Mga nadagdag:
- Kakayahang suriin ang mga pattern ng pagbabalik at mga signal ng pandaraya na may suporta sa artificial intelligence at gumawa ng draft ng marka ng panganib
- Kakayahang kilalanin ang chargeback, pag-takeover ng account at mga senaryo ng pang-aabuso sa pag-refund at gumawa ng mga panuntunan sa pag-iwas at checklist
- Kakayahang makita ang panganib ng mga maling positibo (hindi patas na pagharang) at diskriminasyon at ipatungkol ang bawat desisyon na may mataas na epekto sa pag-apruba at katwiran ng tao
Ang hindi nakikita ngunit masakit na bahagi ng e-commerce ay pagbabalik at pandaraya. Ang pagbabalik ay isang karapatan ng mamimili at kung pinamamahalaang mabuti, ito ay lumilikha ng tiwala; Ngunit ang ilang pagbabalik ay nauwi sa pang-aabuso: pagsusuot nito at pagbabalik nito, pagpapalit ng produkto at pagbabalik nito, pagkuha ng parehong produkto at pera sa pagsasabing "hindi ito dumating". Mas malubha ang panloloko: pag-order gamit ang ninakaw na card, pagkuha ng account, pekeng kahilingan sa refund, pang-aabuso sa chargeback. Nakukuha ng artificial intelligence (AI) ang mga pattern na ito nang mas mabilis kaysa sa mga tao sa milyun-milyong transaksyon; bumubuo ng marka ng panganib, mga kahina-hinalang palatandaan. Ngunit itakda natin ang limitasyon mula sa simula: Ang marka ng panganib na ginawa ng AI ay isang senyales, hindi tiyak na ebidensya. Ang pagkansela ng order, pagsasara ng account, pagtanggi sa pagbabalik ay mga desisyong may malaking epekto; Nagdadala ito ng panganib na hindi makatarungang hadlangan ang isang tapat na customer (false positive). Kaya naman ang bawat desisyon na may mataas na epekto ay dapat sumailalim sa pag-apruba at katwiran ng tao.
Tatlong termino. Ang chargeback ay kapag nakipag-ugnayan ang customer sa kanyang bangko at tinanggihan ang pagbabayad; Maaaring ito ay makatwiran, ngunit maaari rin itong abusuhin. Ang account takeover ay kapag ang isang manloloko ay pumasok sa account ng ibang tao at bumili. Ang maling positibo ay kapag nagkamali ang sistema ng pagmamarka ng isang matapat na transaksyon bilang "panloloko"; Ito ang pinakamahal na pagkakamali na nagdudulot ng pagkawala ng customer.
Mga pattern ng pag-abuso sa refund
Karamihan sa mga pagbabalik ay tapat. Ngunit maaaring malaman ng AI kung ang isang customer o isang pattern ay "hindi karaniwan." Mga karaniwang signal: masyadong mataas na return rate ng parehong customer; mga pagbabalik na laging dumarating "parang sila ay ginamit"; Dalas ng paghahabol "ang pakete ay walang laman / hindi dumating"; paulit-ulit na pagbabalik sa mga mamahaling produkto; Hindi tugma ng address ng paghahatid at gawi sa pagbabalik. Isinasalin ng AI ang mga signal na ito sa isang marka ng panganib; Ngunit ang mataas na marka ay hindi nangangahulugan na siya ay nagkasala. Baka hindi kasya ang laki ng customer, baka nakakasira talaga ang kargada. Samakatuwid, pinasimulan ng marka ang pagsusuri, hindi ang desisyon.
