Keuntungan:
- Keupayaan untuk menganalisis corak pulangan dan isyarat penipuan dengan sokongan kecerdasan buatan dan menghasilkan draf skor risiko
- Keupayaan untuk mengenali caj balik, pengambilalihan akaun dan senario penyalahgunaan bayaran balik serta mencipta peraturan dan senarai semak pencegahan
- Keupayaan untuk melihat risiko positif palsu (sekatan tidak adil) dan diskriminasi dan mengaitkan setiap keputusan berimpak tinggi kepada kelulusan dan justifikasi manusia
Sisi e-dagang yang tidak kelihatan tetapi menyakitkan ialah pulangan dan penipuan. Pulangan adalah hak pengguna dan jika diurus dengan baik, ia mewujudkan kepercayaan; Tetapi beberapa pulangan bertukar menjadi penyalahgunaan: memakainya dan memulangkannya, menukar produk dan memulangkannya, mengambil kedua-dua produk dan wang dengan mengatakan "ia tidak sampai". Penipuan lebih serius: memesan dengan kad yang dicuri, pengambilalihan akaun, permintaan bayaran balik palsu, penyalahgunaan caj balik. Kecerdasan buatan (AI) menangkap corak ini lebih cepat daripada manusia dalam berjuta-juta transaksi; menjana skor risiko, tanda-tanda yang mencurigakan. Tetapi mari kita tetapkan had dari awal lagi: Skor risiko yang dihasilkan oleh AI adalah isyarat, bukan bukti muktamad. Membatalkan pesanan, menutup akaun, menolak pemulangan adalah keputusan berimpak tinggi; Ia membawa risiko secara tidak adil menghalang pelanggan yang jujur (positif palsu). Itulah sebabnya setiap keputusan berimpak tinggi mesti tertakluk kepada kelulusan dan justifikasi manusia.
Tiga penggal. Caj balik ialah apabila pelanggan menghubungi banknya dan menolak pembayaran; Ia mungkin wajar, tetapi ia juga boleh disalahgunakan. Pengambilalihan akaun ialah apabila penipu memasuki akaun orang lain dan membuat pembelian. Positif palsu ialah apabila sistem tersilap menandakan transaksi yang jujur sebagai "penipuan"; Ia adalah kesilapan yang paling mahal yang menyebabkan kehilangan pelanggan.
Corak penyalahgunaan bayaran balik
Kebanyakan pulangan adalah jujur. Tetapi AI boleh mengetahui sama ada pelanggan atau corak adalah "luar biasa." Isyarat biasa: kadar pulangan terlalu tinggi bagi pelanggan yang sama; pulangan yang sentiasa datang "seolah-olah telah digunakan"; Kekerapan tuntutan "bungkusan kosong / tidak sampai"; pulangan berulang pada produk mahal; Ketidakpadanan alamat penghantaran dan gelagat pemulangan. AI menterjemah isyarat ini ke dalam skor risiko; Tetapi markah yang tinggi tidak bermakna dia bersalah. Mungkin saiz pelanggan tidak sesuai, mungkin kargo sebenarnya menyebabkan kerosakan. Oleh itu, skor memulakan semakan, bukan keputusan.
Jadual berikut menunjukkan isyarat pulangan dan penipuan serta jawapan yang betul:
isyarat
Penjelasan yang mungkin
Peranan AI
Jawapan yang betul
Kadar pulangan yang tinggi
Masalah saiz/kesesuaian atau penyalahgunaan
menghasilkan markah
Periksa, lihat coraknya
Tuntutan "tidak datang" yang kerap
Masalah penghantaran atau penyalahgunaan
tanda-tanda
Pengesahan dengan rekod kargo
Akaun baru + order mahal
Kad biasa atau dicuri
skor risiko
Minta pengesahan tambahan
Alamat berbeza + penghantaran tergesa-gesa
Hadiah atau penipuan
tanda-tanda
Semakan manual
Banyak pembayaran yang gagal
serangan percubaan kad
memberi amaran
Sekatan sementara, sahkan
Prinsip keputusan yang adil
Pencegahan penipuan juga mempunyai sisi gelap: diskriminasi dan ketidakadilan. Model risiko secara sistematik boleh menganggap wilayah tertentu, jenis pembayaran tertentu atau kumpulan pelanggan tertentu sebagai "berisiko" kerana ia berdasarkan data sejarah. Ini adalah salah dari segi etika dan berbahaya dari segi komersial (anda akan kehilangan pelanggan yang jujur) dan boleh membawa kepada tuntutan diskriminasi. Empat prinsip untuk keputusan yang adil:
- Kelulusan manusia: Keputusan berimpak tinggi (pembatalan, penutupan akaun, penolakan bayaran balik) dibuat melalui semakan manusia, bukan automatik.
