กำไร:
- ความสามารถในการวิเคราะห์รูปแบบการส่งคืนและสัญญาณการฉ้อโกงด้วยการสนับสนุนปัญญาประดิษฐ์ และสร้างร่างคะแนนความเสี่ยง
- ความสามารถในการรับรู้การปฏิเสธการชำระเงิน การครอบครองบัญชี และการคืนเงินในสถานการณ์ที่ไม่เหมาะสม และสร้างกฎป้องกันและรายการตรวจสอบ
- ความสามารถในการมองเห็นความเสี่ยงของผลบวกลวง (การบล็อกที่ไม่เป็นธรรม) และการเลือกปฏิบัติ และถือว่าการตัดสินใจที่มีผลกระทบสูงทุกครั้งขึ้นอยู่กับการอนุมัติและการให้เหตุผลของมนุษย์
ด้านที่มองไม่เห็นแต่เจ็บปวดของอีคอมเมิร์ซคือการส่งคืนและการฉ้อโกง การคืนสินค้าถือเป็นสิทธิของผู้บริโภค และหากได้รับการจัดการที่ดีจะทำให้เกิดความไว้วางใจ แต่การคืนสินค้าบางกรณีกลับกลายเป็นการใช้ในทางที่ผิด เช่น ใส่แล้วคืน เปลี่ยนสินค้าแล้วคืน เอาทั้งสินค้า และเงิน โดยบอกว่า "มาไม่ถึง" การฉ้อโกงมีความรุนแรงมากขึ้น: การสั่งซื้อโดยใช้บัตรที่ถูกขโมย การยึดบัญชี การขอคืนเงินปลอม การปฏิเสธการชำระเงินในทางที่ผิด ปัญญาประดิษฐ์ (AI) จับรูปแบบเหล่านี้ได้เร็วกว่ามนุษย์ในธุรกรรมนับล้าน ทำให้เกิดคะแนนความเสี่ยง สัญญาณน่าสงสัย แต่มากำหนดขีดจำกัดตั้งแต่เริ่มต้นกันดีกว่า: คะแนนความเสี่ยงที่เกิดจาก AI นั้นเป็นสัญญาณ ไม่ใช่หลักฐานที่แน่ชัด การยกเลิกคำสั่งซื้อ การปิดบัญชี การปฏิเสธการคืนสินค้าถือเป็นการตัดสินใจที่มีผลกระทบสูง มันมีความเสี่ยงที่จะขัดขวางลูกค้าที่ซื่อสัตย์อย่างไม่ยุติธรรม (ผลบวกลวง) นั่นเป็นเหตุผลว่าทำไมการตัดสินใจที่มีผลกระทบสูงทุกครั้งจะต้องได้รับการอนุมัติและการให้เหตุผลจากมนุษย์
สามเทอม. การปฏิเสธการชำระเงินคือเมื่อลูกค้าติดต่อธนาคารและปฏิเสธการชำระเงิน มันอาจจะสมเหตุสมผล แต่ก็สามารถถูกละเมิดได้เช่นกัน การครอบครองบัญชีคือการที่ผู้ฉ้อโกงเข้าสู่บัญชีของบุคคลอื่นและทำการซื้อ ผลบวกลวงคือเมื่อระบบทำเครื่องหมายธุรกรรมที่ซื่อสัตย์ผิดพลาดว่าเป็น "การฉ้อโกง"; เป็นความผิดพลาดที่แพงที่สุดที่ทำให้ลูกค้าสูญเสีย
รูปแบบของการละเมิดการคืนเงิน
ผลตอบแทนส่วนใหญ่มีความซื่อสัตย์ แต่ AI สามารถรับรู้ได้ว่าลูกค้าหรือรูปแบบนั้น “ผิดปกติ” สัญญาณทั่วไป: อัตราผลตอบแทนของลูกค้ารายเดียวกันสูงเกินไป ผลตอบแทนที่มักจะมา "ราวกับถูกใช้"; ความถี่ของการเรียกร้อง "พัสดุว่างเปล่า/มาไม่ถึง"; ผลตอบแทนจากสินค้าราคาแพงซ้ำแล้วซ้ำอีก ที่อยู่จัดส่งและลักษณะการคืนสินค้าไม่ตรงกัน AI แปลสัญญาณเหล่านี้เป็นคะแนนความเสี่ยง แต่คะแนนสูงไม่ได้หมายความว่าเขามีความผิด บางทีขนาดของลูกค้าไม่พอดีบางทีสินค้าอาจสร้างความเสียหายได้จริง ดังนั้นคะแนนจะเริ่มต้นการทบทวน ไม่ใช่การตัดสินใจ
