Grąžinimai ir sukčiavimas: rizikos įvertinimas, piktnaudžiavimo nustatymas ir teisingas sprendimas

Pelnas:

• Gebėjimas analizuoti grąžos modelius ir sukčiavimo signalus naudojant dirbtinio intelekto palaikymą ir sudaryti rizikos balo juodraštį
• Galimybė atpažinti pinigų grąžinimo, paskyros perėmimo ir pinigų grąžinimo piktnaudžiavimo scenarijus bei kurti prevencines taisykles ir kontrolinius sąrašus
• Gebėjimas įžvelgti klaidingų teigiamų rezultatų (nesąžiningo blokavimo) ir diskriminacijos riziką ir priskirti kiekvieną didelį poveikį turintį sprendimą žmogaus pritarimui ir pateisinimui

Nematoma, bet skaudi elektroninės prekybos pusė – grąžinimai ir sukčiavimas. Grąžinimas yra vartotojo teisė ir, jei gerai valdoma, sukuria pasitikėjimą; Tačiau kai kurie grąžinimai virsta piktnaudžiavimu: jos nešiojimas ir grąžinimas, prekės keitimas ir grąžinimas, ir prekės, ir pinigų paėmimas sakydamas „neatvyko“. Sukčiavimas yra rimtesnis: užsakymas pavogta kortele, sąskaitos perėmimas, suklastotas pinigų grąžinimo prašymas, piktnaudžiavimas pinigų grąžinimu. Dirbtinis intelektas (AI) šiuos modelius fiksuoja greičiau nei žmonės milijonais operacijų; generuoja rizikos balą, įtartinus požymius. Tačiau nustatykime ribą nuo pat pradžių: AI sukurtas rizikos balas yra signalas, o ne galutinis įrodymas. Užsakymo atšaukimas, sąskaitos uždarymas, atsisakymas grąžinti yra didelės įtakos turintys sprendimai; Tai kelia riziką nesąžiningai sutrukdyti sąžiningam klientui (klaidingas teigiamas rezultatas). Štai kodėl kiekvienas didelio poveikio sprendimas turi būti žmonių patvirtintas ir pagrįstas.

Trys terminai. Mokėjimo grąžinimas yra tada, kai klientas susisiekia su savo banku ir atmeta mokėjimą; Tai gali būti pateisinama, bet galima ir piktnaudžiauti. Paskyros perėmimas yra tada, kai sukčius įeina į svetimą sąskaitą ir perka. Klaidingas teigiamas rezultatas yra tada, kai sistema klaidingai pažymi sąžiningą sandorį kaip „sukčiavimą“; Tai brangiausia klaida, dėl kurios prarandami klientai.

Piktnaudžiavimo grąžinimu modeliai

Dauguma grąžinimų yra sąžiningi. Tačiau AI gali nustatyti, ar klientas ar modelis yra „neįprasti“. Tipiški signalai: per didelė to paties kliento grąžinimo norma; grąžinimai, kurie visada ateina „tarsi būtų panaudoti“; Pretenzijos „paketas buvo tuščias / neatvyko“ dažnis; pakartotinis brangių produktų grąžinimas; Pristatymo adreso ir grąžinimo elgsenos nesutapimas. AI paverčia šiuos signalus rizikos balu; Tačiau aukštas balas nereiškia, kad jis kaltas. Galbūt kliento dydis netinka, gal krovinys iš tikrųjų daro žalą. Todėl įvertinimas inicijuoja peržiūrą, o ne sprendimą.

Šioje lentelėje pateikiami grąžinimo ir sukčiavimo signalai bei teisingas atsakymas:

signalas

Galimas paaiškinimas

AI vaidmuo

Teisingas atsakymas

Aukšta grąžinimo norma

Dydžio / tinkamumo problema arba piktnaudžiavimas

gamina balus

Ištirkite, pažiūrėkite į modelį

Dažnas tvirtinimas „neatvyko“.

Siuntimo problema arba piktnaudžiavimas

ženklai

Patvirtinimas su krovinio įrašu

Nauja sąskaita + brangus užsakymas

Įprasta arba pavogta kortelė

rizikos balas

Prašyti papildomo patvirtinimo

Skirtingas adresas + skubus siuntimas

Dovana ar sukčiavimas

ženklai

Rankinė peržiūra

Daug nepavykusių mokėjimų

kortų bandymo ataka

perspėja

Laikinai apriboti, patikrinti

Sąžiningo sprendimo principas

Sukčiavimo prevencija turi ir tamsiąją pusę – diskriminaciją ir neteisybę. Rizikos modelis tam tikrus regionus, tam tikrus mokėjimo tipus ar tam tikras klientų grupes gali sistemingai laikyti „rizikingais“, nes jis pagrįstas istoriniais duomenimis. Tai ir etiškai neteisinga, ir komerciškai žalinga (prarasite sąžiningus klientus), todėl gali būti pareikšti ieškiniai dėl diskriminacijos. Keturi teisingo sprendimo principai:

1. Žmogaus patvirtinimas: didelio poveikio sprendimai (atšaukimas, paskyros uždarymas, lėšų grąžinimo atmetimas) priimami žmogaus peržiūrint, o ne automatiškai.
2. Pagrindimas: Kiekvienas sprendimas registruojamas ir pagrįstas; Klausimas "kodėl jis buvo atmestas?" turėtų būti atsakyta.
3. Prieštaravimo būdas: klientas turi turėti galimybę prieštarauti sprendimui; Klaida turėtų būti ištaisyta.
4. Papildomas patikrinimas prieš: Jei įmanoma, prieš atmetimą bandoma papildomai patikrinti (tapatybę, kodą, kontaktą); Durys neuždaromos iš karto.