Ipinapakita ng sumusunod na talahanayan ang mga senyales ng pagbabalik at pandaraya at ang tamang sagot:
hudyat
Posibleng paliwanag
Papel ng AI
Tamang sagot
Mataas na rate ng pagbabalik
Problema o pang-aabuso sa laki/kasya
gumagawa ng mga marka
Suriin, tingnan ang pattern
Madalas "hindi dumating" claim
Problema sa pagpapadala o pang-aabuso
mga palatandaan
Kumpirmasyon gamit ang talaan ng kargamento
Bagong account + mahal na order
Regular o ninakaw na card
marka ng panganib
Humiling ng karagdagang pag-verify
Iba't ibang address + nagmamadaling pagpapadala
Regalo o pandaraya
mga palatandaan
Manu-manong pagsusuri
Maraming nabigong pagbabayad
pag-atake ng pagsubok sa card
nagbabala
Pansamantalang paghihigpit, i-verify
Prinsipyo ng patas na desisyon
Ang pag-iwas sa pandaraya ay mayroon ding madilim na panig: diskriminasyon at kawalang-katarungan. Maaaring sistematikong ituring ng isang modelo ng peligro ang ilang partikular na rehiyon, ilang uri ng pagbabayad, o ilang partikular na grupo ng customer bilang "peligroso" dahil nakabatay ito sa makasaysayang data. Ito ay parehong mali sa etika at nakakapinsala sa komersyo (mawawalan ka ng mga tapat na customer) at maaaring humantong sa mga claim sa diskriminasyon. Apat na prinsipyo para sa patas na desisyon:
- Pag-apruba ng tao: Ang mga desisyon na may mataas na epekto (pagkansela, pagsasara ng account, pagtanggi sa refund) ay ginagawa sa pamamagitan ng pagsusuri ng tao, hindi awtomatiko.
- Katwiran: Ang bawat desisyon ay naitala at nabibigyang-katwiran; Ang tanong na "bakit ito tinanggihan?" dapat sagutin.
- Paraan ng pagtutol: Dapat na makatutol ang customer sa desisyon; Ang pagkakamali ay dapat itama.
- Karagdagang pag-verify bago: Kung maaari, ang karagdagang pag-verify (pagkakakilanlan, code, contact) ay sinubukan bago ang pagtanggi; Hindi agad nakasarado ang pinto.
Babala: May pagkakaiba sa pagitan ng "maaaring scam ang order na ito" at "scam ang order na ito." Sinabi ng AI ang una; Ang taong magpapasya sa huli ay dapat umasa sa ebidensya at katwiran. Ang pagsisi sa isang inosenteng customer ay parehong etikal at legal na panganib.
Apat na maaaring kopyahin na mga template
1) Pagsusuri ng pattern ng pagbalik:
Ang iyong tungkulin: nagbabalik ng operations analyst assistant. Nasa ibaba ang anonymous na data ng pagbabalik (code ng customer, bilang ng mga order, bilang ng mga pagbabalik, dahilan ng pagbabalik, kategorya ng produkto).Data: [talahanayan].Gawain: maglista ng mga hindi pangkaraniwang pattern ng pagbabalik (mataas na rate, paulit-ulit na "walang palabas", partikular na kategorya); Sumulat ng parehong inosente at pang-aabuso na pahayag para sa bawat isa. Tandaan: Ito ay hindi isang pagtuklas, ngunit isang senyales upang simulan ang isang pagsisiyasat.
2) Outline ng marka ng panganib ng order:
Konteksto ng order (anonymous): edad ng account, uri ng pagbabayad, halaga ng order, pagkakapare-pareho ng address, bilang ng mga nabigong pagbabayad.Data: [mga patlang].Gawain: tasahin ang mababa/katamtaman/mataas na panganib para sa order na ito at ipaliwanag kung ANO ang mga senyales na ito ay batay. Magrekomenda ng agarang pagtanggi sa mataas na panganib; Isulat kung anong karagdagang pag-verify ang maaaring hilingin muna.
3) Chargeback response file:
Isang chargeback (pagtutol sa pagbabayad) ay natanggap. Konteksto: [order, rekord ng paghahatid, contact].Gawain: i-draft ang katibayan na maaaring iharap laban sa pagtutol (pagkumpirma ng paghahatid, IP, rekord ng contact) sa isang maayos na file. Panuntunan: umasa lamang sa mga aktwal na talaan; gumawa ng ebidensya.