ตารางต่อไปนี้แสดงสัญญาณการคืนสินค้าและการฉ้อโกงและคำตอบที่ถูกต้อง:
สัญญาณ
คำอธิบายที่เป็นไปได้
บทบาทของเอไอ
คำตอบที่ถูกต้อง
อัตราผลตอบแทนสูง
ปัญหาขนาด/ความพอดีหรือการละเมิด
สร้างคะแนน
ตรวจสอบดูที่รูปแบบ
เรียกร้อง "ไม่ได้มา" บ่อยครั้ง
ปัญหาในการจัดส่งหรือการละเมิด
สัญญาณ
ยืนยันด้วยบันทึกการขนส่งสินค้า
บัญชีใหม่+ออเดอร์แพง
บัตรปกติหรือบัตรที่ถูกขโมย
คะแนนความเสี่ยง
ขอการตรวจสอบเพิ่มเติม
ที่อยู่ต่างกัน+จัดส่งด่วน
ของขวัญหรือการฉ้อโกง
สัญญาณ
การตรวจสอบด้วยตนเอง
การชำระเงินล้มเหลวมากมาย
การโจมตีทดลองการ์ด
เตือน
จำกัดชั่วคราว ตรวจสอบ
หลักการตัดสินใจที่ยุติธรรม
การป้องกันการฉ้อโกงยังมีด้านมืด: การเลือกปฏิบัติและความอยุติธรรม แบบจำลองความเสี่ยงสามารถถือว่าบางภูมิภาค ประเภทการชำระเงินบางประเภท หรือกลุ่มลูกค้าบางกลุ่มอย่างเป็นระบบเป็น "ความเสี่ยง" เนื่องจากจะขึ้นอยู่กับข้อมูลในอดีต นี่เป็นทั้งความผิดด้านจริยธรรมและเป็นอันตรายต่อเชิงพาณิชย์ (คุณจะสูญเสียลูกค้าที่ซื่อสัตย์) และอาจนำไปสู่การกล่าวอ้างการเลือกปฏิบัติได้ หลักการสี่ประการสำหรับการตัดสินใจที่ยุติธรรม:
- การอนุมัติโดยเจ้าหน้าที่: การตัดสินใจที่มีผลกระทบสูง (การยกเลิก การปิดบัญชี การปฏิเสธการคืนเงิน) จะดำเนินการผ่านการตรวจสอบโดยเจ้าหน้าที่ ไม่ใช่โดยอัตโนมัติ
- เหตุผล: ทุกการตัดสินใจจะถูกบันทึกไว้และมีเหตุผล คำถาม “ทำไมถึงถูกปฏิเสธ” ควรจะตอบ
- วิธีการคัดค้าน: ลูกค้าจะต้องสามารถคัดค้านการตัดสินใจได้ ข้อผิดพลาดควรได้รับการแก้ไข
- การตรวจสอบเพิ่มเติมก่อน: หากเป็นไปได้ จะมีการพยายามตรวจสอบเพิ่มเติม (ข้อมูลประจำตัว รหัส ผู้ติดต่อ) ก่อนที่จะถูกปฏิเสธ ประตูไม่ได้ปิดทันที
ข้อควรระวัง: มีความแตกต่างระหว่าง "คำสั่งซื้อนี้อาจเป็นกลโกง" และ "คำสั่งซื้อนี้อาจเป็นกลโกง" AI พูดอันแรก; ผู้ตัดสินใจเรื่องหลังจะต้องอาศัยหลักฐานและเหตุผล การกล่าวโทษลูกค้าที่บริสุทธิ์ถือเป็นความเสี่ยงทั้งด้านจริยธรรมและกฎหมาย
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การวิเคราะห์รูปแบบผลตอบแทน:
บทบาทของคุณ: ผู้ช่วยนักวิเคราะห์การปฏิบัติงานการคืนสินค้า ด้านล่างเป็นข้อมูลการคืนสินค้าที่ไม่ระบุชื่อ (รหัสลูกค้า จำนวนคำสั่งซื้อ จำนวนการคืน เหตุผลในการคืนสินค้า หมวดหมู่ผลิตภัณฑ์) ข้อมูล: [ตาราง] งาน: แสดงรายการรูปแบบการคืนสินค้าที่ผิดปกติ (อัตราสูง ซ้ำ "ไม่แสดง" หมวดหมู่เฉพาะ); เขียนทั้งข้อความที่ไร้เดียงสาและข้อความที่เป็นการละเมิดสำหรับแต่ละข้อ หมายเหตุ: นี่ไม่ใช่การตรวจจับ แต่เป็นสัญญาณให้เริ่มการสอบสวน
2) โครงร่างคะแนนความเสี่ยงของคำสั่งซื้อ:
บริบทของคำสั่งซื้อ (ไม่ระบุชื่อ): อายุบัญชี ประเภทการชำระเงิน จำนวนคำสั่งซื้อ ความสอดคล้องของที่อยู่ จำนวนการชำระเงินที่ล้มเหลว ข้อมูล: [ฟิลด์] งาน: ประเมินความเสี่ยงต่ำ/กลาง/สูงสำหรับคำสั่งซื้อนี้ และอธิบายว่าคำสั่งซื้อนี้เป็นไปตามสัญญาณอะไร แนะนำให้ปฏิเสธทันทีที่มีความเสี่ยงสูง จดบันทึกสิ่งที่อาจขอการยืนยันเพิ่มเติมก่อน
3) ไฟล์ตอบกลับการปฏิเสธการชำระเงิน:
ได้รับการปฏิเสธการชำระเงิน (การคัดค้านการชำระเงิน) แล้ว บริบท: [คำสั่งซื้อ บันทึกการจัดส่ง การติดต่อ] งาน: ร่างหลักฐานที่สามารถนำเสนอต่อการคัดค้าน (การยืนยันการจัดส่ง IP บันทึกการติดต่อ) ลงในไฟล์ที่เป็นระเบียบ กฎ: อาศัยบันทึกจริงเท่านั้น สร้างหลักฐาน
4) การควบคุมการตัดสินใจอย่างยุติธรรม:
ตรวจสอบกฎการฉ้อโกง/การส่งคืนต่อไปนี้เพื่อความเป็นธรรม กฎ: [รายการ].งาน: ประเมินว่าแต่ละกฎเสียเปรียบอย่างเป็นระบบต่อกลุ่มเฉพาะหรือไม่ (ภูมิภาค ประเภทการชำระเงิน ลูกค้าใหม่) ทำเครื่องหมายความเสี่ยงของผลบวกลวงและการเลือกปฏิบัติ ระบุว่ามีกลไกการให้เหตุผลและการคัดค้านหรือไม่
ชั้นปฏิบัติการของการต่อต้านการฉ้อโกง
ระบบที่ดีจะขึ้นอยู่กับการตอบสนองอย่างค่อยเป็นค่อยไป ไม่ใช่การตัดสินใจแบบ "gotcha" เพียงครั้งเดียว ความเสี่ยงต่ำ: ไม่รบกวนกระแส ยืนยันการทำธุรกรรม ความเสี่ยงปานกลาง: ขอการยืนยันเพิ่มเติม (รหัส SMS, การยืนยันตัวตน, การชำระเงินอื่น) ความเสี่ยงสูง: ตรวจสอบด้วยตนเอง ระงับชั่วคราวหากจำเป็น และติดต่อ สูงมาก + หลักฐาน: หยุดธุรกรรม บันทึกอย่างมีเหตุผล โครงสร้างที่ค่อยเป็นค่อยไปนี้รบกวนลูกค้าที่ซื่อสัตย์น้อยลงและจับผู้ฉ้อโกงตัวจริงได้ AI สร้างสัญญาณในทุกขั้นตอน บุคคลนั้นเป็นผู้ตัดสินใจว่าจะย้ายไประดับใด