Atsargiai: „Šis užsakymas gali būti apgaulė“ ir „šis užsakymas yra sukčiavimas“ skiriasi. AI sako pirmąjį; Pastarąjį sprendžiantis asmuo turi remtis įrodymais ir pateisinimu. Kaltinti nekaltą klientą yra ir etinė, ir teisinė rizika.

Keturi kopijuojami šablonai

1) Grąžinimo modelio analizė:

Jūsų vaidmuo: grąžinimo operacijų analitiko padėjėjas.Žemiau pateikiami anoniminiai grąžinimo duomenys (kliento kodas, užsakymų skaičius, grąžinimų skaičius, grąžinimo priežastis, prekės kategorija).Duomenys: [lentelė].Užduotis: išvardykite neįprastus grąžinimo modelius (didelis rodiklis, kartojasi „nerodoma“, konkreti kategorija); Kiekvienam parašykite ir nekaltą, ir piktnaudžiavimo pareiškimą. Pastaba: tai ne aptikimas, o signalas pradėti tyrimą.

2) Užsakymo rizikos balo apžvalga:

Užsakymo kontekstas (anoniminis): sąskaitos amžius, mokėjimo tipas, užsakymo suma, adreso nuoseklumas, nepavykusių mokėjimų skaičius.Duomenys: [laukeliai].Užduotis: įvertinti šio pavedimo mažą/vidutinę/didelę riziką ir paaiškinti KOKIAIS signalais jis pagrįstas.Rekomenduoti nedelsiant atmesti esant didelei rizikai; Pirmiausia užsirašykite, kokio papildomo patvirtinimo gali būti paprašyta.

3) Mokėjimo grąžinimo atsakymo failas:

Gautas mokėjimo grąžinimas (mokėjimo prieštaravimas). Kontekstas: [užsakymas, pristatymo įrašas, kontaktas].Užduotis: surašykite įrodymus, kurie gali būti pateikti prieš prieštaravimą (pristatymo patvirtinimas, IP, kontakto įrašas) į tvarkingą bylą.Taisyklė: pasikliaukite tik faktiniais įrašais; sufabrikuoti įrodymus.

4) Sąžininga sprendimų kontrolė:

Audituoti šias sukčiavimo/grąžinimo taisykles, siekiant sąžiningumo.Taisyklės: [sąrašas].Užduotis: įvertinti, ar kiekviena taisyklė sistemingai nepalankiai nepalankiai atsiduria konkrečiai grupei (regionui, mokėjimo tipui, naujam klientui); pažymėti klaidingų teigiamų rezultatų ir diskriminacijos riziką; Nurodykite, ar yra pateisinimo ir prieštaravimo mechanizmas.

Kovos su sukčiavimu operatyviniai lygmenys

Gera sistema remiasi laipsniškais atsakymais, o ne vienu „gautų“ sprendimu. Maža rizika: niekada netrikdykite srauto, patvirtinkite sandorį. Vidutinė rizika: prašykite papildomo patikrinimo (SMS kodo, tapatybės patvirtinimo, kitokio mokėjimo). Didelė rizika: peržiūrėkite rankiniu būdu, prireikus laikinai palaikykite ir susisiekite. Labai aukštas + įrodymas: sustabdyti sandorį, išsaugoti su pagrindimu. Tokia laipsniška struktūra ir mažiau trikdo sąžiningą klientą, ir pagauna tikrąjį sukčius. AI generuoja signalus kiekviename etape; Žmogus nusprendžia, į kurį lygį pereiti.

Patarimas: reguliariai matuokite klaidingų teigiamų rezultatų rodiklį. Jei nežinote, kiek sąžiningų klientų netyčia užblokavote, jūsų sukčiavimo modelis gali jums kainuoti daugiau nei pats sukčiavimas. „Kiek nekaltų pagrobėme“ yra toks pat rodiklis, kaip „kiek sukčių sugavome“.

trys mini dėklai

1 atvejis – laipsniškas patikrinimas. Parduotuvė tiesiogiai atmetė didelės sumos užsakymus iš naujos paskyros ir prarado daug klientų. Jis perėjo prie laipsniškos sistemos: užuot atmetęs užsakymą su dideliu rizikos balu, paprašė papildomo patvirtinimo SMS žinute. Dauguma sąžiningų klientų išlaikė patikrinimą; buvo pašalinti tikri bandymai sukčiauti. Sumažėjo ir nuostoliai, ir sukčiavimas.

