Tren dan perilaku penipuan online

Pengantar

Pada tahun 2016, 1,61 miliar orang di seluruh dunia diperkirakan membeli barang secara online, dan penjualan ritel global secara elektronik mencapai $1,9 triliun. Dan proyeksi terbaru menunjukkan pertumbuhan hingga $4,06 triliun untuk belanja secara online pada tahun 2020, dengan lalu lintas yang semakin meningkat dari perangkat seluler.

Sayangnya, belanja online bukan satu-satunya yang sedang meningkat: Karena kartu yang diaktifkan dengan cip membuat belanja tradisional lebih aman, penipu semakin menargetkan toko online—dan bisnis internet tidak hanya bertanggung jawab untuk mendeteksi penipuan, tetapi juga membayar biaya terkait. Rata-rata, setiap $1 dari pesanan penipuan akan menyebabkan biaya tambahan bagi toko online sebesar $2,62 dan toko seluler $3,34.

Apa yang dapat dilakukan bisnis online terhadap hal ini? Stripe melihat data penipuan selama beberapa tahun untuk mencari polanya berdasarkan negara, waktu dalam hari, dan perilaku lainnya untuk membantu memandu pendekatan bisnis dalam memberantas penipuan. Walaupun penipuan tentu dapat dikelola dengan menetapkan aturan pembayaran yang canggih atau menggunakan perangkat lunak antipenipuan, harapan kami adalah bahwa data ini juga akan membantu bisnis lebih memahami dasar-dasar perilaku penipuan untuk menciptakan strategi tertentu yang paling sesuai untuk bisnis mereka.

Tingkat penipuan menurut negara

Data stripe menunjukkan bahwa tingkat penipuan di beberapa negara penerbit kartu dapat 2-3 kali lebih tinggi daripada tingkat penipuan di negara lain. Pembelian menggunakan kartu dari konsumen di Argentina, Brasil, India, Malaysia, Meksiko, dan Turki cenderung mengarah pada penipuan, meskipun ini juga kadang terjadi pada kartu AS, Kanada, dan Prancis. Dan perlu diperhatikan bahwa tingkat ini masih dalam persentase kecil dibandingkan dengan seluruh volume belanja—sehingga merchant harus jelas berhati-hati dalam melakukan pemblokiran transaksi yang sah. Solusi potensial untuk mengatasi penipuan spesifik negara adalah menguji aturan berbasis geografi, atau meminta informasi selengkapnya (nomor CVV, alamat lengkap, dll.) pada pembelian menggunakan kartu dari negara-negara tersebut.

Tingkat penipuan global menurut pembagian transaksi

Fraud map

Catatan: Beberapa negara tidak termasuk karena volume transaksi yang lebih rendah.

Penipuan berdasarkan hari dan waktu

Tidak mengherankan, Stripe menemukan bahwa tingkat penipuan meningkat selama liburan dan musim panas kembali ke sekolah—tetapi dengan beberapa karakteristik yang tidak biasa. Misalnya, tingkat penipuan tidak meningkat terutama pada hari-hari belanja yang ramai seperti Black Friday, tetapi pada hari-hari seperti Natal ketika banyak orang tidak berbelanja, tetapi penipu terus beroperasi. Stripe juga menemukan bahwa tingkat penipuan lebih rendah untuk pembayaran rutin, kemungkinan besar karena transaksi ini melibatkan layanan berlangganan atau hubungan lebih jauh yang telah diverifikasi oleh bisnis dari waktu ke waktu.

Fraud rate: share of transactions
chart1201620152014DecNovOctSepAugJulJunMayAprMarFebJanShare %
Fraud rate: share of transactions non-recurring payments
chart2201620152014Jan 1Dec 17Dec 3Nov 10Nov 5Share %Black Friday ‘14ChristmasBlack Friday ‘15Black Friday ‘16

Temuan bahwa tingkat penipuan meningkat selama "masa tenang" juga berlaku jika diterapkan pada waktu dalam hari. Dengan normalisasi ke zona waktu lokal di setiap negara, kami melihat bahwa perdagangan mencapai puncaknya selama jam kerja dan menurun drastis selama jam tidur. Namun, tingkat penipuan mengikuti pola yang sangat terbalik, mencapai puncaknya pada larut malam dan mendatar pada siang hari. Hal ini kemungkinan mencerminkan persebaran lokasi geografis penipu yang lebih luas, yang mungkin beroperasi dari jarak jauh di seluruh dunia, melakukan kegiatan mereka selama jam-jam ketika pelanggan biasanya tertidur.