เคล็ดลับ: วัดอัตราผลบวกลวงเป็นประจำ หากคุณไม่ทราบว่าคุณได้บล็อกลูกค้าที่ซื่อสัตย์ไปกี่ราย รูปแบบการฉ้อโกงของคุณอาจทำให้คุณเสียค่าใช้จ่ายมากกว่าการฉ้อโกงเสียอีก "เราลักพาตัวผู้บริสุทธิ์ไปกี่คน" มีค่าพอๆ กับ "เราจับผู้ฉ้อโกงได้กี่คน"
มินิเคสสามอัน
กรณีที่ 1 — การตรวจสอบเพิ่มเติม ร้านค้าปฏิเสธคำสั่งซื้อจำนวนมากจากบัญชีใหม่โดยตรง และสูญเสียลูกค้าจำนวนมาก เปลี่ยนมาใช้ระบบทีละน้อย: แทนที่จะปฏิเสธคำสั่งซื้อที่มีคะแนนความเสี่ยงสูง กลับขอให้มีการยืนยันเพิ่มเติมผ่านทาง SMS ลูกค้าที่ซื่อสัตย์ส่วนใหญ่ผ่านการตรวจสอบแล้ว ความพยายามในการฉ้อโกงอย่างแท้จริงถูกกำจัด ทั้งการสูญเสียและการฉ้อโกงลดลง
กรณีที่ 2 — กับดักผลบวกลวง ระบบหนึ่งจะตั้งค่าสถานะคำสั่งซื้อจากเมืองหนึ่งๆ ว่ามี "ความเสี่ยงสูง" โดยอัตโนมัติโดยพิจารณาจากข้อมูลในอดีต เป็นผลให้ลูกค้าที่ซื่อสัตย์ในเมืองนั้นถูกปิดกั้นอย่างต่อเนื่อง มีการรับรู้ถึงข้อร้องเรียนและการเลือกปฏิบัติ กฎได้รับการแก้ไขในระหว่างการตรวจสอบ และภูมิศาสตร์เพียงอย่างเดียวก็ไม่ใช่เหตุผลในการปฏิเสธอีกต่อไป
กรณีที่ 3 — การละเมิดการส่งผู้ร้ายข้ามแดน ลูกค้ารายหนึ่งซื้อผลิตภัณฑ์อิเล็กทรอนิกส์ราคาแพงและได้รับผลตอบแทนเป็นประจำ โดยบอกว่า "กล่องมาว่างเปล่า" AI ทำเครื่องหมายรูปแบบ (การกล่าวอ้างซ้ำ ๆ ); ทีมงานตรวจสอบบันทึกน้ำหนักสินค้า มีการพิสูจน์ความไม่สอดคล้องกันและหยุดลงเนื่องจากการใช้งานในทางที่ผิด สัญญาณมาจาก AI การตัดสินใจและหลักฐานมาจากมนุษย์
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ตรวจสอบคำสั่งนี้และตัดสินใจว่าเป็นการฉ้อโกงหรือไม่
โมเดลไม่สามารถและไม่ควรตัดสินใจขั้นสุดท้าย ข้อความแจ้งนี้ก่อให้เกิดผลบวกลวงและการตำหนิที่ไม่ยุติธรรม
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้ช่วยนักวิเคราะห์ความเสี่ยง บริบทของคำสั่งซื้อ (ไม่ระบุชื่อ): บัญชีถูกเปิดเมื่อ 2 วันที่แล้ว คำสั่งซื้อคือ 8,500 TL ที่อยู่สำหรับจัดส่งแตกต่างจากที่อยู่ในการเรียกเก็บเงิน มีการพยายามชำระเงินที่ไม่สำเร็จ 3 ครั้ง งาน: ประเมินความเสี่ยงต่ำ/ปานกลาง/สูง และอธิบายว่าสัญญาณใดที่คุณไว้วางใจ อย่าเสนอการปฏิเสธทันที พิมพ์การยืนยันเพิ่มเติม (SMS, ID) ที่คุณต้องการขอก่อน การตัดสินใจขั้นสุดท้ายจะกระทำโดยมนุษย์
ข้อผิดพลาดทั่วไป
- การเข้าใจผิดว่าคะแนนความเสี่ยงเป็นหลักฐานที่แน่ชัด คะแนนจะเริ่มการทบทวนแต่ไม่ได้ตัดสินใจ
