如果商家已开始着手寻找新的反欺诈解决方案,那么其很可能希望与新的供应商合作来改善企业的业绩表现。这时,商家可能已经制定了明确的合作目标。本篇文章将助您了解:

  • 有哪些类型的解决方案可供选择
  • 每种解决方案的利弊

首先要指出的是,商家与反欺诈供应商的平均合作时长通常为3-5年。一旦商家与供应商达成合作,一般只有重大事故才会导致商家更换供应商。因此,审慎考量、正确决策对商家至关重要。

在过去的5-10年里,欺诈领域已发生了翻天覆地的变化。电商世界日新月异,欺诈行为日益复杂,机器学习成为了主导的新技术创新。在选择反欺诈解决方案之前,商家需要学习和了解不同类型的解决方案、核心技术和商业模式。

规则解决方案

在机器学习成为科技界的热门话题之前,反欺诈主要通过建立一整套规则阻止欺诈者下单来实现。随着欺诈模式的不断演进,这些规则也需要定期调整和更新。无论是进入新市场,还是推出新品类的新产品(如在住宿基础上增加机票类产品,或增加电子礼品卡),欺诈模式都不尽相同。

机器学习解决方案

机器学习解决方案最大的优势在于能够比人脑更连贯、更高效地对成千上万的数据点进行分类和分析。机器学习解决方案的主动性更强,可以从自身的错误中学习。因此,即使在没有任何人为干预的情况下,也可以不断优化自身性能和准确性。影响准确性和模型效果的两个关键因素是:

  1. 训练模型使用的数据。
  2. 数据科学在创建相关特征、行业知识和市场知识方面的工作质量。

评分解决方案

在评分解决方案下,商家收到的并非决策,而是以分数形式呈现的建议。接下来,商家需要参考分数自行决定如何处理订单——批准、拒绝、发送到3DS,或者进行人工审核。在这种模式下,拒付责任需要由商家承担。通常,评分解决方案的商业模式是对每笔订单收取固定的审核费用,与交易最终被批准或拒绝无关。

拒付包赔解决方案

与评分解决方案不同,拒付包赔提供的是决策而非建议。商家将收到批准或拒绝订单的二元决策。如果决策是批准订单,但最终却出现拒付,那么责任将会转移,反欺诈供应商将向商家支付因欺诈导致的拒付。通常,拒付包赔解决方案采取按比例收费的模式,且仅对获得批准的订单收费,且费用根据交易的风险状况设定。

接下来让我们了解一下各类解决方案的利弊:

规则解决方案

优势:

  • 商家对创建和使用的规则拥有完全掌控权。
  • 商家可以较为容易地将自己的所知所见转化为规则,并应用于反欺诈。

劣势:

  • 规则是被动的,不具有主动性。规则无法自己学习,不能迅速应对欺诈模式的变化。因此,往往一开始只能允许新型欺诈订单,直到找到应对新欺诈模式的方法才能实现有效拦截。
  • 管理和调整规则需要消耗大量资源。商家往往很难抽出时间进行足够频繁的规则调整,从而给欺诈者留下了可乘之机。
  • 商家可能已经建立了数百个不同的规则,却无法知道引入一个新规则究竟会对整体的反欺诈效果产生什么影响。
  • 一边维护规则系统,一边开拓新市场、增设支付方式和/或上线新产品,可能会给商家带来极大风险,因为现有的规则可能并不适用于新的市场或产品。拓展新市场意味着商家尚不具备相应的专业知识和能力来创建一套新规则。也就是说,在获得这些知识之前,商家将面临高欺诈风险。
  • 商家只能接触到自身的数据,因此,无法主动预测欺诈模式并做出相应调整。只有在遇到新的欺诈行为后,商家才能针对其做出调整,但可能为时已晚。

评分解决方案

优势:

  • 评分解决方案让商家可以完全自行掌控和决定是否批准、拒绝或手动审核订单。
  • 按单笔订单计算,评分解决方案的费用往往低于拒付包赔解决方案。

劣势:

  • 评分解决方案的激励机制与商家的利益之间存在固有错位。如果反欺诈解决方案表现欠佳,将导致较高的拒付率和不理想的批准率,而真正为此承担后果的是商家。反欺诈供应商因按照每笔订单收取固定的审核费用,并不会受到实质影响。
  • 评分解决方案几乎都需要配备人工审核团队。由于评分方案只提供建议,大多数商家会雇佣人工团队对“灰色地带”的交易进行审核。人工审核团队难以随企业的成长扩大规模,还会影响客户体验,常常导致业绩表现不理想。
  • 商家很难确定合适的分数阈值来决定批准或拒绝订单。例如,假设商家决定拒绝评分低于12分的订单,那么当分数为12.14时,又该如何处理呢?阈值需要不断调整,而且必定会有部分订单评分与所设阈值十分接近。如果商家决定引入更复杂的反欺诈手段,可能会考虑将3DS应用于处于“模糊地带”的订单。如采用这种方式,这部分订单很可能出现高顾客流失率和高拒绝率,这在使用3DS时十分常见。

机器学习解决方案

优势:

  • 可以将成百上千甚至上万个决策树汇总到一个模型中,从而提高决策的准确性。
  • 主动型技术可以在没有人为干预的情况下,从自身的错误中学习并不断改进。
  • 主动型解决方案利用庞大的数据网络效应,能及早识别欺诈模式和团伙,主动拦截,实时调整。

劣势:

  • 创建准确可靠的机器学习模型非常复杂。模型需要具备行业针对性,有时还需要有地域针对性。一些供应商虽然使用了机器学习技术,但实际表现并不理想,机器学习往往只是用来吸引商家的营销卖点。
  • 有些供应商希望商家使用其自身的数据科学团队,积极参与机器学习模型的建立和优化。这项工作会非常复杂,而且并不是商家的核心强项。此外,还需要持续的更新维护(如同维护规则),难以发挥实际效果,导致反欺诈表现欠佳。

拒付包赔解决方案

优势:

  • 在拒付包赔解决方案中,反欺诈供应商的激励机制和商家的利益完美契合。供应商仅对获得批准的订单(即为商家创收的订单)收费。因此,供应商会努力尽可能多地批准优质订单。同时,供应商需要对与欺诈相关的拒付负责,因此他们会不断追求更低的拒付率。
  • 拒付包赔解决方案为每笔订单提供明确的批准或拒绝决策。这简化了商家的反欺诈运营,不需要再自行调整反欺诈的决策阈值或设置额外的验证流程。
  • 拒付包赔解决方案促使反欺诈供应商必须重视并持续关注研发,因为研发是所有人工智能解决方案的核心。由于供应商需要承担拒付相关费用,因此必然会密切关注最新的欺诈手段,及时应对各种欺诈攻击,同时保证较高的批准率。所以,供应商会通过持续研发,积极开发反欺诈工具,精准识别各类欺诈模式并主动出击,从而形成研发价值链的良性循环。

劣势:

  • 拒付包赔解决方案通常设有最低月费,因此,与线上销量相对较低的中小企业相比,更适合体量较大的大型商家。拒付包赔解决方案对每笔获得批准的订单按一定比例收费,因此商家需要确保使用拒付包赔解决方案的ROI(投资回报率)为正值。

在了解了不同类型解决方案各自的利弊后,商家还需要权衡在选择反欺诈合作伙伴时需要考虑的主要因素,以及在供应商评价过程中应该提出的相关问题。