Lợi nhuận:
- Khả năng phân tích mô hình lợi nhuận và tín hiệu gian lận với sự hỗ trợ của trí tuệ nhân tạo và tạo ra bản dự thảo điểm rủi ro
- Khả năng nhận biết các tình huống lạm dụng khoản bồi hoàn, tiếp quản tài khoản và hoàn tiền cũng như tạo các quy tắc và danh sách kiểm tra phòng ngừa
- Khả năng nhìn thấy nguy cơ dương tính giả (chặn không công bằng) và phân biệt đối xử, đồng thời quy mọi quyết định có tác động lớn đến sự chấp thuận và biện minh của con người
Mặt vô hình nhưng đau đớn của thương mại điện tử là lợi nhuận và gian lận. Hoàn trả là quyền của người tiêu dùng và nếu được quản lý tốt sẽ tạo được niềm tin; Nhưng một số việc trả lại trở thành lạm dụng: mặc rồi trả lại, đổi sản phẩm rồi trả lại, lấy cả sản phẩm lẫn tiền bằng cách nói "hàng chưa đến". Lừa đảo nghiêm trọng hơn: đặt hàng bằng thẻ bị đánh cắp, chiếm đoạt tài khoản, yêu cầu hoàn tiền giả, lạm dụng yêu cầu bồi hoàn. Trí tuệ nhân tạo (AI) nắm bắt các mô hình này nhanh hơn con người trong hàng triệu giao dịch; tạo ra điểm rủi ro, dấu hiệu đáng ngờ. Nhưng hãy đặt giới hạn ngay từ đầu: Điểm rủi ro do AI tạo ra là một tín hiệu chứ không phải bằng chứng chắc chắn. Hủy đơn hàng, đóng tài khoản, từ chối trả hàng là những quyết định có tác động lớn; Nó có nguy cơ cản trở một cách không công bằng một khách hàng trung thực (dương tính giả). Đó là lý do tại sao mọi quyết định có tác động lớn đều phải được sự chấp thuận và biện minh của con người.
Ba điều khoản. Khoản bồi hoàn là khi khách hàng liên hệ với ngân hàng của mình và từ chối thanh toán; Nó có thể chính đáng nhưng cũng có thể bị lạm dụng. Chiếm đoạt tài khoản là khi kẻ lừa đảo xâm nhập vào tài khoản của người khác và thực hiện mua hàng. Kết quả dương tính giả là khi hệ thống đánh dấu nhầm một giao dịch trung thực là "lừa đảo"; Đó là sai lầm đắt giá nhất gây mất khách hàng.
Các hình thức lạm dụng hoàn tiền
Hầu hết lợi nhuận đều trung thực. Nhưng AI có thể xác định xem khách hàng hoặc mẫu có “bất thường” hay không. Tín hiệu điển hình: tỷ lệ quay lại của cùng một khách hàng quá cao; những khoản trả lại luôn đến "như thể chúng đã được sử dụng"; Tần suất khiếu nại "gói hàng trống / không đến"; lợi nhuận lặp đi lặp lại trên các sản phẩm đắt tiền; Địa chỉ giao hàng và hành vi trả lại không khớp. AI chuyển những tín hiệu này thành điểm rủi ro; Nhưng điểm cao không có nghĩa là anh ta có tội. Có thể kích thước của khách hàng không vừa, có thể hàng hóa thực sự gây hư hỏng. Vì vậy, điểm số bắt đầu việc xem xét chứ không phải quyết định.