Transaction volume by time and day
chart3SatFriThurWedTuesMonSunHour of Day 0-24 Local Time0123456789101112131415161718192021222324Transaction volume
Fraud rate as share of transactions by time and day
chart4SatFriThurWedTuesMonSunHour of Day 0-24 Local Time0123456789101112131415161718192021222324Fraud rate as share of transactions

Bagaimana seharusnya bisnis memikirkan cara memerangi fenomena hari/waktu ini? Solusinya mungkin melibatkan penambahan pengawasan ekstra untuk transaksi di luar jam kerja normal, baik melalui tinjauan manual atau filter yang lebih ketat. Hal ini dapat membantu mencegah penipu menyerang ketika bisnis sedang menikmati liburan musim panas atau duduk menikmati makan malam Natal.

Perilaku penipu vs perilaku normal

Salah satu fakta menarik tentang transaksi penipuan adalah bahwa transaksi tersebut sering kali dalam nominal kecil. Hal ini mengejutkan mengingat penipu tidak membayar untuk produk yang mereka beli. Di Amerika Serikat, data Stripe menunjukkan bahwa nominal transaksi penipuan hanya sedikit lebih besar dari nominal transaksi reguler. Namun di banyak negara lain, transaksi penipuan secara signifikan lebih besar dari transaksi normal—biasanya sekitar dua kali lebih besar, dan di beberapa negara lebih dari lima atau bahkan sepuluh kali lebih besar.

Catatan: Di semua negara, penipuan adalah persentase transaksi yang sangat kecil dari keseluruhan transaksi; grafik di bawah dinormalisasi untuk tujuan perbandingan; hanya data tahun 2016.

Distribution of transaction amount in Australia
chart5FraudulentNon-fraudulentTransaction amount ($)Likelihood
Distribution of transaction amount in Finland
chart6FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in France
chart7FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Germany
chart8FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Italy
chart9FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Japan
chart10FraudulentNon-fraudulentTransaction amount (¥)Likelihood
Distribution of transaction amount in Netherlands
chart11FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Norway
chart12FraudulentNon-fraudulentTransaction amount (kr)Likelihood
Distribution of transaction amount in Singapore
chart13FraudulentNon-fraudulentTransaction amount (S$)Likelihood
Distribution of transaction amount in Spain
chart14FraudulentNon-fraudulentTransaction amount (€)Likelihood
Distribution of transaction amount in Sweden
chart15FraudulentNon-fraudulentTransaction amount (kr)Likelihood
Distribution of transaction amount in U.K.
chart16FraudulentNon-fraudulentTransaction amount (£)Likelihood
Distribution of transaction amount in United States
chart17FraudulentNon-fraudulentTransaction amount ($)Likelihood

Penipu memperlihatkan ciri khas yang lebih tampak dalam hal tempat dan cara mereka berbelanja, terutama dalam pembelian berulang pada kartu curian yang sama. Sayangnya, penipuan berulang pada kartu seperti ini adalah hal biasa: lebih dari 40% kartu yang disalahgunakan biasanya terkena charge untuk lebih dari satu transaksi penipuan.

Pertama, penipu berbelanja berulang kali di merchant yang sama, daripada membeli produk dari berbagai bisnis. Misalnya, kartu yang melakukan empat charge penipuan biasanya melakukan semua charge pada merchant yang sama, sementara untuk transaksi normal, empat charge seperti itu rata-rata cenderung tersebar di dua bisnis yang berbeda. Kedua, penipu melakukan pembelian berulang ini jauh lebih cepat daripada transaksi normal. Bahkan, charge berturut-turut ini terjadi sepuluh kali lebih cepat daripada pemegang kartu yang sebenarnya.

