Voitot:
- Kyky analysoida palautusmalleja ja petossignaaleja tekoälyn tuella ja tuottaa riskipisteluonnoksen
- Kyky tunnistaa takaisinperintä-, tilin haltuunotto- ja hyvitysskenaariot sekä luoda ennaltaehkäiseviä sääntöjä ja tarkistuslistoja
- Kyky nähdä väärien positiivisten tulosten (epäreilu esto) ja syrjinnän riski ja katsoa jokaisen suuren päätöksen ihmisen hyväksynnän ja perustelun.
Verkkokaupan näkymätön mutta tuskallinen puoli on palautukset ja petokset. Palautus on kuluttajan oikeus ja hyvin hoidettu se luo luottamusta; Mutta jotkut palautukset muuttuvat väärinkäytöksi: sen pukeminen ja palauttaminen, tuotteen vaihtaminen ja palauttaminen, sekä tuotteen että rahan ottaminen sanomalla "se ei saapunut". Petokset ovat vakavampia: tilaaminen varastetulla kortilla, tilin haltuunotto, väärennetty palautuspyyntö, takaisinperinnän väärinkäyttö. Tekoäly (AI) vangitsee nämä kuviot nopeammin kuin ihmiset miljoonissa tapahtumissa; tuottaa riskipisteitä, epäilyttäviä merkkejä. Mutta asetetaan raja alusta alkaen: AI:n tuottama riskipiste on signaali, ei lopullinen todiste. Tilauksen peruuttaminen, tilin sulkeminen, palautuksen epääminen ovat merkittäviä päätöksiä; Se sisältää riskin, että rehellinen asiakas haittaa epäoikeudenmukaisesti (väärä positiivinen). Siksi jokaisen suuren vaikutuksen päätöksen on saatava ihmisten hyväksyntä ja perustelut.
Kolme termiä. Takaisinveloitus tapahtuu, kun asiakas ottaa yhteyttä pankkiinsa ja hylkää maksun; Se voi olla perusteltua, mutta sitä voidaan myös käyttää väärin. Tilin haltuunotto on, kun huijari astuu jonkun toisen tilille ja tekee ostoksia. Väärä positiivinen on, kun järjestelmä virheellisesti merkitsee rehellisen tapahtuman "petoksiksi"; Se on kallein virhe, joka aiheuttaa asiakkaiden menetyksen.
Hyvitysten väärinkäytön mallit
Useimmat palautukset ovat rehellisiä. Mutta tekoäly voi havaita, onko asiakas vai malli "epätavallinen". Tyypillisiä signaaleja: saman asiakkaan liian korkea palautusprosentti; palautukset, jotka tulevat aina "ikään kuin niitä olisi käytetty"; Väitteen "paketti oli tyhjä / ei saapunut" esiintymistiheys; kalliiden tuotteiden toistuvat palautukset; Toimitusosoite ja palautuskäytäntö eivät täsmää. AI muuntaa nämä signaalit riskipisteiksi; Mutta korkea pistemäärä ei tarkoita, että hän on syyllinen. Ehkä asiakkaan koko ei sovi, ehkä lasti todella aiheuttaa vahinkoa. Siksi pistemäärä käynnistää tarkastelun, ei päätöstä.
Seuraavassa taulukossa näkyy palautus- ja petossignaalit sekä oikea vastaus:
signaali
Mahdollinen selitys
AI:n rooli
Oikea vastaus
Korkea palautusprosentti
Koko/istuvuusongelma tai väärinkäyttö
tuottaa pisteitä
Tutki, katso kuviota
Usein "ei tullut" väite
Toimitusongelma tai väärinkäyttö
merkkejä
Vahvistus rahtikirjalla
Uusi tili + kallis tilaus
Tavallinen tai varastettu kortti
riskipisteet
Pyydä lisävahvistus
Eri osoite + nopea toimitus
Lahja tai petos
merkkejä
Manuaalinen tarkistus
Paljon epäonnistuneita maksuja
korttikokeiluhyökkäys
varoittaa
Väliaikainen rajoitus, tarkista
Reilun päätöksen periaate
Petosten ehkäisyllä on myös pimeä puoli: syrjintä ja epäoikeudenmukaisuus. Riskimalli voi systemaattisesti pitää tietyt alueet, tietyt maksutyypit tai asiakasryhmät "riskillisinä", koska se perustuu historiallisiin tietoihin. Tämä on sekä eettisesti väärin että kaupallisesti haitallista (menetät rehellisiä asiakkaita) ja voi johtaa syrjintävaatimuksiin. Neljä oikeudenmukaisen päätöksen periaatetta:
- Ihmisen hyväksyntä: Vaikuttavat päätökset (peruutus, tilin sulkeminen, hyvityksen hylkääminen) tehdään ihmisen arvioimalla, eivät automaattisesti.