Bảng sau đây hiển thị các tín hiệu trả lại và gian lận cũng như câu trả lời đúng:
tín hiệu
Có thể giải thích
Vai trò của AI
Câu trả lời đúng
Tỷ lệ hoàn vốn cao
Vấn đề về kích thước/vừa vặn hoặc lạm dụng
tạo ra điểm số
Kiểm tra, nhìn vào mẫu
Tuyên bố "không đến" thường xuyên
Vấn đề vận chuyển hoặc lạm dụng
dấu hiệu
Xác nhận với hồ sơ hàng hóa
Tài khoản mới + đơn hàng đắt tiền
Thẻ thông thường hoặc bị đánh cắp
điểm rủi ro
Yêu cầu xác minh bổ sung
Địa chỉ khác + vận chuyển gấp
Quà tặng hoặc lừa đảo
dấu hiệu
Xem xét thủ công
Nhiều khoản thanh toán không thành công
tấn công thử thẻ
cảnh báo
Tạm thời hạn chế, xác minh
Nguyên tắc quyết định công bằng
Phòng chống gian lận cũng có mặt tối: sự phân biệt đối xử và bất công. Một mô hình rủi ro có thể coi một cách có hệ thống các khu vực nhất định, các hình thức thanh toán nhất định hoặc các nhóm khách hàng nhất định là “rủi ro” vì nó dựa trên dữ liệu lịch sử. Điều này vừa sai về mặt đạo đức vừa có hại về mặt thương mại (bạn sẽ mất những khách hàng trung thực) và có thể dẫn đến các khiếu nại về phân biệt đối xử. Bốn nguyên tắc để đưa ra quyết định công bằng:
- Phê duyệt của con người: Các quyết định có tác động lớn (hủy, đóng tài khoản, từ chối hoàn tiền) được thực hiện thông qua đánh giá của con người, không phải tự động.
- Sự biện minh: Mọi quyết định đều được ghi nhận và biện minh; Câu hỏi "tại sao nó bị từ chối?" nên được trả lời.
- Phương thức phản đối: Khách hàng phải có khả năng phản đối quyết định; Lỗi cần được sửa chữa.
- Xác minh bổ sung trước: Nếu có thể, hãy thử xác minh bổ sung (danh tính, mã số, liên hệ) trước khi từ chối; Cánh cửa không đóng lại ngay lập tức.
Thận trọng: Có rất nhiều sự khác biệt giữa "đơn đặt hàng này có thể là lừa đảo" và "đơn đặt hàng này là lừa đảo". AI nói điều đầu tiên; Người quyết định sau phải dựa vào bằng chứng và sự biện minh. Đổ lỗi cho một khách hàng vô tội vừa là rủi ro đạo đức vừa là rủi ro pháp lý.
Bốn mẫu có thể sao chép
1) Phân tích mẫu trả về:
Vai trò của bạn: trợ lý phân tích hoạt động trả hàng. Dưới đây là dữ liệu trả hàng ẩn danh (mã khách hàng, số đơn đặt hàng, số lần trả hàng, lý do trả hàng, danh mục sản phẩm). Dữ liệu: [bảng]. Nhiệm vụ: liệt kê các kiểu trả hàng bất thường (tỷ lệ cao, "không hiển thị" lặp đi lặp lại, danh mục cụ thể); Viết cả một tuyên bố vô tội và lạm dụng cho mỗi người. Lưu ý: Đây không phải là phát hiện mà là tín hiệu để bắt đầu điều tra.
2) Tóm tắt điểm rủi ro đặt hàng:
Bối cảnh đặt hàng (ẩn danh): tuổi tài khoản, loại thanh toán, số tiền đặt hàng, tính nhất quán của địa chỉ, số lần thanh toán không thành công. Dữ liệu: [các trường]. Nhiệm vụ: đánh giá rủi ro thấp/trung bình/cao cho đơn đặt hàng này và giải thích nó dựa trên những tín hiệu nào. Đề xuất từ chối ngay lập tức với rủi ro cao; Viết ra những xác minh bổ sung có thể được yêu cầu trước tiên.
3) Tệp phản hồi bồi hoàn:
Đã nhận được khoản bồi hoàn (phản đối thanh toán). Bối cảnh: [đặt hàng, hồ sơ giao hàng, liên hệ]. Nhiệm vụ: soạn thảo bằng chứng có thể được đưa ra để chống lại sự phản đối (xác nhận giao hàng, IP, hồ sơ liên hệ) vào một tệp có trật tự. Quy tắc: chỉ dựa vào hồ sơ thực tế; bịa đặt bằng chứng.