2 atvejis – klaidingai teigiami spąstai. Viena sistema, remiantis istoriniais duomenimis, automatiškai pažymėjo užsakymus iš konkretaus miesto kaip „didelės rizikos“. Dėl to sąžiningi klientai tame mieste buvo nuolat blokuojami; Buvo jaučiamas skundas ir diskriminacija. Audito metu taisyklė buvo pataisyta, o vien geografija nebebuvo atmetimo priežastis.

3 atvejis – piktnaudžiavimas ekstradicija. Klientas pirko brangius elektroninius gaminius ir reguliariai juos grąžino sakydamas, kad „dėžė atkeliavo tuščia“. AI pažymėjo modelį (to paties teiginio kartojimas); Komanda išnagrinėjo krovinio svorio rekordus, neatitikimas buvo įrodytas ir buvo sustabdytas dėl piktnaudžiavimo. Signalas atėjo iš AI, sprendimas ir įrodymai – iš žmogaus.

Silpnas raginimas / Stiprus raginimas

Silpnas raginimas:

Išnagrinėkite šį įsakymą ir nuspręskite, ar tai apgaulė, ar ne.

Modelis negali ir neturi priimti galutinių sprendimų; šis raginimas pateikia klaidingus teigiamus rezultatus ir nesąžiningą kaltinimą.

Galingas raginimas:

Jūsų vaidmuo: rizikos analitiko asistentas. Užsakymo kontekstas (anoniminis): sąskaita atidaryta prieš 2 dienas, užsakymas 8500 TL, pristatymo adresas skiriasi nuo atsiskaitymo adreso, buvo 3 nesėkmingi mokėjimo bandymai. Užduotis: įvertinkite mažą/vidutinę/didelę riziką ir paaiškinkite, kokiais signalais pasitikite. Nesiūlykite nedelsiant atmesti; Pirmiausia įveskite, kokio papildomo patvirtinimo (SMS, ID) norite paprašyti. Galutinį sprendimą priims žmonės.

Dažnos klaidos

• Rizikos balo klaidinimas kaip galutinis įrodymas. Balas inicijuoja peržiūrą, bet nepriima sprendimo.
• Didelio poveikio sprendimų priėmimo automatizavimas. Atšaukimas, paskyros uždarymas, pinigų grąžinimo atmetimas reikalauja žmogaus sutikimo.
• Neišmatuoti klaidingai teigiamų rezultatų. Jei nežinote, kiek nekaltųjų blokuojate, žala lieka nematoma.
• Aklosios taisyklės, pagrįstos geografija/grupe. Tai sukelia diskriminaciją ir neteisybę.
• Sprendimas be pagrindimo ir prieštaravimų. Be skaidrumo auga tiek etinė, tiek teisinė rizika.
• Vienas „pagautas“, o ne laipsniškas atsakas. Jei uždarysite duris nesuteikdami jiems galimybės atlikti papildomą patikrinimą, prarasite klientus.

Apibendrinant

Grąžinimo ir sukčiavimo valdymo srityje AI užfiksuoja modelius, kurių žmogaus akis nepastebi, ir sukuria rizikos balą; Tačiau šis rezultatas yra signalas, o ne įrodymas. Didelio poveikio sprendimai, tokie kaip užsakymo atšaukimas, sąskaitos uždarymas, pinigų grąžinimo atmetimas, turėtų būti pagrįsti žmogaus pritarimu, pateisinimu ir teise prieštarauti. Laipsniškas atsakymas (pirmiausia papildoma patikra, paskutinis atmetimas) ir apsaugo sąžiningą klientą, ir pašalina sukčius. Išmatuokite klaidingą teigiamą rezultatą; Venkite aklų taisyklių, pagrįstų geografija ar grupe. Teisingas, skaidrus ir patikrinamas sprendimas yra ir etinė pareiga, ir komercinė išmintis.

Taikymo užduotis

Pašalinkite 5 neįprastus šablonus iš anoniminių grąžinimo duomenų (didelis rodiklis, pasikartojantys „nepasirodymai“ ir kt.). Parašykite ir nekaltą, ir piktnaudžiavimo aprašymą naudodami šabloną „Grąžinimo modelio analizė“. Tada paleiskite didelės rizikos užsakymo pavyzdžio šabloną „Užsakymo projekto rizikos balas“ ir nustatykite, kokio papildomo patvirtinimo norėtumėte, o ne nedelsiant atmesti. Galiausiai peržiūrėkite galiojančias taisykles dėl klaidingų teigiamų rezultatų ir diskriminacijos naudodami šabloną „Sąžiningo sprendimo auditas“.

kontrolinis sąrašas

• [ ] Rizikos balą traktavau kaip signalą, o ne galutinį sprendimą.
• [ ] Didelio poveikio sprendimus priskiriu žmogaus pritarimui ir pateisinimui.
• [ ] Nustatiau pakopinį atsakymą: pirmas papildomas patvirtinimas, paskutinis atmetimas.
• [ ] Planavau išmatuoti klaidingai teigiamą rodiklį.
• [ ] Vengiau aklų diskriminacinių taisyklių, pagrįstų geografija/grupe.
• [ ] Prie sprendimų pridėjau apskundimo būdą ir įrašą (pagrįstumą).