- Perustelut: Jokainen päätös kirjataan ja perustellaan. Kysymys "miksi se hylättiin?" pitäisi vastata.
- Vastalausemenetelmä: Asiakkaan on voitava vastustaa päätöstä; Virhe pitäisi korjata.
- Lisävarmennus ennen: Jos mahdollista, yritetään lisävarmennusta (henkilöllisyys, koodi, yhteystieto) ennen hylkäämistä; Ovea ei suljeta heti.
Varoitus: "Tämä tilaus voi olla huijaus" ja "tämä tilaus on huijaus" välillä on eroja. AI sanoo ensimmäisen; Jälkimmäisestä päättävän on turvauduttava todisteisiin ja perusteluihin. Viattoman asiakkaan syyllistäminen on sekä eettinen että oikeudellinen riski.
Neljä kopioitavaa mallia
1) Paluumallianalyysi:
Roolisi: palauttaa operaatioiden analyytikkoassistentti.Alla anonyymit palautustiedot (asiakaskoodi, tilausten määrä, palautusten määrä, palautuksen syy, tuoteluokka).Tiedot: [taulukko].Tehtävä: luettele epätavalliset palautusmallit (korkea määrä, toistuva "ei näy", tietty luokka); Kirjoita kummallekin sekä syytön että väärinkäyttölausunto. Huomautus: Tämä ei ole tunnistus, vaan signaali tutkimuksen aloittamiseksi.
2) Tilauksen riskipisteet:
Tilauksen konteksti (anonyymi): tilin ikä, maksutyyppi, tilauksen summa, osoitteen johdonmukaisuus, epäonnistuneiden maksujen määrä.Tiedot: [kentät].Tehtävä: arvioi tämän tilauksen pieni/keskimääräinen/suuri riski ja selitä MIHIN signaaleihin se perustuu.Suosittele välitöntä hylkäämistä suurella riskillä; Kirjoita muistiin, mitä lisävahvistusta voidaan pyytää ensin.
3) Takaisinperinnän vastaustiedosto:
Takaisinveloitus (maksuvastaus) on vastaanotettu. Konteksti: [tilaus, toimitustietue, yhteystiedot].Tehtävä: laadi todisteet, jotka voidaan esittää vastalausetta vastaan (toimitusvahvistus, IP, yhteystiedot) järjestetyksi tiedostoksi.Sääntö: luota vain todellisiin asiakirjoihin; valmistaa todisteita.
4) Reilu päätöksenteko:
Tarkista seuraavat petos-/palautussäännöt oikeudenmukaisuuden varmistamiseksi.Säännöt: [luettelo]. Tehtävä: arvioi, haittaavatko jokainen sääntö systemaattisesti tiettyä ryhmää (alue, maksutyyppi, uusi asiakas); ilmoittaa väärien positiivisten tulosten ja syrjinnän riskistä; Ilmoita, onko olemassa perustelu- ja vastalausemekanismi.
Petostentorjunnan toiminnalliset tasot
Hyvä järjestelmä perustuu asteittaisiin vastauksiin, ei yhteenkään "saanut"-päätökseen. Pieni riski: älä koskaan häiritse virtausta, vahvista tapahtuma. Keskitasoinen riski: pyydä lisävarmennus (SMS-koodi, henkilöllisyyden vahvistus, eri maksu). Suuri riski: tarkista manuaalisesti, pidä tarvittaessa tilapäisesti ja ota yhteyttä. Erittäin korkea + todiste: lopeta kauppa, tallenna perustelulla. Tämä asteittainen rakenne häiritsee rehellistä asiakasta vähemmän ja saa todellisen huijarin kiinni. AI tuottaa signaaleja joka vaiheessa; Ihminen päättää, mille tasolle hän siirtyy.
Vinkki: Mittaa väärän positiivisuuden määrä säännöllisesti. Jos et tiedä kuinka monta rehellistä asiakasta olet vahingossa estänyt, petosmallisi saattaa maksaa sinulle enemmän kuin itse petos. "Kuinka monta viatonta sieppasimme" on yhtä suuri mittari kuin "kuinka monta huijaria saimme kiinni".
kolme minilaukkua
Tapaus 1 – Inkrementaalinen todentaminen. Myymälä hylkäsi suoraan suuret tilaukset uudelta tililtä ja menetti paljon asiakkaita. Se siirtyi asteittaiseen järjestelmään: sen sijaan, että se hylkäsi tilauksen suurella riskipisteellä, se pyysi lisävarmennusta tekstiviestillä. Useimmat rehelliset asiakkaat ovat läpäisseet tarkastuksen; aidot petosyritykset eliminoitiin. Sekä tappiot että petokset ovat vähentyneet.