4) Kiểm soát quyết định công bằng:
Kiểm tra tính công bằng của các quy tắc gian lận/trả lại sau đây. Quy tắc: [danh sách]. Nhiệm vụ: đánh giá xem mỗi quy tắc có gây bất lợi một cách có hệ thống cho một nhóm cụ thể hay không (khu vực, hình thức thanh toán, khách hàng mới); đánh dấu nguy cơ dương tính giả và phân biệt đối xử; Nêu rõ liệu có cơ chế biện minh và phản đối hay không.
Các lớp hoạt động chống gian lận
Một hệ thống tốt dựa trên những phản hồi dần dần chứ không phải một quyết định "chắc chắn" nào cả. Rủi ro thấp: không bao giờ làm gián đoạn dòng chảy, xác nhận giao dịch. Rủi ro trung bình: yêu cầu xác minh bổ sung (mã SMS, xác nhận danh tính, thanh toán khác). Rủi ro cao: xem xét thủ công, tạm dừng nếu cần thiết và liên hệ. Rất cao + bằng chứng: dừng giao dịch, lưu lại với lý do chính đáng. Cấu trúc dần dần này vừa ít làm phiền khách hàng trung thực vừa bắt được kẻ lừa đảo thực sự. AI tạo ra tín hiệu ở mọi giai đoạn; Người đó quyết định nên chuyển sang cấp độ nào.
Mẹo: Đo tỷ lệ dương tính giả thường xuyên. Nếu bạn không biết mình đã vô tình chặn bao nhiêu khách hàng trung thực thì hình thức lừa đảo của bạn có thể khiến bạn phải trả giá đắt hơn chính hành vi lừa đảo đó. "Chúng tôi đã bắt cóc bao nhiêu người vô tội" cũng giống như một thước đo "chúng tôi đã bắt được bao nhiêu kẻ lừa đảo".
ba trường hợp nhỏ
Trường hợp 1 - Xác minh tăng dần. Một cửa hàng đã trực tiếp từ chối các đơn đặt hàng số lượng lớn từ tài khoản mới và mất rất nhiều khách hàng. Nó chuyển sang hệ thống dần dần: thay vì từ chối đơn hàng có điểm rủi ro cao, nó yêu cầu xác minh bổ sung qua SMS. Hầu hết các khách hàng trung thực đều đã vượt qua quá trình xác minh; những nỗ lực gian lận thực sự đã bị loại bỏ. Cả tổn thất và gian lận đều giảm.
Trường hợp 2 - Bẫy dương tính giả. Một hệ thống tự động gắn cờ các đơn đặt hàng từ một thành phố cụ thể là "rủi ro cao" dựa trên dữ liệu lịch sử. Kết quả là những khách hàng trung thực ở thành phố đó liên tục bị chặn; Có nhận thức về khiếu nại và phân biệt đối xử. Quy tắc đã được sửa trong quá trình kiểm tra và chỉ riêng địa lý không còn là lý do để từ chối.
Trường hợp 3 – Lạm dụng dẫn độ. Một khách hàng đang mua các sản phẩm điện tử đắt tiền và nhận được hàng trả lại thường xuyên và nói rằng "hộp đã trống rỗng". AI đã đánh dấu mẫu (lặp lại cùng một tuyên bố); Đoàn kiểm tra hồ sơ trọng lượng hàng hóa, phát hiện sự không nhất quán và đã dừng hoạt động do lạm dụng. Tín hiệu đến từ AI, quyết định và bằng chứng đến từ con người.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Kiểm tra lệnh này và quyết định xem nó có gian lận hay không.