4) Makatarungang kontrol sa desisyon:
I-audit ang sumusunod na mga panuntunan sa pandaraya/pagbabalik para sa pagiging patas.Mga Panuntunan: [listahan].Gawain: suriin kung sistematikong nakakapinsala ang bawat tuntunin sa isang partikular na grupo (rehiyon, uri ng pagbabayad, bagong customer); i-flag ang panganib ng mga maling positibo at diskriminasyon; Sabihin kung mayroong mekanismo ng katwiran at pagtutol.
Mga layer ng pagpapatakbo ng anti-fraud
Ang isang mahusay na sistema ay batay sa unti-unting mga tugon, hindi isang solong "gotcha" na desisyon. Mababang panganib: hindi kailanman makagambala sa daloy, kumpirmahin ang transaksyon. Katamtamang panganib: humiling ng karagdagang pag-verify (SMS code, kumpirmasyon ng pagkakakilanlan, ibang pagbabayad). Mataas na panganib: suriin nang manu-mano, pansamantalang i-hold kung kinakailangan, at makipag-ugnayan. Napakataas + patunay: ihinto ang transaksyon, i-save nang may katwiran. Ang unti-unting istraktura na ito ay parehong mas nakakagambala sa tapat na customer at nakakakuha ng tunay na manloloko. Ang AI ay bumubuo ng mga signal sa bawat yugto; Ang tao ang magpapasya kung saang antas lilipat.
Tip: Regular na sukatin ang false positive rate. Kung hindi mo alam kung gaano karaming matapat na customer ang hindi mo sinasadyang na-block, maaaring mas malaki ang halaga ng iyong pattern ng panloloko kaysa sa mismong panloloko. "Ilang inosente ang inagaw natin" ay kasing dami ng sukatan ng "kung gaano karaming manloloko ang nahuli natin".
tatlong mini case
Case 1 — Incremental na pag-verify. Direktang tinatanggihan ng isang tindahan ang mga order na may mataas na halaga mula sa bagong account at nawalan ng maraming customer. Lumipat ito sa isang unti-unting sistema: sa halip na tanggihan ang order na may mataas na marka ng panganib, humiling ito ng karagdagang pag-verify sa pamamagitan ng SMS. Karamihan sa mga tapat na customer ay nakapasa sa pag-verify; inalis ang tunay na mga pagtatangka sa pandaraya. Parehong nabawasan ang pagkawala at pandaraya.
Kaso 2 — Maling positibong bitag. Awtomatikong na-flag ng isang system ang mga order mula sa isang partikular na lungsod bilang "mataas na panganib" batay sa makasaysayang data. Bilang resulta, ang mga tapat na customer sa lungsod na iyon ay patuloy na hinaharangan; Nagkaroon ng perception ng mga reklamo at diskriminasyon. Ang panuntunan ay naitama sa panahon ng pag-audit, at ang heograpiya lamang ay hindi na dahilan para sa pagtanggi.
Kaso 3 — Pang-aabuso sa Extradition. Ang isang customer ay bumibili ng mga mamahaling elektronikong produkto at tumatanggap ng mga regular na pagbabalik, na nagsasabing "ang kahon ay dumating na walang laman." Minarkahan ng AI ang pattern (pag-uulit ng parehong claim); Sinuri ng koponan ang mga talaan ng timbang ng kargamento, napatunayan ang hindi pagkakapare-pareho at natigil ito dahil sa pang-aabuso. Ang signal ay nagmula sa AI, ang desisyon at ang ebidensya ay nagmula sa tao.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Suriin ang kautusang ito at magpasya kung ito ay pandaraya o hindi.
Ang modelo ay hindi maaaring at hindi dapat gumawa ng mga tiyak na desisyon; ang prompt na ito ay nagdudulot ng mga maling positibo at hindi patas na paninisi.