Tapaus 2 – Väärä positiivinen ansa. Yksi järjestelmä merkitsi automaattisesti tilaukset tietystä kaupungista "korkean riskin" historiatietojen perusteella. Tämän seurauksena rehelliset asiakkaat kyseisessä kaupungissa estettiin jatkuvasti; Siellä koettiin valituksia ja syrjintää. Sääntöä korjattiin tarkastuksen aikana, eikä maantiede yksinään ollut enää hylkäysperuste.
Tapaus 3 – Luovutuksen väärinkäyttö. Asiakas osti kalliita elektroniikkatuotteita ja sai säännöllisesti palautuksia sanoen "laatikko saapui tyhjänä". AI merkitsi kuvion (saman väitteen toisto); Tiimi tutki lastin painotiedot, epäjohdonmukaisuus todettiin ja se keskeytettiin väärinkäytön vuoksi. Signaali tuli tekoälyltä, päätös ja todisteet tulivat ihmiseltä.
Heikko kehote / Vahva kehote
Heikko kehote:
Tutki tätä määräystä ja päätä, onko se petos vai ei.
Malli ei voi eikä saa tehdä lopullisia päätöksiä; tämä kehote tuottaa vääriä positiivisia tuloksia ja epäreilua syyllistämistä.
Tehokas kehotus:
Tehtäväsi: riskianalyytikko-avustaja. Tilauskonteksti (anonyymi): tili avattiin 2 päivää sitten, tilaus on 8 500 TL, toimitusosoite on eri kuin laskutusosoite, 3 epäonnistunutta maksuyritystä. Tehtävä: arvioi pieni/keskimääräinen/suuri riski ja selitä, mihin signaaleihin luotat. Älä tarjoa välitöntä hylkäämistä; Kirjoita ensin, minkä lisävahvistuksen (SMS, ID) haluat pyytää. Lopullisen päätöksen tekevät ihmiset.
Yleisiä virheitä
- Riskipistemäärän pitäminen vääränä lopullisena todisteena. Pistemäärä käynnistää tarkistuksen, mutta ei tee päätöstä.
- Vaikuttavan päätöksenteon automatisointi. Peruutus, tilin sulkeminen ja hyvityksen hylkääminen edellyttävät ihmisen hyväksyntää.
- Ei mittaa väärää positiivista. Jos et tiedä kuinka monta viatonta estät, vahinko pysyy näkymättömänä.
- Sokeat säännöt maantieteellisen/ryhmän perusteella. Se tuottaa syrjintää ja epäoikeudenmukaisuutta.
- Päätös ilman perusteluja ja vastalauseita. Ilman läpinäkyvyyttä sekä eettiset että juridiset riskit kasvavat.
- Yksittäinen "saalis" asteittaisen vastauksen sijaan. Oven sulkeminen antamatta heille mahdollisuutta lisävahvistukseen johtaa asiakkaiden menetykseen.
Yhteenvetona
Palautusten ja petosten hallinnassa tekoäly kaappaa kuvioita, jotka ihmissilmä huomaa, ja tuottaa riskipisteet; Mutta tämä tulos on signaali, ei todiste. Vaikuttavien päätösten, kuten tilauksen peruutuksen, tilin sulkemisen ja hyvityksen hylkäämisen, tulisi perustua ihmisen hyväksyntään, perusteluihin ja oikeuteen vastustaa. Asteittainen vastaus (lisävahvistus ensin, hylkääminen viimeisenä) sekä suojaa rehellistä asiakasta että eliminoi huijarin. Mittaa väärä positiivinen; Vältä sokeita maantieteellisiin tai ryhmiin perustuvia sääntöjä. Reilu, läpinäkyvä ja tarkastettava päätös on sekä eettinen velvoite että kaupallinen viisaus.
Sovellustehtävä
Poista 5 epätavallista kuviota anonyymisti palautustiedoistasi (korkea nopeus, toistuvat "ei saapuneet" jne.). Kirjoita sekä viaton että väärinkäytön kuvaus "Paluun mallianalyysi" -mallin avulla. Suorita sitten Tilausluonnoksen riskipisteet -malli korkean riskin tilaukselle ja määritä, minkä lisävahvistuksen haluat välittömän hylkäämisen sijaan. Tarkista lopuksi olemassa olevat sääntösi väärien positiivisten tulosten ja syrjinnän varalta "Reilun päätöksen tarkastus" -mallin avulla.
tarkistuslista
- [ ] Käsittelin riskipisteitä signaalina, en lopullisena päätöksenä.
- [ ] Pidän vaikuttavia päätöksiä ihmisen hyväksynnän ja perustelun perusteella.
- [ ] Asetin porrastetun vastauksen: ensin lisävahvistus, viimeisenä hylkääminen.
- [ ] Aioin mitata väärän positiivisen määrän.
- [ ] Vältin sokeita syrjiviä sääntöjä maantieteellisen/ryhmän perusteella.
- [ ] Lisäsin päätöksiin valitustavan ja pöytäkirjan (perustelut).