- Justifikasi: Setiap keputusan direkodkan dan dibenarkan; Soalan "mengapa ditolak?" patut dijawab.
- Kaedah bantahan: Pelanggan mesti boleh membantah keputusan itu; Kesilapan harus diperbetulkan.
- Pengesahan tambahan sebelum: Jika boleh, pengesahan tambahan (identiti, kod, kenalan) dicuba sebelum penolakan; Pintu tidak ditutup serta merta.
Awas: Terdapat perbezaan dunia antara "pesanan ini mungkin penipuan" dan "pesanan ini adalah penipuan". AI berkata yang pertama; Orang yang membuat keputusan mengenai perkara yang terakhir mesti bergantung pada bukti dan justifikasi. Menyalahkan pelanggan yang tidak bersalah adalah risiko etika dan undang-undang.
Empat templat yang boleh disalin
1) Analisis corak pulangan:
Peranan anda: mengembalikan pembantu penganalisis operasi.Di bawah ialah data pemulangan tanpa nama (kod pelanggan, bilangan pesanan, bilangan pemulangan, sebab pemulangan, kategori produk).Data: [jadual].Tugas: senaraikan corak pulangan luar biasa (kadar tinggi, berulang "tidak ditunjukkan", kategori khusus); Tulis pernyataan tidak bersalah dan penderaan untuk setiap satu. Nota: Ini bukan pengesanan, tetapi isyarat untuk memulakan penyiasatan.
2) Garis besar skor risiko pesanan:
Konteks pesanan (tanpa nama): umur akaun, jenis pembayaran, amaun pesanan, ketekalan alamat, bilangan pembayaran yang gagal.Data: [medan].Tugas: menilai risiko rendah/sederhana/tinggi untuk pesanan ini dan terangkan isyarat APA ia berdasarkan.Syorkan penolakan serta-merta pada risiko tinggi; Tuliskan pengesahan tambahan yang mungkin diminta dahulu.
3) Fail respons caj balik:
Caj balik (bantahan pembayaran) telah diterima. Konteks: [pesanan, rekod penghantaran, kenalan].Tugas: draf bukti yang boleh dikemukakan terhadap bantahan (pengesahan penghantaran, IP, rekod hubungan) ke dalam fail yang teratur. Peraturan: bergantung hanya pada rekod sebenar; reka bukti.
4) Kawalan keputusan yang adil:
Audit peraturan penipuan/pemulangan berikut untuk keadilan.Peraturan: [senarai].Tugas: menilai sama ada setiap peraturan secara sistematik merugikan kumpulan tertentu (rantau, jenis pembayaran, pelanggan baharu); tandakan risiko positif palsu dan diskriminasi; Nyatakan sama ada terdapat mekanisme justifikasi dan bantahan.
Lapisan operasi anti-penipuan
Sistem yang baik adalah berdasarkan respons beransur-ansur, bukan satu keputusan "gotcha". Risiko rendah: jangan sekali-kali mengganggu aliran, sahkan transaksi. Risiko sederhana: minta pengesahan tambahan (kod SMS, pengesahan identiti, pembayaran berbeza). Berisiko tinggi: semak secara manual, tahan sementara jika perlu, dan hubungi. Sangat tinggi + bukti: hentikan transaksi, simpan dengan alasan. Struktur beransur-ansur ini kurang mengganggu pelanggan yang jujur dan menangkap penipu sebenar. AI menjana isyarat pada setiap peringkat; Orang itu memutuskan tahap mana yang hendak dituju.
Petua: Ukur kadar positif palsu dengan kerap. Jika anda tidak tahu berapa ramai pelanggan jujur yang anda telah sekat secara tidak sengaja, corak penipuan anda mungkin membebankan anda lebih banyak daripada penipuan itu sendiri. "Berapa ramai yang tidak bersalah yang kami culik" adalah sama dengan metrik "berapa ramai penipu yang kami tangkap".
tiga kes mini
Kes 1 — Pengesahan tambahan. Sebuah kedai secara langsung menolak pesanan jumlah tinggi daripada akaun baharu dan kehilangan ramai pelanggan. Ia bertukar kepada sistem beransur-ansur: bukannya menolak pesanan dengan skor berisiko tinggi, ia meminta pengesahan tambahan melalui SMS. Kebanyakan pelanggan yang jujur telah lulus pengesahan; percubaan penipuan yang tulen telah dihapuskan. Kedua-dua kerugian dan penipuan telah berkurangan.
