pontuação apresentada aqui pode ser ajustada conforme as características da sua base de clientes. Comece simples, meça os resultados e evolua os pesos com dados reais — esse ciclo contínuo de calibração é o que diferencia operações com baixo índice de fraude das que sofrem perdas recorrentes. Cadastre-se em cpfhub.io — 50 consultas mensais gratuitas, sem cartão de crédito.