2024 年には、アメリカの顧客だけで不正利用により $12.5 billion の損失が発生し、前年比で 25% 増加しました。多くの場合、不正利用はそうでないとわかるまでは通常の取引のように見えます。カードテスティングボットが数分でさまざまなカードにわたって数十件の少額の支払いを送信したり、悪意のある行為者が盗んだ認証情報を使用して高額注文をお急ぎ便で発注したり、顧客が実際に承認した支払いに不審請求を申し立てたりする可能性があります。

最高の不正利用検出ソフトウェアは、ルールベースのロジック、機械学習 (ML)、およびリアルタイムの取引シグナルを使用して正当な購入と不正な購入を区別し、チャージバックになる前にこれらのパターンを検出するのに役立ちます。以下では、不正利用検出ソフトウェアの仕組み、不正利用防止ソリューションを評価する際に重要な機能、システムをビジネスの不正利用リスクに適合させる方法について説明します。

この記事でわかること

• 最新の不正利用検出は、ルールベースのロジック、機械学習、またはその両方を使用して、既知の不正利用パターンだけでなく、静的ルールでは見逃される新たな手口も検出します。

• 正当な顧客をブロックすることはそれ自体で売上の損失につながるため、誤検知率は検出率と同じくらい重要です。

• ネイティブの不正利用検出機能を備えた決済代行業者をすでに使用しているビジネスは、サードパーティの連携を省略できることがよくあります。組み込みの不正利用検出ツールは、スタンドアロンプラットフォームが複製に苦労することが多いネットワークレベルのシグナルを利用します。

不正利用検出ソフトウェアとは

決済の不正利用検出ソフトウェアは、取引を評価して不正利用を特定し、チャージバックや商品の盗難、アカウントの不正使用が発生する前にそれをブロックします。通常、取引の試行と承認の間に位置し、ルール、モデル、シグナルの組み合わせを適用して決済を完了させるかどうかを決定します。

不正利用検出ソフトウェアの仕組み

不正利用検出システムは、ブロックする対象の決定方法が異なります。ルールベースのシステムと機械学習ベースのシステムがあります。

ルールベースの検出

ルールベースのシステムは、受信した取引に条件ロジックを適用します。取引が一定の金額を超える場合、リスクの高い地域から発信されている場合、または速度チェック (たとえば、10 分以内に同じカードから 5 回を超える購入) をトリガーした場合にフラグが立てられるかブロックされます。

利点は透明性です。取引にフラグが立てられた理由を正確に確認できます。制限は、ルールを作成したときに予想した内容のみがキャッチされることです。これまで見たことのない不正利用パターンは、ロジックを更新するまでルールにトリガーされません。

機械学習モデル

機械学習を活用した検出は、過去の取引データから「正常」な状態を学習し、逸脱にフラグを立てます。新しいデバイスや新しい国からの取引、または通常とは異なる時間帯に異例の金額で行われた 1 回の取引は、それらの特徴の 1 つだけでは問題ないように見えるかもしれません。しかし、それらが組み合わされると、取引はリスクが高いとスコアリングされる可能性があります。モデルは、取引履歴で実際に予測可能なものに基づいて、これらのシグナルの重み付けを行います。

ルールに勝る大きな利点は適応性です。不正利用の手口は常に変化しており、機械学習モデルはルールを作成する前に新たなパターンを検出できます。トレードオフは不透明性です。特定の取引が拒否された理由を正確に説明することが難しくなり、誤検知の確認が複雑になるためです。

いずれの場合も、これらのシステムは取引が送信された瞬間にリアルタイムで動作する必要があります。決済セッションがタイムアウトする前に、チェックアウトに顕著な遅延をもたらすことなく、承諾または拒否するのに十分な速度で機能する必要があります。システムによっては、決済フロー全体での行動を追跡し、支払いが送信される前にセッションレベルのシグナルをリスクスコアに組み込むものもあります。

不正利用検出ソフトウェアが検出できる決済の不正利用の種類

ビジネスが直面する一般的な決済の不正利用には、カード非提示 (CNP)の不正利用、カードテスティング、アカウント乗っ取り (ATO)、フレンドリー・フラウドなど、いくつかの種類があります。これらはそれぞれ取引フローの異なる脆弱性を悪用するものであり、不正利用防止ソフトウェアによって検出できます。

• CNP の不正利用: 悪意のある行為者が盗んだカードデータを使用して、物理的なカードを必要としない購入を行います。検出は、請求先住所と配送先住所の不一致、通常とは異なるデバイスフィンガープリント、異常な行動パターンなど、カード会員が通常トリガーしないシグナルに依存します。

• カードテスティング: 盗んだカード番号を入手した悪意のある行為者は、一般に、多数のカードに対して少額または 0 ドルの取引を立て続けに送信することで、どのカードが有効かを確認します。速度チェックとデバイスフィンガープリントが主な対策です。

• ATO の不正利用: ATO の不正利用では、悪意のある行為者が正規の顧客アカウントにアクセスし (多くの場合、漏洩したユーザー名とパスワードのペアを使用するクレデンシャルスタッフィングによる)、保存されている決済手段を使用して注文を行います。検出には、行動シグナル (見慣れないデバイスからのログイン、パスワードの突然の変更とそれに続く購入、高額注文の直前の住所変更など) を使用します。

