CarderPlanet
Professional
Временами кажется, что мошенники и индустрия электронной коммерции вовлечены в нескончаемую эскалационную войну, каждая сторона всегда пытается получить технологическое преимущество над другой. Безусловно, мошенничество становится все более изощренным, и что передовые инструменты борьбы с мошенничеством стали необходимостью для многих продавцов.
В конце концов, для борьбы с новыми угрозами требуются новые методологии. В частности, методы машинного обучения все чаще рекламируются как способ более эффективного выявления мошеннических транзакций. Как работает машинное обучение и что делает его такой важной частью современных решений по предотвращению мошенничества?
Теоретически, каждая мошенническая транзакция должна оставлять некоторые подсказки относительно ее истинной природы — некоторого несоответствия в данных, которое показывает, что стоящий за ней человек является мошенником, а не реальным клиентом. Мошенники научились лучше маскировать большие, очевидные улики.
Например, они могут использовать прокси-серверы, чтобы скрыть тот факт, что данные их геолокации показывают, что они получают доступ к Интернету из страны, известной высоким уровнем мошенничества, которая находится далеко от адреса доставки и выставления счетов владельца карты, которого они преследуют.
Тем не менее, по идее, в поведении и данных транзакций должны быть тонкие подсказки, которые могут выдать мошенника, несмотря на все его усилия. Машинное обучение - это метод поиска этих подсказок путем анализа наборов данных на предмет тенденций и закономерностей, которые могут быть использованы в качестве основы для составления будущих прогнозов. Продемонстрированная эффективность в этом качестве сделала его неотъемлемой частью многих новейших решений по борьбе с мошенничеством, появившихся на рынке.
Что такое машинное обучение?
Машинное обучение - это ответвление искусственного интеллекта, которое фокусируется на использовании больших объемов данных для обучения программного обеспечения распознавать закономерности в данных и делать прогнозы на их основе. Как только программа научится распознавать определенные шаблоны в существующих наборах данных, она сможет просматривать входящие данные для поиска похожих возникающих шаблонов и предсказывать значения пока неизвестных данных в рамках этого шаблона.
Другими словами, если вы покажете программе машинного обучения достаточное количество примеров мошеннических транзакций, она сможет проанализировать ваши будущие транзакции и предсказать вероятность того, что они являются мошенническими, даже при отсутствии очевидных показателей, на которые опирались бы предыдущие поколения инструментов борьбы с мошенничеством.
В прошлом инструменты борьбы с мошенничеством зависали на подходе, основанном на правилах. Вы могли установить правила для того, что было красным флагом для мошенничества, а что нет, и инструмент соответствующим образом проверял транзакции.
Например, вы можете блокировать заказы из определенных стран или с любого устройства или IP-адреса, которые ранее отправляли заказ через другую учетную запись клиента. Инструмент должен был послушно подчиняться, и продавец должен был выяснить, как обращаться с неизбежными исключительными случаями.
Предпочтительным подходом как для выявления большего числа случаев мошенничества, так и для уменьшения количества ложных срабатываний является оценка риска, при которой индикаторам мошенничества присваивается значение в баллах, а транзакция завершается итоговой оценкой, которая сообщает продавцу, принять, отклонить или придержать заказ для проверки вручную.
Как машинное обучение улучшает обнаружение мошенничества?
Машинное обучение является особенно многообещающим решением для мошенничества с кредитными картами, поскольку подход, основанный на правилах, все чаще сталкивается с требованиями потребителей к быстрым и бесперебойным мобильным покупкам. Системы, основанные на правилах, могут сбить с толку покупателей, которые часто переключают устройства или сети, а просьба покупателей предоставить дополнительные формы проверки личности может привести к трениям при оформлении заказа и отказу от корзины.
Вместо этого решения для машинного обучения могут использовать поведенческую аналитику для выявления признаков мошенничества, что может быть особенно полезно в случаях мошенничества с захватом учетных записей, которое может обмануть системы, основанные на правилах, заставив их думать, что транзакции поступают от известных клиентов.