Napakahusay na prompt:
Ang iyong tungkulin: assistant risk analyst. Konteksto ng order (anonymous): nabuksan ang account 2 araw ang nakalipas, ang order ay 8,500 TL, iba ang delivery address sa billing address, mayroong 3 hindi matagumpay na pagtatangka sa pagbabayad. Gawain: tasahin ang mababa/katamtaman/mataas na panganib at ipaliwanag kung anong mga signal ang iyong pinagkakatiwalaan. Huwag mag-alok ng agarang pagtanggi; I-type kung anong karagdagang pag-verify (SMS, ID) ang gusto mong unang hilingin. Ang huling desisyon ay gagawin ng mga tao.
Mga karaniwang pagkakamali
- Ipagkamali ang marka ng panganib bilang tiyak na ebidensya. Pinasimulan ng marka ang pagsusuri, ngunit hindi gumagawa ng desisyon.
- Pag-automate ng mataas na epekto sa paggawa ng desisyon. Ang pagkansela, pagsasara ng account, pagtanggi sa refund ay nangangailangan ng pag-apruba ng tao.
- Hindi sinusukat ang false positive. Kung hindi mo alam kung gaano karaming mga inosente ang iyong hinaharangan, ang pinsala ay nananatiling hindi nakikita.
- Mga bulag na panuntunan batay sa heograpiya/pangkat. Nagbubunga ito ng diskriminasyon at kawalang-katarungan.
- Desisyon nang walang katwiran at pagtutol. Kung walang transparency, lumalaki ang parehong etikal at legal na mga panganib.
- Isang "catch" sa halip na unti-unting pagtugon. Ang pagsasara ng pinto nang hindi binibigyan sila ng pagkakataon para sa karagdagang pag-verify ay magdudulot sa iyo ng pagkawala ng mga customer.
Sa buod
Sa pamamahala ng mga pagbabalik at pandaraya, kinukuha ng AI ang mga pattern na hindi nakuha ng mata ng tao at gumagawa ng marka ng panganib; Ngunit ang markang ito ay isang senyales, hindi ebidensya. Ang mga desisyong may mataas na epekto gaya ng pagkansela ng order, pagsasara ng account, pagtanggi sa refund ay dapat na nakabatay sa pag-apruba ng tao, katwiran at karapatang tumutol. Ang unti-unting tugon (karagdagang pag-verify muna, huling pagtanggi) ay parehong pinoprotektahan ang tapat na customer at inaalis ang manloloko. Sukatin ang maling positibo; Iwasan ang mga bulag na tuntunin batay sa heograpiya o grupo. Ang isang patas, transparent at naa-audit na desisyon ay parehong etikal na obligasyon at komersyal na karunungan.
Gawain ng aplikasyon
Mag-alis ng 5 hindi pangkaraniwang pattern sa iyong anonymous na data ng pagbabalik (mataas na rate, paulit-ulit na "hindi pagpapakita", atbp.). Sumulat ng parehong inosente at isang paglalarawan ng pang-aabuso para sa bawat isa gamit ang template na "Pagsusuri ng pattern ng pagbalik." Pagkatapos ay patakbuhin ang template na "Draft order risk score" para sa isang sample na high-risk na order at tukuyin kung anong karagdagang pag-verify ang gusto mo sa halip na isang agarang pagtanggi. Panghuli, suriin ang iyong mga kasalukuyang panuntunan para sa mga maling positibo at diskriminasyon gamit ang template na "Patas na pag-audit ng desisyon."
checklist
- [ ] Itinuring ko ang marka ng panganib bilang isang senyales, hindi isang tiyak na desisyon.
- [ ] Iniuugnay ko ang mga desisyong may mataas na epekto sa pag-apruba at katwiran ng tao.
- [ ] Nag-set up ako ng isang tier na tugon: karagdagang pagpapatunay muna, huling pagtanggi.
- [ ] Pinlano kong sukatin ang false positive rate.
- [ ] Iniwasan ko ang mga blind discriminatory rules batay sa heograpiya/grupo.
- [ ] Nagdagdag ako ng paraan ng apela at talaan (pagbibigay-katwiran) sa mga desisyon.