在 2024 年，仅美国客户就因欺诈损失了 125 亿美元，与前一年相比增加了 25%。在许多情况下，欺诈看起来像是一笔正常的交易，直到它并非如此：银行卡测试攻击机器人可以在几分钟内通过不同银行卡提交数十笔小额扣款，欺诈分子可以使用窃取的凭证进行通过加急运送的高价值订单，或者客户可能会对他们实际上授权的扣款发起争议。

最好的欺诈检测软件能在这些模式演变成撤单之前捕获它们，使用基于规则的逻辑、机器学习 (ML) 和实时交易信号，将合法的购买与欺诈性购买区分开来。下面，我们将解释欺诈检测软件是如何工作的，在您评估欺诈防范解决方案时哪些功能至关重要，以及如何使系统匹配您业务的欺诈风险暴露。

要点

• 现代欺诈检测使用基于规则的逻辑、机器学习，或两者兼用来捕获已知的欺诈模式，以及静态规则可能遗漏的新兴战术。

• 误报率和检测率一样重要，因为拦截合法的客户自身也会产生收入损失。

• 已经在使用具有原生欺诈检测功能的支付服务商的商家通常可以跳过第三方集成。内置欺诈检测工具借鉴了独立平台通常难以复制的卡组织级别信号。

什么是欺诈检测软件？

支付欺诈检测软件评估交易，以在导致撤单、物品被盗或账户遭入侵之前识别并拦截欺诈活动。一般来说，它处于交易尝试和批准之间，结合运用各种规则、模型和信号来决定某笔支付是否应继续进行。

欺诈检测软件如何工作？

欺诈检测系统在如何决定拦截内容上有所不同。有基于规则的系统和基于机器学习的系统。

基于规则的检测

基于规则的系统对传入交易应用条件逻辑：如果某笔交易超过特定金额、源自高风险地区或触发了速度检查（例如，同一张卡 10 分钟内购买超过五次），就会被标记或拦截。

优点是透明度：您可以准确地看到交易被标记的原因。局限性在于规则只能捕捉到您编写时预料到的情况。您之前未见过的欺诈形式不会触发任何规则，除非您更新逻辑。

机器学习模型

由机器学习驱动的检测从历史交易数据中学习，以识别“正常”情况并标记偏差。来自新设备、位于新国家/地区或在异常时间以非典型金额进行的单笔交易，如果仅有其中一个特征，可能看起来没问题。但当它们结合在一起时，该交易可能会被评为高风险。该模型会根据您交易历史记录中的实际预测情况对这些信号进行加权。

相对于规则，有意义的优势是适应性：欺诈策略不断变化，机器学习模型能够在您为它们编写规则之前检测出新兴模式。代价是不透明度，因为很难确切解释为何某笔特定交易被拒绝，这使误报审查变得复杂。

在这两种情况下，这些系统都应该在提交交易时实时运行。它们应当足够快，以便在结账会话超时之前接受或拒绝交易，并且不会导致明显的结账延迟。一些系统还会在整个结账流程中跟踪行为，甚至在提交支付之前将基于会话的信号纳入风险评分。

欺诈检测软件可以捕捉到哪些类型的支付欺诈？

商家通常面临几种不同类型的支付欺诈：无卡 (CNP) 欺诈、银行卡测试攻击、账户盗用 (ATO) 以及善意欺诈。每一种都利用了交易流程中的不同漏洞，可以由欺诈防范软件检测到。

• CNP 欺诈：欺诈分子利用窃取的银行卡数据在无需实体卡的情况下进行购买。检测依赖于持卡人通常不会触发的信号，例如不匹配的账单和送货地址、异常设备指纹以及异常行为模式。

• 银行卡测试攻击：获取窃取卡号的欺诈分子验证哪些卡是活跃的，通常通过在许多卡上快速连续提交小额或零元交易来进行。速度检查和设备指纹识别是主要的应对措施。

• ATO 欺诈：在 ATO 欺诈中，不法分子获取对合法客户账户的访问权限（通常通过凭证撞库，利用泄露的用户名和密码对），并使用已存储的支付方式下订单。检测利用行为信号（例如，从陌生的设备登录，突然更改密码然后购买，在下高额订单前更改地址）。

• 善意欺诈：客户完成一笔合法交易，收到货物，然后向其银行对该笔扣款发起争议。欺诈软件可以通过标记有过往争议记录的账户或符合已知模式的购买行为（例如通过加急运送且容易转售的高价值商品）来提供帮助。