Kes 2 — Perangkap positif palsu. Satu sistem secara automatik menandakan pesanan dari bandar tertentu sebagai "berisiko tinggi" berdasarkan data sejarah. Akibatnya, pelanggan yang jujur di bandar itu sentiasa disekat; Terdapat persepsi aduan dan diskriminasi. Peraturan itu telah diperbetulkan semasa audit, dan geografi sahaja bukan lagi alasan untuk penolakan.
Kes 3 — Penderaan Ekstradisi. Seorang pelanggan sedang membeli produk elektronik yang mahal dan menerima pulangan tetap, berkata "kotak tiba kosong". AI menandakan corak (pengulangan tuntutan yang sama); Pasukan itu meneliti rekod berat kargo, ketidakkonsistenan terbukti dan ia dihentikan kerana penyalahgunaan. Isyarat datang dari AI, keputusan dan bukti datang dari manusia.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Periksa perintah ini dan tentukan sama ada ia adalah penipuan atau tidak.
Model tidak boleh dan tidak boleh membuat keputusan muktamad; gesaan ini menghasilkan positif palsu dan kesalahan yang tidak adil.
Gesaan kuat:
Peranan anda: penolong penganalisis risiko. Konteks pesanan (tanpa nama): akaun dibuka 2 hari lalu, pesanan ialah 8,500 TL, alamat penghantaran berbeza daripada alamat pengebilan, terdapat 3 percubaan pembayaran yang tidak berjaya. Tugas: menilai risiko rendah/sederhana/tinggi dan terangkan isyarat yang anda harapkan. Jangan tawarkan penolakan serta-merta; Taip pengesahan tambahan (SMS, ID) yang ingin anda minta dahulu. Keputusan muktamad akan dibuat oleh manusia.
Kesilapan biasa
- Menganggap skor risiko sebagai bukti muktamad. Skor memulakan semakan, tetapi tidak membuat keputusan.
- Mengautomasikan pembuatan keputusan berimpak tinggi. Pembatalan, penutupan akaun, penolakan bayaran balik memerlukan kelulusan manusia.
- Tidak mengukur positif palsu. Jika anda tidak tahu berapa ramai orang tidak bersalah yang anda sekat, kerosakan itu tetap tidak kelihatan.
- Peraturan buta berdasarkan geografi/kumpulan. Ia menghasilkan diskriminasi dan ketidakadilan.
- Keputusan tanpa alasan dan bantahan. Tanpa ketelusan, kedua-dua risiko etika dan undang-undang berkembang.
- "Tangkapan" tunggal dan bukannya tindak balas beransur-ansur. Menutup pintu tanpa memberi mereka peluang untuk pengesahan tambahan akan menyebabkan anda kehilangan pelanggan.
Secara ringkasnya
Dalam pengurusan pulangan dan penipuan, AI menangkap corak yang terlepas pandang oleh mata manusia dan menghasilkan skor risiko; Tetapi skor ini adalah isyarat, bukan bukti. Keputusan berimpak tinggi seperti pembatalan pesanan, penutupan akaun, penolakan bayaran balik hendaklah berdasarkan kelulusan manusia, justifikasi dan hak untuk membantah. Respons beransur-ansur (pengesahan tambahan dahulu, penolakan terakhir) melindungi pelanggan yang jujur dan menghapuskan penipu. Ukur positif palsu; Elakkan peraturan buta berdasarkan geografi atau kumpulan. Keputusan yang adil, telus dan boleh diaudit adalah kewajipan etika dan kebijaksanaan komersial.
Tugasan permohonan
Alih keluar 5 corak luar biasa daripada data pulangan tanpa nama anda (kadar tinggi, "tidak hadir" berulang, dsb.). Tulis keterangan tidak bersalah dan penyalahgunaan untuk setiap satu dengan templat "Analisis corak pengembalian". Kemudian jalankan templat "Draf skor risiko pesanan" untuk sampel pesanan berisiko tinggi dan tentukan pengesahan tambahan yang anda inginkan dan bukannya penolakan serta-merta. Akhir sekali, semak peraturan sedia ada anda untuk positif palsu dan diskriminasi dengan templat "Audit keputusan yang adil".
senarai semak
- [ ] Saya menganggap skor risiko sebagai isyarat, bukan keputusan muktamad.
- [ ] Saya mengaitkan keputusan berimpak tinggi kepada kelulusan dan justifikasi manusia.
- [ ] Saya menyediakan respons berperingkat: pengesahan tambahan dahulu, penolakan terakhir.
- [ ] Saya merancang untuk mengukur kadar positif palsu.
- [ ] Saya mengelak peraturan diskriminasi buta berdasarkan geografi/kumpulan.
- [ ] Saya menambah kaedah rayuan dan rekod (justifikasi) kepada keputusan.