电商欺诈正在成为全球范围内日益严重的威胁。其主要驱动因素之一是在线购物的无银行卡 (CNP) 性质，这为任何有意滥用的人创造了巨大的攻击面。全球电商欺诈金额预计将从 2025 年的约 560 亿美元增长到 2030 年的 1310 亿美元\。为了应对这一威胁，有效的电商欺诈防范措施结合了多层重叠的控制机制，以互补的方式捕捉彼此遗漏的风险。

下面，我们将探讨影响在线零售商的常见欺诈类型、实时检测在交易层面的工作原理，以及如何构建分层的防范策略，从而在捕捉欺诈者的同时避免流失合法客户。

要点

• 电商欺诈涵盖多种类型，包括 CNP 欺诈、善意欺诈和账户接管。每种类型都需要不同的控制机制来进行检测和防范。

• 实时欺诈检测会基于设备信号、行为数据和订单特征分配风险评分。该评分决定自动化系统是批准、拦截还是审查某笔交易。

• 分层防范策略将机器学习模型与自定义规则和结账验证控制相结合，从而在最大程度上降低合法客户摩擦的同时实现最广泛的覆盖。

什么是电商欺诈？

电商欺诈是指任何试图使用被盗、虚假或被操纵的信息在没有合法授权的情况下获取商品、服务或金钱以完成在线交易的行为。与面对面欺诈不同，网上既没有实体卡可偷，也没有面部可识别；这使得在线渠道对欺诈分子更具吸引力。

电商欺诈有哪些常见类型？

以下是一些常见的电商欺诈类型：

• CNP 欺诈： 有人使用窃取的银行卡凭证下订单。持卡人通常会向其银行对该扣款提出争议，而商家则会损失商品、收入，通常还要额外支付一笔 拒付 费用。

• 善意欺诈： 合法客户进行购买，收到物品，却仍然对该扣款提出争议。他们声称该交易未获授权、物品从未送达，或物品与描述不符。如果没有强有力的证据（例如送达确认、互联网协议 (IP) 记录和设备指纹），商家可能会在这些争议中败诉。

• 账户接管： 欺诈者获取现有客户账户的访问权限（通常通过使用泄露的用户名和密码对进行撞库），然后更改收货地址并使用已存储的支付方式下订单。由于该账户有合法的购买记录，这些订单通常会通过基本的欺诈检查，而不会引发任何警告信号。

• 退货滥用： 客户利用宽松的退货政策来获取他们已经使用的物品的退款，或者退回损坏或不同的产品。退款欺诈 与其他类型的欺诈一样会影响利润率，但它通常被视为一个运营问题。

• 促销和优惠券滥用： 欺诈者创建多个账户，以重复领取新客户折扣、推荐奖金或促销代码。这在数字商品或订阅产品中尤为常见，因为滥用次数没有物理限制。

在线零售商应遵循哪些电商欺诈防范的最佳实践？

有效的欺诈防范计划结合了检测信号、结账保护和内部政策。交易监控应关注以下信号，这些信号综合起来表明存在欺诈的可能性：

• 异常模式： 短时间内来自同一 IP 地址、银行卡号或设备的多个订单通常表明存在自动欺诈或测卡攻击（即欺诈分子在进行大额交易之前用小额交易测试被盗的银行卡号）。

• 收货和账单信息不匹配： 账单地址和收货地址在不同国家/地区，或者电子邮件与该卡备案信息不匹配的订单会增加欺诈的可能性。

• 设备和浏览器信号： 设备指纹识别会捕获诸如浏览器配置、屏幕分辨率和已安装字体等属性。以前与欺诈订单相关的设备是一个强烈的风险指标，无论它现在使用的是什么卡。

• 订单特征： 账户创建后立即下的高价值订单、同一高转售物品的多个单位，以及目的地在物流上不合理时的加急发货，所有这些情况都需要仔细检查。

在结账时，进一步的验证检查可以让您更好地了解是谁在完成交易。这些包括以下内容：

• 地址验证服务 (AVS)： 这会检查客户输入的账单地址是否与发卡行备案的地址相符。完全匹配不能保证合法性，但不匹配可能是一个重要的风险信号。

• 银行卡安全码 (CVV) 检查： 这确认下订单的人可以物理访问银行卡，而不仅仅是卡号。在结账时要求提供 CVV 是标准做法。

• 3D 验证 (3DS)： 这增加了一个身份验证步骤，持卡人通常通过一次性代码或生物识别提示直接向发卡行验证身份。当 3DS 验证成功时，拒付责任通常会从商家转移给发卡行。

自动规则允许您围绕交易行为设置严格的边界：您可以阻止运往特定高风险地区的所有订单、要求对超过一定订单价值的订单进行人工审查，或者拒绝任何 AVS 失败且订单超出设定阈值的交易。面临的挑战是规则在默认情况下是静态的。欺诈策略会发生变化，六个月前有效发挥作用的规则今天可能会产生错误拒绝。拦截率和误报率需要定期审查。

