想像一下,嘗試購買一部新手機、一張國際機票或一份特殊禮物,並在沒有任何合理解釋的情況下將您的交易標記為可疑並被欺詐預防系統阻止。這就是網上購物的缺點。儘管這些系統的設計目的是防止詐欺並確保令人滿意的購物體驗,但它們也會造成挫折感和損失。.
隨著資料收集和共享的指數級增長,日益複雜的詐欺系統和策略的快速數位化,市場加強了防禦。但此舉造成了一個悖論:試圖保護太多東西會變得昂貴「IT不僅在收入上,而且在聲譽上」。當合法交易被誤認為是詐欺時,這就是我們所說的誤報。.
過度安全的隱性成本
現代詐欺者的運作方式就像公司一樣:他們速度快、組織嚴密、由大量資料提供支援。 「網路釣魚即服務」等技術可以模擬洩漏資訊中的身份並利用系統中的行為漏洞。它們不再遵循明顯的模式,使傳統模型過時,並迫使公司尋求更強大的安全層。.
儘管詐欺者不斷創新,但許多金融服務和零售公司仍然依賴固定規則來做出反應。這是一種僵化且無效的模式「當購物體驗受到損害時,轉換率就會直線下降,顧客忠誠度就會喪失。.
影響不僅限於: 32% 的消費者經歷了誤報,永遠拋棄了店主。反詐欺系統中的一個缺陷就可能意味著收入和聲譽的最終損失。根據 Javelin Strategy & Research 的數據,這些錯誤每年已經導緻美國零售商損失 1,180 億美元,是詐欺造成的實際損失的 13 倍。帳戶沒有關閉。.
即時智力和行為分析的重要性
為了解決這個問題,預防的新時代需要智慧,而不是過度的僵化。這意味著結合人工智慧(AI)、即時數據和行為分析來做出準確的決策,而不會影響使用者體驗。.
透過不斷學習的演算法,可以理解個人模式:位置、時間、設備、購買歷史和付款方式。這種行為比任何預先編程的規則都更能說明問題。.
這不僅僅是說“”sim“或”not”,而是解釋上下文。同一個客戶早上可以在聖保羅購買一些東西,晚上可以在裡約熱內盧購買一些東西。他可以切換手機、更改瀏覽器或更新設備的作業系統。反詐欺系統需要了解這一點,而不是阻止交易。.
應用機器學習技術,公司可以創建模型,從歷史數據中學習並減少隨時間的誤報。目標是了解每個使用者的正常情況並識別偏差,而不僅僅依賴預先定義的規則。麻省理工學院對歐洲銀行數據的一項研究表明,該策略將誤報減少了 54%,節省了相當於 US$ 22 萬美元的費用。.
隱形身份驗證的未來
人工智慧和使用者設定檔的結合提供了更準確的建議,再加上使用資料來平衡安全和轉換,為新技術打開了大門。其中之一是向量識別碼:即使嘗試偏離具有乾淨 cookie 或匿名模式的設備,也能夠偵測詐欺的解決方案。.
當詐騙者和好用戶都躲在同一面罩後面時,如何區分他們?透過將向量資料與裝置的「指紋」結合,系統可以了解該使用者的典型行為並更好地檢測異常情況。這大大提高了準確性,避免不必要的鎖定而不影響安全性。.
在此模型中,微小的變化會透過上下文智慧進行處理(用於根據使用者的預期模式檢測異常。微妙的變化(例如軟體更新)不會觸發警報,但會觸發重大變化(例如作業系統變化或地理位置變化)如果它們超出了通常的行為,則可以對其進行標記。這是安全的新領域:在幕後行動,沒有摩擦。最好的反詐欺系統是客戶甚至沒有註意到的系統。.
安全性推動銷售,而不是相反
公司傾向於認為,拒絕某些合法交易(即使會稍微降低兌換率)比承受詐欺的後果更好。.
因此,採用平衡安全與便利的防詐欺解決方案是真正的市場需求。安全性和使用者體驗不必是相反的力量(它們必須結合在一起。為此,秘密在於準確性,而不是僵化。.
誤報時代要求公司投資人工智慧、行為分析和先進的詐欺偵測工具等智慧技術。這些創新在不犧牲合法銷售的情況下減少損失,最重要的是,不會趕走客戶。.
如果做得好,安全性和客戶體驗並不是對立的,而是齊頭並進的。提供保護是強制性的。但在不影響體驗的情況下這樣做才是當今競爭日益激烈的市場的真正區別所在。.
作者:Nethon 銷售主管 Thiago Bertacchini