Pola pembelian "kecepatan tinggi" secara gamblang dengan satu merchant ini sebenarnya bertentangan dengan keinginan penipu untuk mencoba mengaburkan pola transaksi agar tampak seperti transaksi normal pemegang kartu. Satu pelajaran di sini bagi bisnis adalah untuk berhati-hati dengan banyak transaksi sangat cepat dari kartu kredit yang sama—meskipun, seperti biasa, penting untuk tidak memblokir transaksi yang wajar dengan aturan yang terlalu umum.

Buying from the same merchant
chart18FraudulentNon-fraudulent0246810Number Transactions on Given Card11.522.5Number of distinct merchants
Distribution of time interval between transactions
chart19 Fraudulent Non-fraudulent Time Interval between TransactionsLikelihood

Perilaku penipu berdasarkan bisnis

Data Stripe juga mengungkapkan bahwa penipu menargetkan jenis bisnis tertentu, dan pola di sini menunjukkan bahwa rasa takut ditangkap—bukan keinginan memadukan transaksi normal pada laporan tagihan pemegang kartu—menjawarkandi panduan perilaku yang lebih menarik. Tantangan utama bagi penipu online adalah pengiriman. Pengiriman barang fisik ke rumah atau kantor dikaitkan dengan penipu, atau siapa pun di jejaring sosialnya, ternyata membawa risiko.

Untuk menghindari masalah ini, penipu cenderung membeli produk yang tidak perlu dikirim, atau produk yang dikirim secara rutin ke tempat yang tidak terhubung dengan pembeli. Banyak layanan, tidak seperti barang fisik, tidak memerlukan pengiriman. Namun, layanan yang paling menarik dilakukan segera sebelum charge berpotensi terdeteksi dan tidak berlaku. Salah satu implikasinya adalah bahwa layanan berdasarkan permintaan merupakan target penipuan yang menarik. Barang konsumen yang murah juga tampak mencolok, mungkin karena penipu menganggap pihak berwenang meremehkan pencurian berisiko rendah.

Kesimpulan

Ketika perilaku konsumen dan skema penipuan terus berkembang, bisnis harus menyadari bahwa tren global ini menampilkan permukaan pola data besar yang dapat digunakan untuk mendeteksi penipuan. Pencegahan penipuan yang efektif mempertimbangkan konteks tertentu dari bisnis. Model pembelajaran mesin mengatasi tantangan ini dengan memasukkan banyak nuansa konteks tertentu hanya menolak transaksi yang paling mencurigakan, daripada memberlakukan aturan umum yang dapat mudah malah berakhir dengan pemblokiran transaksi yang baik. Merchant harus bekerja dengan pemroses pembayaran melalui pembelajaran mesin dan teknologi lainnya untuk mengoptimalkan keseimbangan yang rumit ini antara menghentikan penipuan dan memaksimalkan profitabilitas.

Metodologi

Dalam menganalisis laporan, Stripe menelaah data transaksi ratusan ribu pelanggannya di 25 negara. Peta terbaru tingkat penipuan global berdasarkan pembagian transaksi hanya mencakup data tahun 2016 dan tidak menyertakan negara-negara dengan volume transaksi lebih rendah. Grafik penipuan berdasarkan hari per bulan adalah data gabungan tahun 2014-2016 di semua negara tempat Stripe beroperasi, dinormalisasi dengan jam kerja untuk setiap zona waktu. Tingkat Penipuan sebagai Bagian dari Transaksi berdasarkan grafik Waktu dan Hari hanya mencakup data tahun 2016 dan dinormalisasi untuk tujuan perbandingan dengan Volume Transaksi berdasarkan Waktu dan Hari. Histogram negara hanya mencakup data tahun 2016, dan distribusi bukan penipuan dan penipuan dinormalisasi untuk tujuan perbandingan. Akhirnya, Pembelian dari Merchant yang Sama dan Distribusi Interval Waktu Antara angka-angka Transaksi hanya mencakup data tahun 2016.

Kembali ke panduan
You’re viewing our website for Luxembourg, but it looks like you’re in the United States.