La frode al momento del checkout si riferisce a tattiche ingannevoli o non autorizzate utilizzate per rubare beni o servizi durante il processo di transazione. Il rilevamento deve avvenire prima della conferma dell'ordine, il che significa valutare il rischio in tempo reale con dati incompleti.

Le perdite globali per frodi con carta sono ammontate a 33,41 miliardi di dollari nel 2024, il che dimostra la necessità di sistemi di prevenzione delle frodi. Di seguito, analizziamo come funziona la frode al momento del checkout, come i sistemi di valutazione delle frodi valutano il rischio al momento del pagamento e come integrare il rilevamento nel flusso di checkout senza degradare la conversione.

In sintesi

• La frode al momento del checkout prende di mira in modo specifico il momento della transazione. La valutazione del rischio in tempo reale prima dell'autorizzazione è un'efficace linea di difesa.

• I motori di regole e i modelli di machine learning funzionano meglio in combinazione, con le regole che intercettano gli schemi di frode noti e i modelli che ne identificano di nuovi.

• La calibrazione dell'attrito, che consiste nell'applicare fasi di verifica solo dove i segnali di rischio lo giustificano, è una parte importante di un'efficace prevenzione delle frodi.

Cos'è la frode al momento del checkout?

La frode al momento del checkout è l'uso non autorizzato o improprio di un flusso di pagamento per completare transazioni che l'intestatario del conto o il titolare della carta non ha mai approvato. Si verifica nel momento in cui i dati delle carte rubate, gli script di testing automatizzati e gli account compromessi convergono nel flusso di checkout.

Quali sono i comuni scenari di frode al checkout?

La frode al momento del checkout si concentra in alcuni schemi ben definiti. Ognuno ha una firma comportamentale distinta nei dati della transazione.

Vulnerabilità del checkout come ospite

Il checkout come ospite rimuove il livello dell'account dalla transazione. Non c'è cronologia degli acquisti, nessun indirizzo salvato e nessuna base comportamentale, ed è questo che lo rende attraente per gli autori di frodi.

I checkout legittimi come ospite tendono comunque a sembrare normali a livello di sessione: i clienti navigano, aggiungono articoli e trascorrono un ragionevole lasso di tempo sulla pagina. Le transazioni fraudolente al checkout come ospite spesso non lo fanno: la durata della sessione è breve e la navigazione è ridotta al minimo. Questi segnali non sono determinanti di per sé, ma in combinazione, spingono rapidamente verso l'alto un punteggio di rischio.

Testing delle carte al checkout

Il testing delle carte è un gioco di volumi. I criminali che acquisiscono dati di carte rubate in blocco devono sapere quali carte sono ancora attive prima di poterle monetizzare. I flussi di checkout, in particolare quelli con articoli di basso valore o beni digitali, costituiscono un comodo banco di prova.

La firma comportamentale è difficile da non notare: rapidi tentativi di transazioni sequenziali, importi piccoli o arrotondati, alti tassi di rifiuto e una velocità di sessione che nessun essere umano potrebbe replicare. Gli script di test moderni sono diventati più sofisticati alternando gli indirizzi del protocollo Internet (IP) e distanziando i tentativi in finestre più lunghe per rimanere al di sotto di semplici soglie di velocità, ed è per questo che il rilevamento a più livelli è importante.

Assunzione del controllo dell'account nella fase di pagamento

Le frodi di acquisizione dell'account non sempre emergono al momento dell'accesso. Spesso appaiono al momento del checkout, quando un criminale che è già all'interno di un account legittimo apporta modifiche che non si adattano alla sua cronologia: un nuovo indirizzo di spedizione aggiunto e immediatamente utilizzato, un numero di carta inserito da un dispositivo che non ha mai toccato questo account, un cambio di indirizzo di fatturazione abbinato alla spedizione rapida. Individualmente, ciascuna di queste potrebbe essere legittima. Insieme, all'interno di una singola sessione, rappresentano un forte segnale che la persona al checkout non è il proprietario dell'account.

Come funziona il punteggio di rischio nel flusso di checkout?

Quando un cliente invia un pagamento, un sistema di valutazione del rischio estrae i segnali disponibili e produce un punteggio di rischio.