- การตัดสินใจที่มีผลกระทบสูงโดยอัตโนมัติ การยกเลิก การปิดบัญชี การปฏิเสธการคืนเงินต้องได้รับอนุมัติจากมนุษย์
- ไม่ได้วัดผลบวกลวง หากคุณไม่ทราบว่าคุณกำลังบล็อกผู้บริสุทธิ์จำนวนเท่าใด ความเสียหายจะยังไม่ปรากฏให้เห็น
- กฎที่ไม่เปิดเผยตามภูมิศาสตร์/กลุ่ม มันก่อให้เกิดการเลือกปฏิบัติและความอยุติธรรม
- การตัดสินใจโดยไม่มีเหตุผลและการคัดค้าน หากไม่มีความโปร่งใส ความเสี่ยงทั้งด้านจริยธรรมและกฎหมายก็จะเพิ่มมากขึ้น
- "จับ" เดี่ยวมากกว่าการตอบสนองแบบค่อยเป็นค่อยไป การปิดประตูโดยไม่ให้โอกาสพวกเขาตรวจสอบเพิ่มเติมจะทำให้คุณสูญเสียลูกค้า
โดยสรุป
ในการจัดการผลตอบแทนและการฉ้อโกง AI จะบันทึกรูปแบบที่สายตามนุษย์มองข้ามและสร้างคะแนนความเสี่ยง แต่คะแนนนี้เป็นสัญญาณไม่ใช่หลักฐาน การตัดสินใจที่มีผลกระทบสูง เช่น การยกเลิกคำสั่งซื้อ การปิดบัญชี การปฏิเสธการคืนเงิน ควรขึ้นอยู่กับการอนุมัติของมนุษย์ เหตุผล และสิทธิ์ในการคัดค้าน การตอบสนองอย่างค่อยเป็นค่อยไป (การตรวจสอบเพิ่มเติมก่อน การปฏิเสธครั้งสุดท้าย) ช่วยปกป้องลูกค้าที่ซื่อสัตย์และกำจัดผู้ฉ้อโกง วัดค่าบวกลวง หลีกเลี่ยงกฎที่ไม่เปิดเผยตามภูมิศาสตร์หรือกลุ่ม การตัดสินใจที่ยุติธรรม โปร่งใส และตรวจสอบได้นั้นเป็นทั้งพันธะผูกพันทางจริยธรรมและภูมิปัญญาทางการค้า
งานสมัคร
ลบรูปแบบที่ผิดปกติ 5 รูปแบบออกจากข้อมูลการส่งคืนโดยไม่ระบุชื่อของคุณ (อัตราสูง "ไม่แสดงตัว" ซ้ำๆ ฯลฯ) เขียนคำอธิบายที่ไร้เดียงสาและการละเมิดสำหรับแต่ละรายการด้วยเทมเพลต "การวิเคราะห์รูปแบบการคืนสินค้า" จากนั้นเรียกใช้เทมเพลต "คะแนนความเสี่ยงของคำสั่งซื้อฉบับร่าง" สำหรับตัวอย่างคำสั่งซื้อที่มีความเสี่ยงสูง และพิจารณาว่าคุณต้องการการตรวจสอบเพิ่มเติมแบบใด แทนที่จะปฏิเสธทันที สุดท้าย ตรวจสอบกฎที่มีอยู่ของคุณเพื่อหาผลบวกลวงและการเลือกปฏิบัติด้วยเทมเพลต "การตรวจสอบการตัดสินใจที่ยุติธรรม"
รายการตรวจสอบ
- [ ] ฉันถือว่าคะแนนความเสี่ยงเป็นเพียงสัญญาณ ไม่ใช่การตัดสินใจขั้นสุดท้าย
- [ ] ฉันถือว่าการตัดสินใจที่มีผลกระทบสูงนั้นขึ้นอยู่กับการอนุมัติและการให้เหตุผลของมนุษย์
- [ ] ฉันตั้งค่าการตอบกลับตามลำดับชั้น: การตรวจสอบเพิ่มเติมก่อน การปฏิเสธครั้งสุดท้าย
- [ ] ฉันวางแผนที่จะวัดอัตราผลบวกลวง
- [ ] ฉันหลีกเลี่ยงกฎเกณฑ์การเลือกปฏิบัติที่ไม่เปิดเผยตามภูมิศาสตร์/กลุ่ม
- [ ] ฉันได้เพิ่มวิธีการอุทธรณ์และบันทึก (เหตุผล) ไว้ในคำตัดสิน