Mô hình không thể và không nên đưa ra quyết định dứt khoát; lời nhắc này tạo ra những kết quả dương tính giả và đổ lỗi không công bằng.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý phân tích rủi ro. Bối cảnh đặt hàng (ẩn danh): tài khoản đã được mở 2 ngày trước, đơn hàng là 8.500 TL, địa chỉ giao hàng khác với địa chỉ thanh toán, có 3 lần thanh toán không thành công. Nhiệm vụ: đánh giá rủi ro thấp/trung bình/cao và giải thích những tín hiệu bạn dựa vào. Đừng đưa ra lời từ chối ngay lập tức; Nhập xác minh bổ sung (SMS, ID) mà bạn muốn yêu cầu trước tiên. Quyết định cuối cùng sẽ do con người đưa ra.
Những lỗi thường gặp
- Nhầm điểm rủi ro là bằng chứng xác thực. Điểm bắt đầu việc xem xét nhưng không đưa ra quyết định.
- Tự động hóa việc ra quyết định có tác động cao. Việc hủy, đóng tài khoản, từ chối hoàn tiền cần có sự chấp thuận của con người.
- Không đo dương tính giả. Nếu bạn không biết mình đang chặn bao nhiêu người vô tội thì thiệt hại vẫn là vô hình.
- Quy tắc mù dựa trên địa lý/nhóm. Nó tạo ra sự phân biệt đối xử và bất công.
- Quyết định mà không có sự biện minh và phản đối. Nếu không có sự minh bạch, rủi ro cả về đạo đức và pháp lý sẽ tăng lên.
- "Bắt" đơn lẻ thay vì phản ứng dần dần. Đóng cửa mà không cho họ cơ hội xác minh thêm sẽ khiến bạn mất khách hàng.
Tóm lại
Trong quản lý lợi nhuận và gian lận, AI nắm bắt các mẫu mà mắt người bỏ qua và đưa ra điểm rủi ro; Nhưng điểm số này là một tín hiệu chứ không phải bằng chứng. Các quyết định có tác động lớn như hủy đơn hàng, đóng tài khoản, từ chối hoàn tiền phải dựa trên sự chấp thuận, biện minh của con người và quyền phản đối. Phản hồi dần dần (xác minh bổ sung trước, từ chối sau cùng) vừa bảo vệ khách hàng trung thực vừa loại bỏ kẻ lừa đảo. Đo dương tính giả; Tránh các quy tắc mù quáng dựa trên địa lý hoặc nhóm. Một quyết định công bằng, minh bạch và có thể kiểm toán vừa là nghĩa vụ đạo đức vừa là sự khôn ngoan trong thương mại.
Nhiệm vụ ứng dụng
Xóa 5 mẫu bất thường khỏi dữ liệu trả lại ẩn danh của bạn (tỷ lệ cao, "vắng mặt" nhiều lần, v.v.). Viết cả mô tả vô tội và mô tả lạm dụng cho từng mô tả bằng mẫu "Phân tích mẫu trả về". Sau đó, chạy mẫu "Điểm rủi ro của đơn đặt hàng nháp" cho một đơn đặt hàng mẫu có rủi ro cao và xác định xem bạn muốn xác minh bổ sung thay vì bị từ chối ngay lập tức. Cuối cùng, hãy xem lại các quy tắc hiện tại của bạn để phát hiện các kết quả dương tính giả và phân biệt đối xử bằng mẫu "Kiểm tra quyết định công bằng".
danh sách kiểm tra
- [ ] Tôi coi điểm rủi ro như một tín hiệu chứ không phải là một quyết định dứt khoát.
- [ ] Tôi cho rằng các quyết định có tác động lớn là do con người chấp thuận và biện minh.
- [ ] Tôi thiết lập phản hồi theo cấp độ: xác thực bổ sung trước, từ chối sau cùng.
- [ ] Tôi dự định đo tỷ lệ dương tính giả.
- [ ] Tôi tránh các quy tắc phân biệt đối xử mù quáng dựa trên địa lý/nhóm.
- [ ] Tôi đã thêm phương thức kháng cáo và ghi lại (biện minh) cho các quyết định.