想象试图购买新手机、国际机票或特别礼物，并且您的交易被防欺诈系统标记为可疑并被阻止，而没有合理的解释。这就是在线购物的负面。尽管这些系统旨在防止欺诈并确保令人满意的购物体验，但它们也可能引起沮丧和损失。
随着数据的急剧增加和共享、系统的快速数字化以及越来越复杂的欺诈手法，市场加强了防御。但这种举措产生了一个悖论：过度保护成本高昂 —— 不仅是在收入方面，而且也是在声誉方面。这就是我们所说的假阳性，即误将合法交易错误地识别为欺诈。
过度安全的隐藏成本
现代诈骗者像企业一样运作：他们迅速、有组织，并由大量数据支持。诸如“钓鱼式服务”之类的技术模拟根据泄露的信息创建身份，并利用系统中的行为漏洞。他们不再遵循明显的模式，使传统模型过时，迫使企业寻求更强大的安全层。
在诈骗者创新的同时，许多金融服务和零售公司仍然依赖于固定规则来应对。这是一种僵化且低效的模式 —— 购物体验受损，转化率下降，客户忠诚度丧失。
而且影响已经超出：32%的消费者在遭受虚假阳性后将永远放弃商家。反欺诈系统的一次失败可能意味着永久性的收入和声誉损失。根据Javelin Strategy & Research的数据，这些错误每年给美国零售商带来1180亿美元的损失，是实际欺诈损失的13倍。这个账目无法对齐。
实时智能与行为分析的重要性
为了应对这一局面，预防新时代需要智能而不是过于僵化。这意味着使用人工智能（AI）、实时数据和行为分析的组合做出准确决策，而不影响用户体验。
通过不断学习的算法，可以了解个体模式：位置、时间、设备、购买历史和支付方式。行为比任何预先设定规则更有说服力。
这不仅仅是简单地说“是”或“不是”，而是要解释上下文。同一客户可能早上在圣保罗买东西，晚上在里约热内卢。他可能换手机，更换浏览器或更新设备的操作系统。反欺诈系统需要理解这一点——而不是阻止交易。
通过应用机器学习技术，企业可以创建从历史数据中学习并随时间减少虚假阳性的模型。目标是了解每个用户的正常行为并识别偏差——而不仅仅依靠预先设定的规则。 MIT对一家欧洲银行的数据进行的一项研究表明，这一策略将虚假阳性减少了54%，节省了相当于22万美元的费用。
隐身认证的未来
通过结合人工智能和用户资料来提供更精确的建议 — 利用数据来平衡安全性和转化率 — 为新技术打开大门。 其中之一是向量识别器: 即使是来自带有清理过的 cookie 或匿名模式设备的欺诈尝试，也能够检测到。 但是，合法用户也可能以这种方式行事。
当欺诈者和良好用户都隐藏在相同的面具之后时，如何加以区分? 通过将向量数据与设备的“数字指纹”结合起来，系统能够理解用户的典型行为并更好地检测异常。 这显著提高了准确性，避免不必要的封锁同时又保证安全性。
在这种模式下，微小变化会受到上下文智能的处理 — 用于基于用户预期行为模式来检测异常。 细微的变化（例如软件更新）不会触发警报，但显著的更改（例如操作系统更换或地理位置变更）如果超出通常行为范围，则可能被标记。 这是安全领域的新前沿: 在幕后运作，没有摩擦。 最好的反欺诈系统是客户察觉不到的那种。
推动销售的安全性，而非相反
公司倾向于相信，即使拒绝某些合法交易可能会稍微降低转化率，也比遭受欺诈的后果要好。 但如果他们拥有正确的工具，就无需采取这种态度。
因此，采用一种既保证安全又方便的欺诈预防解决方案是市场上真正的需求。安全和用户体验不必是对立的力量—它们应该共同前行。关键在于精确，而不是刚性。
虚假阳性时代要求企业投资智能技术，如人工智能，行为分析和先进的欺诈检测工具。这些创新能够减少损失，同时又不牺牲合法销售—更重要的是，不会赶走客户。
客户安全和体验并不是对立的—合理地结合能带来更好的结果。提供保护是必要的，但在不影响体验的前提下才真正能在如今竞争日益激烈的市场中产生差异。
作者：Nethon销售总监Thiago Bertacchini