Просматривая прошлые транзакции, историю заказов и другие зарегистрированные аспекты поведения клиента, инструменты машинного обучения могут определить, когда новый и незнакомый человек может находиться у руля доверенной учетной записи.
Какой наиболее эффективный способ обнаружения мошенничества с помощью машинного обучения?
При использовании решения для борьбы с мошенничеством, использующего машинное обучение, жизненно важны две вещи. Во-первых, данные, которые используются для обучения системы машинного обучения, должны быть высокого качества и актуальности, а во-вторых, у вас должен быть способ отслеживать эффективность системы и вносить корректировки по мере необходимости.
В некоторых случаях у продавцов может быть недостаточно собственных исторических данных о транзакциях для использования в машинном обучении. Для таких продавцов поставщики решений могут использовать уже существующие наборы данных или общие модели в качестве отправной точки.
Чтобы отслеживать решение для борьбы с мошенничеством с помощью машинного обучения и оценивать его эффективность, вам необходимо вручную проверять помеченные заказы.
Заключение
Наличие правильных инструментов борьбы с мошенничеством является важным компонентом любой достойной стратегии предотвращения возврата платежей. С настоящими возвратами платежей за мошенничество бороться невозможно — они полностью законны, и продавцы должны взять на себя ответственность за то, чтобы сделать все возможное для выявления и отклонения попыток мошеннических транзакций до того, как они смогут быть обработаны.
Когда мошенничество проскальзывает сквозь защиту продавца, результатом становится возврат средств, дополнительная стоимость комиссий за возврат средств, увеличение ставки возврата средств и, скорее всего, потеря репутации в глазах владельца карты, ставшего жертвой.
Для борьбы с многоголовой гидрой, которую напоминает сегодняшнее онлайн-мошенничество, продавцам необходим многоуровневый подход, использующий наиболее эффективные технологии. Для продавцов, сталкивающихся с мошенничеством с кредитными картами и настоящими возвратами платежей за мошенничество, инструменты, использующие машинное обучение, могут быть одними из самых мощных и эффективных, когда дело доходит до упреждающего обнаружения мошенничества.
В конце концов, для борьбы с новыми угрозами требуются новые методологии. В частности, методы машинного обучения все чаще рекламируются как способ более эффективного выявления мошеннических транзакций. Как работает машинное обучение и что делает его такой важной частью современных решений по предотвращению мошенничества?
Теоретически, каждая мошенническая транзакция должна оставлять некоторые подсказки относительно ее истинной природы — некоторого несоответствия в данных, которое показывает, что стоящий за ней человек является мошенником, а не реальным клиентом. Мошенники научились лучше маскировать большие, очевидные улики.
Например, они могут использовать прокси-серверы, чтобы скрыть тот факт, что данные их геолокации показывают, что они получают доступ к Интернету из страны, известной высоким уровнем мошенничества, которая находится далеко от адреса доставки и выставления счетов владельца карты, которого они преследуют.
Тем не менее, по идее, в поведении и данных транзакций должны быть тонкие подсказки, которые могут выдать мошенника, несмотря на все его усилия. Машинное обучение - это метод поиска этих подсказок путем анализа наборов данных на предмет тенденций и закономерностей, которые могут быть использованы в качестве основы для составления будущих прогнозов. Продемонстрированная эффективность в этом качестве сделала его неотъемлемой частью многих новейших решений по борьбе с мошенничеством, появившихся на рынке.
Что такое машинное обучение?
Машинное обучение - это ответвление искусственного интеллекта, которое фокусируется на использовании больших объемов данных для обучения программного обеспечения распознавать закономерности в данных и делать прогнозы на их основе. Как только программа научится распознавать определенные шаблоны в существующих наборах данных, она сможет просматривать входящие данные для поиска похожих возникающих шаблонов и предсказывать значения пока неизвестных данных в рамках этого шаблона.
Другими словами, если вы покажете программе машинного обучения достаточное количество примеров мошеннических транзакций, она сможет проанализировать ваши будущие транзакции и предсказать вероятность того, что они являются мошенническими, даже при отсутствии очевидных показателей, на которые опирались бы предыдущие поколения инструментов борьбы с мошенничеством.