在欺诈检测软件中哪些功能至关重要？

最重要的功能在很大程度上取决于您的交易量、欺诈风险暴露和技术设置。但有几个功能始终很重要。

关注以下内容：

• 检测准确率：拒绝 85% 欺诈和 15% 合法订单的系统是以一种收入损失换取另一种收入损失。寻找会将误报率与检测率一起发布的平台，因为这两个数字结合在一起能告诉您比单独的检测率多得多的信息。

• 规则自定义：预构建的模型只是起点。您几乎始终需要分层引入业务特定逻辑，比如封锁特定地区，对超过一定阈值的订单要求 3DS 验证，以及针对已知安全客户调整风险评分。允许您在没有工程支持的情况下编写和测试自定义规则的平台在实际中要灵活得多。

• 与支付基础设施集成：要求您通过单独的应用编程接口 (API) 传递交易数据的欺诈工具会引入延迟和故障点。嵌入在支付流程中或原生构建到您的支付服务商系统内的系统，避开了那种复杂性。

• 报告和案例管理：当您的团队审查被标记的交易时，他们需要背景信息——交易被标记的原因，促成的信号有哪些，以及类似交易的情况如何。清晰展示这一点的欺诈管理软件让手动审查更快，并帮助您随着时间推移完善您的规则。

• 扩张性：能处理您当前交易量的系统需要能处理 10 倍的交易量，同时在速度或准确性上不出现降级。诸如黑色星期五等繁忙流量时段通常会出现欺诈高峰；这些时间段也是您最不希望出现速度减慢的时候。

欺诈检测软件存在哪些挑战？

欺诈检测软件有两个任务：精准标记出欺诈企图，且不拦截合法的交易。在欺诈检测中最持久挑战之一，就是寻找平衡点。该软件应严格留意欺诈信号，而不要让合法客户产生挫败感。

除了那项持续的工作外，基于规则的系统与基于机器学习的系统面临不同的挑战：

• 规则变得过时：欺诈策略不断变化。六个月前有效的规则集今天可能有明显的漏洞。若不定期进行审查，基于规则的系统就会向着废弃的方向漂移。

• 机器学习模型的数据质量各异：机器学习模型优劣取决于它们受训的数据。具有许多行业内数以百万计商家交易信号的平台，将拥有与覆盖范围较窄平台明显不同的模型。当您评估供应商时，明确询问他们的训练数据范围。

您如何为自己的业务选择欺诈检测软件？

对欺诈检测软件的正确选择取决于您业务的运作方式。您需要一个易于集成、易于运行且与您遇到的欺诈类型相匹配的系统。

考虑以下变量：

• 交易量：在交易量较低时，如果缺乏可供训练的历史数据，机器学习模型的准确性可能不够一致。对于较小规模，基于规则或混合方法的表现可能会超过纯机器学习。高交易量的业务可能更受益于机器学习，因为模型有足够的信号来真正进行预测，但小商家依然能从卡组织级别的机器学习模型中受益。

• 技术设置：如果您使用的支付服务商内置有欺诈检测服务，这往往是正确的起点。集成复杂性很低，而且欺诈信号已经嵌入支付流程。如果您在多家处理机构运营，或者有复杂的结账基础设施，您可能需要一个具有广泛集成支持的独立欺诈平台。

• 内部资源：某些欺诈平台需要开展大量工程工作才能配置和维护它们；而另外一些则是为非技术型运营团队设计的，可由其直接管理。如果您没有专属的欺诈分析或风险团队，倾向于选择那些拥有强大的默认分析模型和简易规则界面的平台。

• 报告和工作流集成：验证您正在评估的任何平台能连接至您的争议管理工作流，并以与您报告技术栈兼容的格式导出数据。未能清晰集成的欺诈工具会导致人工工作量，这些工作量抵消了自动化的优势。

Stripe Radar 如何提供帮助

Stripe Radar 使用基于 Stripe 全球网络数据训练的 AI 模型检测和预防欺诈。随着欺诈手段的不断演变，Stripe Radar 会根据最新欺诈趋势不断更新模型，从而保护您的业务。

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：

• 避免欺诈损失：Stripe 每年处理超过 1 万亿美元的支付交易。这种交易规模赋予了 Radar 独特的能力，使其能够精准检测并预防欺诈，为您避免经济损失。

• 增加收入：Radar 的 AI 模型基于真实的争议数据、用户信息、浏览数据等多维度信息进行训练。赋予 Radar 识别高风险交易并减少误报的能力，从而增加您的收入。

• 节省时间：Radar 内置在 Stripe 中，无需编写任何代码即可启用。您还可以在同一个平台上监控反欺诈表现、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。