如何实时检测欺诈订单？

当客户下单时，在支付授权请求到达卡组织之前，欺诈检测流程就已经开始了。具体流程如下：

• 数据捕获： 结账系统在收集订单详细信息本身的同时，还会收集设备信号、IP 地址和会话行为（例如：页面停留时间、打字节奏、表单字段的填写方式）。

• 规则评估： 根据任何基于规则的拦截条件（例如交易速度限制、受限国家/地区以及基于银行识别码 (BIN) 的银行卡限制）检查订单。遭遇硬拦截的订单会在此处停止。

• 风险评分： 模型评估完整的信号集，并通过根据过去哪些组合在交易争议（拒付）之前出现的频率对不同信号进行加权，从而生成分数。

• 决定： 根据分数和配置的阈值，自动批准订单、标记以供人工审查或拒绝订单。风控团队将处理审查队列，手动评估处于临界状态的案例。

• 反馈循环： 当手动审查并批准或拒绝标记的订单时，该结果会反馈到模型中并提高未来评分的准确性。

电商欺诈防范技术和工具之间有什么区别？

电商欺诈防范技术是用于识别欺诈的分析方法。相关软件可以大规模部署这些技术。

以下是一些常见的技术：

• 速率检查： 标记特定时间窗口内异常的交易频率。这对于捕获测卡攻击很有用，在这种攻击中，欺诈分子会快速连续地测试批量的被盗银行卡号。

• 行为生物识别： 分析用户与表单交互的方式（例如，鼠标移动、击键时间、自动填充模式），以将人类与试图自动结账的机器人区分开来。

• 机器学习模型： 对历史交易数据进行训练，以识别欺诈发生前的模式，包括对规则来说过于微妙的模式。机器学习模型训练的交易数据越多，它在区分真正的边缘案例和欺诈方面就越出色。

• 网络分析： 识别跨账户的共享信号（例如，相同设备、相同 IP、相同电子邮件域），以检测同时跨多个账户运行的欺诈团伙。

Stripe Radar 应用在 Stripe 整个网络的交易数据上训练的机器学习模型。由于 Radar 能看到数百万商家的模式，因此它可以识别出任何单个商家都没有足够数据来自行检测到的风险信号。在网络上其他地方的欺诈交易中出现的卡号是一个有价值的信号，即使这是您第一次看到它。

如何制定多层面的电商欺诈防范策略？

多层面策略意味着没有单点故障会让欺诈行为得逞。每一层都会捕捉到其他层漏掉的问题。

多层策略应包括以下内容：

• 账户和身份验证： 在任何人下单之前，确认他们是否是他们所声称的人。账户创建时的电子邮件验证、强密码要求和 3DS 验证增加了基本的身份控制，从而降低了账户接管的风险。

• 结账级信号： CVV 检查、AVS 和设备指纹识别可以在很大一部分无卡 (CNP) 欺诈企图完成之前就将其捕获。在没有这些控制措施的情况下处理交易会留下明显的漏洞。

• 风险评分： 实时评分评估完整的订单背景。这就是像 Stripe Radar 这样的工具发挥最大价值的地方，因为该模型利用了仅靠结账级别验证无法看到的跨网络信号。

• 自定义规则： 特定于商家的规则会根据您的背景调整基准模型。数字商品商家面临的欺诈模式与实体商品零售商不同，而规则让您可以将这些知识直接编码到决策中。

• 交易后监控： 拒付率、争议模式和履行异常也是信号。监控下游指标可捕获在早期层中漏网的欺诈行为，并为随着时间的推移调整规则和阈值提供信息。

• 退货和政策控制： 经常经历退货欺诈的商家可以通过以下方式来减轻滥用：要求提供退货物品的照片、为标记的账户发放商店积分而不是退款，或实施与订单价值成比例的退货期限。而且他们可以在不严重损害诚实客户体验的情况下做到这一点。

Stripe Radar 如何提供帮助

Stripe Radar 使用 AI 模型来检测和防范欺诈，这些模型在来自 Stripe 全球网络的数据上进行训练。它会根据最新的欺诈趋势不断更新这些模型，以便在欺诈演变时保护您的业务。

Stripe 还提供 Radar 风控团队版，支持用户针对业务特有的欺诈场景，添加自定义规则，并获取更深入的欺诈洞察。

Radar 可以帮助您的企业：

• 防范欺诈损失： Stripe 每年处理超过 1 万亿美元的支付。这种规模独特地使 Radar 能够准确检测和防范欺诈，并为您节省金钱。

• 增加收入： Radar 的 AI 模型基于实际争议数据、客户信息、浏览数据等进行训练。这让 Radar 能够识别有风险的交易并减少误报，从而增加您的收入。

• 节省时间： Radar 内置于 Stripe 中，设置不需要任何代码。您还可以在一个平台上监控欺诈防范表现、编写规则等，从而提高效率。

了解更多 Stripe Radar 信息，或立即开始使用。