Gli input in genere includono:

• Segnali a livello di carta: Bank Identification Number (BIN), Paese, tipo di carta, se la carta è già apparsa in precedenza e se l'indirizzo di fatturazione corrisponde a quello registrato presso la banca emittente tramite un controllo del servizio di verifica dell'indirizzo (AVS).

• Segnali di dispositivo e sessione: impronta del dispositivo, caratteristiche del browser, geolocalizzazione IP e se l'IP è associato a un proxy noto o a una rete privata virtuale (VPN).

• Caratteristiche dell'ordine: tipo di articolo (i beni digitali tendono ad avere tassi di frode più elevati rispetto ai beni fisici), valore dell'ordine rispetto alla cronologia dell'account e corrispondenza tra indirizzo di spedizione e indirizzo di fatturazione.

• Segnali comportamentali: tempo trascorso sulla pagina, percorso di navigazione e rapidità con cui il cliente è passato dalla pagina di destinazione al checkout.

Come funziona il rilevamento delle frodi al checkout in tempo reale?

Il rilevamento in tempo reale combina motori di regole e modelli comportamentali per valutare il rischio al momento della transazione. I due approcci presentano punti di forza diversi.

Motori di regole

Le regole gestiscono la logica deterministica: se una transazione corrisponde a schemi di frode noti, viene bloccata. Sono veloci e trasparenti e consentono di vedere esattamente perché una transazione è stata bloccata, il che è importante per la risoluzione delle contestazioni e l'indagine sui falsi positivi. Lo svantaggio è la rigidità. Una regola scritta per intercettare uno schema di frode probabilmente non ne intercetterà una variante a meno che non si scriva un'altra regola, il che significa che le regole richiedono una manutenzione continua man mano che gli schemi di attacco cambiano.

Modelli di machine learning

I modelli di machine learning gestiscono la valutazione probabilistica. Valutano le combinazioni di segnali rispetto a schemi appresi da milioni di transazioni precedenti e assegnano un punteggio di probabilità anziché un flag binario. Si generalizzano bene attraverso nuovi schemi di frode senza richiedere di definire manualmente ogni scenario di rischio. Lo svantaggio è l'opacità, dove un output del modello di "probabilità di frode del 94%" richiede un'interpretazione in un modo che un blocco basato su regole non richiede.

Analisi comportamentale

I segnali comportamentali aggiungono un livello che in genere è più difficile da falsificare rispetto ai dati statici. Gli eventi di copia e incolla nei campi di pagamento segnalano un inserimento automatizzato o un credential stuffing (in cui gli aggressori utilizzano credenziali di accesso rubate da violazioni di dati non correlate per assumere il controllo degli account). Un completamento insolitamente rapido del modulo, un movimento irregolare del mouse e il cambio di scheda durante il checkout contribuiscono tutti alla valutazione del rischio in modi che richiedono di imitare l'interazione umana in tempo reale per essere elusi.

Insieme, questi sistemi producono punteggi di rischio con una risoluzione sufficiente per prendere decisioni precise. Le transazioni al limite dovrebbero essere instradate per l'esame piuttosto che per un rifiuto totale.

Come si integra la valutazione del rischio di frode nel processo di checkout?

L'integrazione avviene a livello di API, tra l'invio del pagamento e l'autorizzazione. La tua pagina di checkout raccoglie i dettagli di pagamento, il tuo back-end li invia al tuo sistema di valutazione delle frodi insieme ai dati della sessione e dell'ordine, il sistema di valutazione restituisce un punteggio di rischio e un'azione consigliata e la tua logica di checkout instrada la transazione di conseguenza.

Ecco come funziona ogni fase:

• Passa i dati giusti: i sistemi di valutazione delle frodi sono validi solo quanto i segnali che ricevono. Se non passi i dati dell'impronta del dispositivo, l'indirizzo IP e i metadati della sessione insieme ai dettagli di pagamento, stai lasciando inutilizzati i tuoi input a segnale più elevato. Molte API di valutazione includono una libreria client JavaScript che raccoglie automaticamente i dati del dispositivo e della sessione.