В прошлом инструменты борьбы с мошенничеством зависали на подходе, основанном на правилах. Вы могли установить правила для того, что было красным флагом для мошенничества, а что нет, и инструмент соответствующим образом проверял транзакции.
Например, вы можете блокировать заказы из определенных стран или с любого устройства или IP-адреса, которые ранее отправляли заказ через другую учетную запись клиента. Инструмент должен был послушно подчиняться, и продавец должен был выяснить, как обращаться с неизбежными исключительными случаями.
Предпочтительным подходом как для выявления большего числа случаев мошенничества, так и для уменьшения количества ложных срабатываний является оценка риска, при которой индикаторам мошенничества присваивается значение в баллах, а транзакция завершается итоговой оценкой, которая сообщает продавцу, принять, отклонить или придержать заказ для проверки вручную.
Вместо этого процесс машинного обучения функционирует как способ построения статистических корреляций между точками данных для создания точной и надежной модели оценки риска мошенничества.
Как машинное обучение улучшает обнаружение мошенничества?
Машинное обучение является особенно многообещающим решением для мошенничества с кредитными картами, поскольку подход, основанный на правилах, все чаще сталкивается с требованиями потребителей к быстрым и бесперебойным мобильным покупкам. Системы, основанные на правилах, могут сбить с толку покупателей, которые часто переключают устройства или сети, а просьба покупателей предоставить дополнительные формы проверки личности может привести к трениям при оформлении заказа и отказу от корзины.
Вместо этого решения для машинного обучения могут использовать поведенческую аналитику для выявления признаков мошенничества, что может быть особенно полезно в случаях мошенничества с захватом учетных записей, которое может обмануть системы, основанные на правилах, заставив их думать, что транзакции поступают от известных клиентов.
Просматривая прошлые транзакции, историю заказов и другие зарегистрированные аспекты поведения клиента, инструменты машинного обучения могут определить, когда новый и незнакомый человек может находиться у руля доверенной учетной записи.
Какой наиболее эффективный способ обнаружения мошенничества с помощью машинного обучения?
При использовании решения для борьбы с мошенничеством, использующего машинное обучение, жизненно важны две вещи. Во-первых, данные, которые используются для обучения системы машинного обучения, должны быть высокого качества и актуальности, а во-вторых, у вас должен быть способ отслеживать эффективность системы и вносить корректировки по мере необходимости.
В некоторых случаях у продавцов может быть недостаточно собственных исторических данных о транзакциях для использования в машинном обучении. Для таких продавцов поставщики решений могут использовать уже существующие наборы данных или общие модели в качестве отправной точки.
Чтобы отслеживать решение для борьбы с мошенничеством с помощью машинного обучения и оценивать его эффективность, вам необходимо вручную проверять помеченные заказы.
Это поможет вам генерировать более точные оценки и устанавливать пороговые значения оценки рисков, которые сводят к минимуму частоту ложноположительных результатов, вашу зависимость от проверки вручную и, самое главное, само мошенничество.
Заключение
Наличие правильных инструментов борьбы с мошенничеством является важным компонентом любой достойной стратегии предотвращения возврата платежей. С настоящими возвратами платежей за мошенничество бороться невозможно — они полностью законны, и продавцы должны взять на себя ответственность за то, чтобы сделать все возможное для выявления и отклонения попыток мошеннических транзакций до того, как они смогут быть обработаны.
Когда мошенничество проскальзывает сквозь защиту продавца, результатом становится возврат средств, дополнительная стоимость комиссий за возврат средств, увеличение ставки возврата средств и, скорее всего, потеря репутации в глазах владельца карты, ставшего жертвой.
Для борьбы с многоголовой гидрой, которую напоминает сегодняшнее онлайн-мошенничество, продавцам необходим многоуровневый подход, использующий наиболее эффективные технологии. Для продавцов, сталкивающихся с мошенничеством с кредитными картами и настоящими возвратами платежей за мошенничество, инструменты, использующие машинное обучение, могут быть одними из самых мощных и эффективных, когда дело доходит до упреждающего обнаружения мошенничества.
