決済における不正利用とは、取引プロセスにおいて商品やサービスを盗み取るために用いられる、欺瞞的または不正な手口のことです。検出は注文の確定前に行う必要があり、不完全なデータに基づいてリアルタイムでリスクを評価することが求められます。

世界のカード不正利用による損失は、2024年に総額 334 億 1,000 万ドルに上り、不正利用防止システムの必要性が示されています。以下では、決済における不正利用の仕組み、不正利用スコアリングシステムが決済の時点でリスクを評価する方法、コンバージョンを下げることなく検出機能を決済フローに実装する方法について説明します。

この記事でわかること

• 決済における不正利用は、取引の瞬間を直接狙います。オーソリ前のリアルタイムのリスクスコアリングは、効果的な防御線となります。

• ルールエンジンと機械学習モデルを組み合わせるのが最適です。ルールで既知の不正利用パターンを捉え、モデルで新しいパターンを特定します。

• フリクションの調整 (リスクシグナルで正当性が認められる場合にのみ確認ステップを適用すること) は、効果的な不正利用防止の重要な要素です。

決済における不正利用とは？

決済における不正利用とは、決済フローを不正または悪用して、口座名義またはカード会員が承認したことのない取引を完了することです。盗まれたカードデータ、自動化されたテスティングスクリプト、および侵害されたアカウントが決済フローに集まる瞬間に発生します。

決済における不正利用の一般的なシナリオとは？

決済における不正利用は、いくつかの明確なパターンに集中しています。それぞれ、取引データに特有の行動シグネチャーがあります。

ゲスト決済の脆弱性

ゲスト決済では、取引からアカウント層が取り除かれます。購入履歴や保存された住所、行動の基準となる情報がないため、不正利用者の標的になりやすくなります。

正規のゲスト決済の場合、セッションレベルでは正常に見える傾向があります。つまり、顧客は閲覧し、項目を追加し、ページで妥当な時間を費やします。一方、不正なゲスト決済取引ではそうでないことが多く、セッション期間は短く、ナビゲーションも最小限です。これらのシグナルは単独では決定的ではありませんが、組み合わせることでリスクスコアが急上昇します。

決済時のカードテスティング

カードテスティングは大量に行われます。盗んだカードデータを大量に入手した犯罪者は、それを現金化する前に、どのカードがまだ有効かを知る必要があります。決済フロー、特に低価格の項目やデジタル商品を扱う決済フローは、格好のテスト場となります。

行動シグネチャーは明確です。人間には真似できない速度での連続した取引試行、少額またはきりのいい金額、高い拒否率、セッションの速度です。最新のテスティングスクリプトは高度化しており、インターネットプロトコル (IP) アドレスを変更したり、単純な速度のしきい値を超えないよう試行間隔を長くしたりするため、階層的な検出が重要になります。

決済時のアカウント乗っ取り

アカウント乗っ取りによる不正利用は、ログイン時に必ずしも明らかになるわけではありません。多くの場合、決済時に判明します。すでに正規のアカウントに侵入している犯罪者が、その履歴に合わない変更を加えた場合です。例えば、新しい配送先住所が追加されてすぐに使用されたり、このアカウントで使用されたことのないデバイスからカード番号が入力されたり、請求先住所の変更とともにお急ぎ便が指定されたりします。個別にみれば、いずれも正当な操作である可能性があります。しかし、1 つのセッション内でこれらが組み合わさった場合は、決済を行っているのがアカウント所有者本人ではないという強いシグナルになります。

決済フローにおける不正利用スコアリングの仕組み

顧客が決済を行うと、不正利用スコアリングシステムが利用可能なシグナルを抽出し、リスクスコアを生成します。

一般的に次のような情報が入力されます。

• カードレベルのシグナル: 銀行識別番号 (BIN)、国、カードタイプ、そのカードが以前に使用されたことがあるかどうか、さらに住所確認システム (AVS) を通じて請求先住所がカード発行会社のファイルと一致するかどうかの確認など。

• デバイスおよびセッションシグナル: デバイスフィンガープリント、ブラウザの特徴、IP の地理位置情報、IP が既知のプロキシまたは仮想プライベートネットワーク (VPN) に関連付けられているかどうか。

• 注文の特性: 項目のタイプ (デジタル商品は物理的な商品よりも不正利用率が高くなる傾向があります)、アカウント履歴と比較した注文金額、配送先住所と請求先住所の一致。

• 行動シグナル: ページでの滞在時間、ナビゲーション経路、顧客がランディングページから決済ページに移動するまでの速さ。

リアルタイムの決済における不正利用検出の仕組み

リアルタイムの検出では、ルールエンジンと行動モデルを組み合わせて、取引の瞬間にリスクを評価します。これら 2 つのアプローチにはそれぞれ異なる強みがあります。

ルールエンジン

ルールでは決定論的ロジックが処理されます。つまり、取引が既知の不正利用パターンと一致する場合、ブロックします。このアプローチは迅速かつ透明性が高く、取引がブロックされた理由を正確に把握できるため、不審請求の申し立ての解決や誤検出の調査に重要です。しかし、柔軟性に欠けるというデメリットがあります。1 つの不正利用パターンを捉えるために作成されたルールでは、別のルールを作成しない限り亜種を捉えられない可能性が高く、攻撃パターンが変化するたびに継続的なメンテナンスが必要になります。

機械学習モデル

機械学習モデルでは確率的評価が処理されます。以前の数百万件の取引から学習したパターンとシグナルの組み合わせを評価し、二項フラグではなく確率スコアを割り当てます。すべてのリスクシナリオを手動で定義しなくても、新しい不正利用パターン全般に対応できます。デメリットとしては不透明さが挙げられます。「不正利用の確率が 94%」というモデル出力の場合、ルールベースのブロックとは異なる解釈が必要になります。