• フレンドリー・フラウド: 顧客が正当な取引を完了して商品を受け取った後、銀行に不審請求を申し立てます。不正利用ソフトウェアは、不審請求の申し立て履歴のあるアカウントや、簡単に転売できる高額商品のお急ぎ便など、既知のパターンに適合する購入にフラグを立てることで役立ちます。

不正利用検出ソフトウェアで重要な機能

最も重要な機能は、取引量、不正利用のリスク、および技術的な設定によって大きく異なります。しかし、一貫して重要な機能がいくつかあります。

以下を調べてください。

• 検出精度: 不正利用の 85% と正当な注文の 15% を拒否するシステムは、ある売上の損失を別の売上の損失と交換していることになります。検出率と誤検知率の両方を公開しているプラットフォームを探してください。この 2 つの数字を合わせると、検出率だけよりもはるかに多くのことがわかります。

• ルールのカスタマイズ: 事前構築されたモデルは出発点です。特定の地域のブロック、一定の基準を超える注文に対する 3D セキュアの要求、既知の安全な顧客に対するリスクスコアの調整など、ほとんどの場合、ビジネス固有のロジックを階層化する必要があります。エンジニアリングサポートなしでカスタムルールを作成してテストできるプラットフォームは、実際にはるかに柔軟です。

• 決済インフラとの連携: 取引データを別の API 経由で渡す必要がある不正利用ツールは、レイテンシーと障害ポイントをもたらします。決済フローに埋め込まれているシステムや、決済代行業者にネイティブに組み込まれているシステムは、その複雑さを回避します。

• レポートとケース管理: チームがフラグ付き取引を審査する際、取引にフラグが立てられた理由、要因となったシグナル、類似の取引がどのようなものであったかといったコンテキストが必要です。これを明確に示す不正利用管理ソフトウェアは、手動での確認を迅速化し、時間の経過とともにルールの精度を高めるのに役立ちます。

• 拡張性: 現在のボリュームを処理するシステムは、速度や精度を低下させることなく、そのボリュームの 10 倍を処理できる必要があります。ブラックフライデーなどのトラフィックが集中する時期には、しばしば不正利用のピークが見られます。これらの時期は、速度低下を最も避けたい時期でもあります。

不正利用検出ソフトウェアに伴う課題

不正利用検出ソフトウェアには 2 つの役割があります。不正利用の試みに正確にフラグを立てることと、正当な取引をブロックしないことです。不正利用検出における最も根強い課題の 1 つは、バランスを見つけることです。ソフトウェアは、正当な顧客に不満を与えることなく、不正利用シグナルに厳密に注意を払う必要があります。

その継続的な作業を超えて、ルールベースのシステムと機械学習ベースのシステムはそれぞれ特有の課題に直面しています。

• ルールの陳腐化: 不正利用の手口は常に変化しています。半年前に効果的だったルールセットは、今日では著しいギャップがあるかもしれません。定期的な見直しを行わないと、ルールベースのシステムは時代遅れになりがちです。

• 機械学習モデルのデータ品質のばらつき: 機械学習モデルの質は、トレーニングデータの質に依存します。多くの業界の何百万ものビジネスからの取引シグナルを備えたプラットフォームは、より狭いカバレッジのプラットフォームとは明らかに異なるモデルを持ちます。ベンダーを評価する際は、トレーニングデータの範囲について具体的に尋ねてください。

ビジネス向けの不正利用検出ソフトウェアの選択方法

不正利用検出ソフトウェアの正しい選択は、ビジネスの仕組みによって異なります。導入と運用が容易で、遭遇する不正利用の種類に合致するシステムが必要です。

次の変数を考慮してください。

• 取引量: 取引量が少ない場合、トレーニングに使用する過去のデータが少ないため、機械学習モデルの精度が不安定になる可能性があります。また、小規模な環境では、ルールベースまたはハイブリッドのアプローチが純粋な機械学習よりも優れたパフォーマンスを発揮する可能性があります。大量の取引を処理するビジネスは、モデルに真に予測可能な十分なシグナルがあるため、機械学習からより多くのメリットを得る可能性がありますが、小規模ビジネスでもネットワークレベルの機械学習モデルからメリットを得ることができます。

• 技術的な設定: 不正利用検出サービスが組み込まれている決済代行業者を使用している場合、多くの場合それが正しい出発点となります。導入の複雑さは最小限に抑えられ、不正利用シグナルはすでに決済フローに埋め込まれています。複数のプロセッサーにまたがって事業を展開している場合や、複雑な決済インフラを構築している場合は、幅広い連携をサポートするスタンドアロンの不正利用プラットフォームが必要になる可能性があります。

• 社内リソース: 設定と維持に意味のあるエンジニアリング作業が必要な不正利用プラットフォームもあれば、技術的知識のない運用チームが直接管理できるように設計されたプラットフォームもあります。専任の不正利用分析チームやリスクチームがない場合は、強力なデフォルトの分析モデルとシンプルなルールインターフェイスを備えたプラットフォームを推奨します。

• レポートとワークフローの連携: 評価中のプラットフォームが不審請求の申し立て管理ワークフローに接続し、レポートスタックと互換性のある形式でデータをエクスポートすることを確認します。きれいに連携しない不正利用ツールは、自動化のメリットを相殺する手作業を生み出します。

Stripe Radar でできること

Stripe Radar は、Stripe のグローバルネットワークのデータで学習した AI モデルを使用して不正利用を検知・防止するツールです。最新の不正傾向に応じてモデルを常に更新し、不正利用の手口が進化しても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 は以下のことに役立ちます。

• 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。