大数据风控反欺诈如何识别团伙?从多账号、多订单到关联身份分析

一条街道的退货率偏高,住在这条街上的新顾客第一次申请退款,客服该怎么处理?如果系统能给出的理由只有邮编相同,客服其实还不知道这笔申请有什么问题。
2026年5月25日,新华网思客就恶意下单退货采访了专家。访谈分别讨论了短时间大量下单退货、利用多个账号获取利益等现象,也谈到部分商家将整个区域纳入拒售范围引起的争议。这些是不同情形,报道并未认定被拒售区域的消费者属于同一团伙。
对经营海外独立站的品牌来说,值得借鉴的是判断方法:地区、地址或设备相同,只能帮助找到值得一起看的订单。要判断是否存在协同滥用,还要查这些账号反复做了什么、谁从中获益,以及是否有更合理的解释。
一起批量退款案:订单散在不同买家名下,佣金却流向少数账户
2024年12月,《检察日报》报道了厦门市思明区检察院办理的一起案件。多名“买手”集中下单、集体退货,引起商家警觉。电商服务平台进一步排查,发现异常订单对应的佣金提取账号高度集中,随后报警。调查还发现,有人统一安排下单和退货,并按记录分配佣金。报道显示,刘某等11名被告人因诈骗罪获刑。
这起案件有一个容易忽略的细节:团伙谋取的是推广佣金。如果客服只查“买家退了多少件、退款是否退回原支付账户”,就算把每一笔账都对上,也可能遗漏真正的收益去向。商家看到的是成批退货;平台把订单与佣金记录放在一起,才看到另一层关系。
这也是大数据风控反欺诈在此类场景里的用途:把一张售后工单里看不到的关系找出来。至于这些人是否有组织地配合,案件中还有分工和分账等证据,不能把平台最初发现的异常直接当作最终结论。
关联身份分析:先分清“同一个人”和“一群人一起行动”
身份关联问的是:不同账号背后,有没有可能是同一位操作者?例如,几个账号在不同订单中反复出现一致的设备和业务联系信息,值得合并查看其历史。但共用家庭平板的两个人,也可能是独立顾客。系统可以把记录放进同一组供调查,无须因此合并其会员身份。
行为聚集问的是:即便确实是不同的人,他们的行为是否反复围绕同一个利益关系发生?厦门案的关键就不在于把所有买手认作一个人。恰恰相反,不同买家的退货订单与少数佣金账户之间的关系,才值得继续查。
实际调查时,可以从一笔待复核退款出发,沿着“退款申请 → 原订单 → 买家账号”查看购买历史,再沿着“原订单 → 推广来源 → 佣金结算”查看受益情况。两条记录若在多批订单上反复呈现相同关系,就有了具体的复核对象。商家只能使用自己有权处理的数据;若看不到推广结算记录,应将受益人留作未知,不能仅因地址相同就得出此结论。
哪些关联值得查,哪些只是看起来相似?
| 售后团队看到的现象 | 也可能是什么原因 | 下一步查什么 |
|---|---|---|
| 多个账号寄往同一地址,或使用过同一设备 | 公寓前台、转运仓集中收件;家庭成员共用设备 | 地址是否本就服务大量顾客?去掉这个共同点后,这批账号还有没有其他联系? |
| 不同买家集中退回同一款商品 | 商品批次有缺陷、尺码说明有误,或促销结束后退货集中到达 | 对比同期同款、其他渠道的订单;看退货原因和仓库质检记录是否吻合 |
| 一批退款订单都来自同一推广渠道 | 该渠道贡献了大部分销量,退款笔数自然也多 | 比较各渠道同批次订单的退款比例,核对已退款订单是否仍产生按规则不应保留的佣金 |
| 不同批次都出现相似退货行为,收益又反复集中,且有已核实的违规记录 | 仍可能夹杂正常买家和无关订单 | 回到每笔申请核对履约、退款和结算凭证,标明哪些已确认、哪些仍待查 |
有一个很实用的复核问题:如果删掉“地址相同”这一条,剩下的证据还站得住吗?同一公寓、同一邮编、同一街道,看起来是三个字段,实际只说明了一件事。相反,仓库验收和佣金结算来自不同业务环节,更有机会解释一笔退货究竟发生了什么。
客服该退的钱,和渠道该不该拿的佣金,可以分别判断
假设某服装品牌的海外站收到一批来自同一转运仓的退款申请。客服发现,其中一款外套被反复退回。仓库核对后确认该批次袖长与尺码表不符,其他地区购买这款外套的顾客也在退货。此时,合适的动作是按售后政策处理申请、修正商品页,并把问题反馈给供应链。扩大地址黑名单解决不了袖长问题。
如果另有一组订单,商品和收货地区都不同,却持续为同一推广方产生佣金,且结算记录显示退款后的佣金未按活动规则冲回,调查方向就应转向推广结算。先查是系统漏记、规则设计如此,还是有人组织交易牟利。顾客符合条件的退款可以照常处理;有争议的佣金由渠道团队按协议核对。以上是判断示例,并非上述案件的细节。
在电商反欺诈管理中,一条好用的复核记录应写明:“哪笔申请、与哪些历史订单有关、依据是什么、限制哪一项权益。”只写“关联高风险团伙”,下一位客服既无法向顾客解释,也不知道新证据出现后该撤销哪项限制。
Riskified的身份聚类与政策滥用保护如何配合?
Riskified平台的身份识别能力可以帮助团队跳出单个账号的视角,从整体上查看行为。根据Riskified官方产品说明,Identity Explore利用图分析、机器学习以及商户网络中的信号,识别可能关联到同一身份的不同账户。这类身份聚类帮助商家看到更完整的交易历史;它本身并不证明多个真实顾客之间存在串通。
政策滥用保护(Policy Protect)则把关联行为、售后申请信息与商家的政策条件结合起来,支持在结账或售后环节作出判断。对已履约订单的退款、退货申请,可以根据接入方案和具体情况批准、拒绝或转交复核。厦门案中的佣金追踪是分析案例,不能由此推断产品默认能读取商家的全部推广分账记录。
评估这类跨境电商反欺诈风控方案时,可以带两组历史订单与Riskified讨论:一组是已经确认的协同滥用,一组是共用地址、但已证实退货合理的订单。让团队分别说明,哪些关联让第一组值得调查,哪些证据让第二组可以正常退款。比起只看“发现多少关联账号”,这更能检验方案能否在减少损失的同时,让正常顾客顺利完成售后。