• Configura deliberatamente le soglie di rischio: le soglie predefinite in genere non sono calibrate per la tua attività. Una soglia appropriata per un marketplace a volume elevato e basso margine differisce da una adatta a un checkout B2B a basso volume ed elevato valore. Imposta le soglie in base ai target di tasso di frode e alla tolleranza per i falsi positivi, quindi ottimizzale con i dati delle transazioni reali.

• Crea una coda di revisione anziché un elenco di blocco: le transazioni che ottengono un punteggio superiore alla soglia di blocco vengono bloccate automaticamente, ma quelle in una fascia intermedia, sospette ma non conclusive, dovrebbero essere instradate a una coda per l'esame da parte di persone. Il blocco automatico delle transazioni al limite aumenta i tassi di falsi positivi e favorisce l'abbandono; l'approvazione automatica aumenta le perdite per frode.

• Monitora la conversione al momento del pagamento insieme ai risultati delle frodi: se il tuo tasso di blocco sale ma le perdite per frode non diminuiscono proporzionalmente, le tue regole probabilmente stanno generando falsi positivi. Se le perdite per frode aumentano nonostante gli elevati tassi di blocco, le tue soglie potrebbero essere mal configurate o gli autori di frodi hanno imparato a rimanere al di sotto di esse.

Quali sono le best practice per la prevenzione delle frodi al checkout?

Ci sono alcune pratiche di manutenzione che possono aiutarti a mantenere in funzione il tuo sistema di prevenzione delle frodi in modo efficace senza bloccare le transazioni legittime:

• Mantieni aggiornate le regole: gli schemi di frode cambiano e una regola sintonizzata sul comportamento di testing delle carte dello scorso trimestre potrebbe non rilevare la variante di questo trimestre. Esamina regolarmente i tassi di blocco e di revisione. Aggiorna le regole quando noti nuovi schemi di frode nelle transazioni rifiutate o contestate.

• Controlli di velocità a più livelli su più identificatori: le regole di velocità che controllano solo gli indirizzi IP sono facili da eludere. Applicale a più livelli sull'impronta del dispositivo, sull'indirizzo email e sul BIN della carta, poiché un autore di frodi che ruota gli IP farà comunque scattare una regola di velocità per dispositivo o per email.

• Reimmetti i segnali successivi alla transazione nella valutazione: i pattern di storno, gli abusi di rimborso e i tassi di eccezione di consegna fanno emergere le frodi sfuggite al momento del checkout. Utilizzali per aggiornare le tue regole e la configurazione del punteggio di rischio, poiché il punteggio di rischio migliora con i cicli di feedback.

• Segmenta le soglie in base al tipo di ordine: beni digitali, carte regalo e ordini con spedizione rapida tendono ad avere tassi di frode più elevati. Applica soglie più rigorose a questi tipi di ordini anziché una valutazione uniforme su tutto il catalogo.

In che modo Stripe Radar può essere d'aiuto

Stripe Radar è in grado di prevenire le frodi sfruttando modelli di IA addestrati con i dati della rete globale di Stripe. Questi modelli vengono costantemente aggiornati in base alle ultime tendenze, proteggendo continuamente la tua attività da sistemi di frode in continua evoluzione.

Stripe offre anche Radar for Fraud Teams, con cui gli utenti possono aggiungere regole personalizzate per gestire scenari di frode specifici e accedere a funzioni avanzate di analisi delle frodi.
Con Radar puoi:

• Prevenire le perdite dovute a frodi: Stripe elabora oltre 1.000 miliardi di USD di pagamenti all'anno. Questa portata consente a Radar di individuare e prevenire con precisione le frodi, consentendoti di risparmiare denaro.

• Aumentare i ricavi: i modelli IA di Radar sono addestrati su dati reali relativi a contestazioni, informazioni sui clienti, dati di navigazione e altro. Ciò consente a Radar di identificare le transazioni rischiose e ridurre i falsi positivi, aumentando i tuoi ricavi.

• Risparmiare tempo: Radar è integrato in Stripe e non richiede alcuna riga di codice per essere configurato. Puoi anche monitorare le tue prestazioni antifrode, scrivere regole e altro in un'unica piattaforma, aumentando l'efficienza.

Scopri di più su Stripe Radar, oppure inizia oggi stesso.