行動分析

行動シグナルは、静的データポイントよりも一般的に偽装が難しいレイヤーを追加します。決済フィールドでのコピー・アンド・ペーストは、自動入力またはクレデンシャルスタッフィング (攻撃者が関係のないデータ侵害から盗んだログイン認証情報を使用してアカウントを乗っ取ること) の兆候です。異常に速いフォーム入力、不規則なマウスの動き、決済中のタブの切り替えなどはすべて、リアルタイムでの人間の操作を模倣しなければ回避できない形でリスクスコアの算出に利用されます。

これらのシステムが連携して、細やかな決定を下すのに十分な解像度のリスクスコアを生成します。境界線上にある取引は、完全に拒否するのではなく、レビューに回す必要があります。

決済プロセスに不正利用スコアリングを実装するには？

実装は、決済の送信とオーソリの間の API (アプリケーションプログラミングインターフェイス) レベルで行われます。決済画面で決済情報を収集し、バックエンドがセッションデータや注文データとともに不正利用スコアリングシステムに送信します。システムがリスクスコアと推奨されるアクションを返し、決済ロジックがそれに応じて取引をルーティングします。

各ステップの仕組みは次のとおりです。

• 適切なデータを渡す: 不正利用スコアリングシステムの精度は、受信するシグナルに左右されます。デバイスフィンガープリントデータ、IP アドレス、セッションメタデータを決済情報と一緒に渡さないと、最も重要な入力情報が活用されないままになります。多くのスコアリング API には、デバイスおよびセッションデータを自動的に収集する JavaScript クライアントライブラリが含まれています。

• リスクのしきい値を意図的に設定する: デフォルトのしきい値は通常、それぞれのビジネスに合わせて調整されていません。取扱量が多く低利益のマーケットプレイスに適したしきい値は、取扱量が少なく高額の B2B 決済に適したしきい値とは異なります。不正利用率の目標や誤検出の許容範囲に基づいてしきい値を設定し、実際の取引データを用いて微調整します。

• ブロックリストではなくレビューリストを作成する: ブロックのしきい値を超えるスコアの取引は自動的にブロックされますが、中間の範囲 (疑わしいが決定的ではない) の取引は、人間がレビューするためのリストにルーティングする必要があります。境界線上の取引を自動的にブロックすると誤検出の率が上昇し、カゴ落ちを招きます。また、自動的に承認すると不正利用による損失が増加します。

• 不正利用の発生状況と並行して購入率を監視する: ブロック率が上がっているのに不正利用による損失が比例して下がらない場合、ルールの誤検出が発生している可能性が高くなります。ブロック率が高いにもかかわらず不正利用による損失が増加している場合、しきい値の設定が間違っているか、不正利用者がしきい値を下回る手口を学習している可能性があります。

決済での不正利用防止に関するベストプラクティスとは？

正当な取引をブロックすることなく不正利用防止システムを効果的に稼働させるのに役立つメンテナンスのベストプラクティスがいくつかあります。

• ルールを最新に保つ: 不正利用パターンは変化するため、前四半期のカードテスティング行為に合わせて調整されたルールでは、今四半期の亜種を見逃す可能性があります。ブロック率とレビュー率を定期的に見直してください。拒否された取引や不審請求が申し立てられた取引に新しいパターンが見られた場合は、ルールを更新します。

• 複数の識別子をまたいで速度チェックを階層化する: IP アドレスのみを確認する速度ルールは簡単に回避されます。デバイスフィンガープリント、メールアドレス、カード BIN にまたがって階層化することで、IP を変更する不正利用者でも、デバイスごとまたはメールごとの速度ルールに引っかかるようになります。

• 取引後のシグナルをスコアリングにフィードバックする: チャージバックのパターン、返金の悪用、配達例外率はすべて、決済をすり抜けた不正利用を浮き彫りにします。不正利用スコアリングはフィードバックループによって向上するため、これらを使用してルールとスコアリングの設定を更新してください。

• 注文タイプ別にしきい値を区分する: デジタル商品、ギフトカード、お急ぎ便の注文は、不正利用率が高くなる傾向があります。カタログ全体で一律にスコアリングするのではなく、これらの注文タイプにはより厳格なしきい値を適用します。

Stripe Radar でできること

Stripe Radar は不正利用対策のためのツールです。Stripe のグローバルネットワークから得たデータを活用して訓練された AI モデルを使い、不正利用を検知・防止します。最新の不正傾向に応じてモデルを常に更新し、ビジネスを守ります。

Stripe はこのほか、Radar for Teams も提供しています。ユーザーは自社ビジネス特有の不正シナリオに対応するカスタムルールを追加でき、高度な不正分析情報にアクセスできます。
Radar で可能なこと

• 不正利用による損失の防止: Stripe は年間 1 兆ドルを超える決済を処理しています。この規模だからこそ、Radar は不正利用を正確に検知・防止し、コスト削減に貢献します。

• 収入の向上: Radar の AI モデルは、実際の不審請求の申し立てデータ、顧客情報、閲覧データなどをもとに学習しています。これにより、Radar はリスクの高い取引を特定し、誤検知を減らして、収入向上に貢献します。

• 業務効率化: Radar は Stripe に組み込まれており、設定のためのコーディングは一切不要です。単一のプラットフォームで不正利用の動きを監視したり、ルールを作成したりすることができるため、業務効率も向上します。

Stripe Radar について詳しくはこちらをご覧ください。今すぐ開始する場合はこちら。