すべての支払いの不正利用検知システムは、正当な取引をブロックすることなく不正な取引を捕捉しようと試みます。そのバランスを適切に保つには、検知システムがどのように機能するか、どこで失敗するか、そして時間の経過とともにパフォーマンスをどのように測定し調整するかを理解する必要があります。

2024 年、世界のカードの不正利用による損失は、AI 主導の不正利用防止モデルも影響し、1.2% 減少して 334 億 1,000 万ドルになりました。

以下では、最新の不正利用検知システムがどのように機能するか、誤検知が不正利用と同じくらいコストがかかる理由、およびより良い結果を得るためにツールを評価および改善する方法について説明します。

この記事でわかること

• 不正利用検知システムは、ルールベースのロジックと機械学習を重ね合わせることで、不正な取引をリアルタイムで捕捉します。より大きな課題は、誤検知を最小限に抑えることです。

• 不正利用システムのパフォーマンスを推進する主な指標は、不正利用率、誤検知率、チャージバック率、承認率の 4 つです。しかし、1 つだけを単独で改善しようとすると、残りが悪化する傾向があります。

• オーソリ後のフィードバック、状況に応じたルール、意図的なしきい値テストなどの継続的な調整により、不正利用システムの精度は長期にわたって維持されます。

支払いにおける不正利用の検知とは

支払いにおける不正利用の検知とは、不正な取引をリアルタイムで特定し、間違った場所に資金が移動する前に対処するプロセスです。これには、取引の拒否、認証の要求、または手動レビューのための取引のフラグ付けなどが含まれる場合があります。これは、システムがどの程度確信しているか、ビジネスがどの程度のリスクを許容する意思があるかによって異なります。

最新の不正利用検知システムの仕組み

最新の不正利用検知システムは、複数のメカニズムを重ね合わせています。単一の方法ですべてを捕捉できる可能性は低いです。これらのレイヤーは順番にまたは並行して機能し、それぞれが最終的な決定にシグナルを提供します。

レイヤーは以下のとおりです。

ルールベースの検知

ルールエンジンは、取引データに固定または動的なロジックを適用します。取引が特定の条件を満たす場合、フラグが付けられるか、拒否されます。ベロシティチェックは最も一般的なルールの 1 つで、特定のカード、インターネットプロトコル (IP) アドレス、またはデバイスが短期間に複数の取引にわたって出現する頻度を追跡します。しかし、不正利用のパターンは変化し、先月の攻撃に合わせて調整されたルールは今月の攻撃を見逃す可能性があるため、これらのチェックは脆弱です。

機械学習と AI

機械学習モデルは、数百の機能を同時に評価してリスクスコアを生成します。教師ありモデルは、ラベル付けされた履歴データでトレーニングを行い、どの機能の組み合わせが各結果を予測するかを学習します。教師なしモデルは、ラベル付けされた例なしで異常を検知するため、トレーニングデータには出現していない不正利用のパターンを発見するのに役立ちます。ルールに対する実用的な利点は、汎用化です。モデルは、記述された条件ではなくデータ構造を見つけるため、アナリストが明示的に定義していないパターンを検知できます。

リアルタイムの意思決定

ルールとモデルは高速に実行される必要があります。不正利用のスコアリングは決済のオーソリ期間に行われるため、遅延が追加されるとコンバージョンが低下します。モデルはリアルタイムでスコアリングできるほど軽量である必要があり、取引量がピークに達したときにインフラストラクチャを拡張できなければなりません。また、取引が不審請求の申し立てにつながるかどうかは数週間後までわからないことが多いため、システムは部分的な情報に基づいて行動する必要があります。

支払いにおける不正利用の検知における誤検知の問題とは

誤検知 (正当な取引の拒否とも呼ばれます) とは、正当な取引がシステムによって誤って拒否されることです。不正利用防止のコストとしてはあまり議論されませんが、大きな影響を及ぼす可能性があります。取引の 0.1% が不正利用で、システムが正当な取引の 1.0% を誤ってブロックした場合、不正利用の 10 倍の正当な顧客をブロックしていることになります。直接的な売上の損失は明らかであり、決済で拒否された顧客は再度試すことはほとんどありません。

保守的すぎるしきい値はより多くの不正利用を捕捉しますが、より多くの正当な顧客も捕捉します。しきい値を緩めると承認率は上がりますが、より多くの不正利用を通過させます。両方の問題を排除する設定はありません。より優れたモデル、より豊富な機能セット、そしてより多くのネットワークデータがバランスを変えます。

不正利用検知のパフォーマンスを測定するために使用すべき指標

不正利用検知システムを評価するには、次の 4 つの指標が最も重要です。

• 不正利用率: 不審請求の申し立ての量、または確認済みの不正利用のレポートによって測定される、不正な取引の割合。この割合は、どの程度の不正利用が通過しているかを示しますが、遅行指標です。

• 誤検知率: 誤って拒否された正当な取引の割合。顧客が購入を放棄した理由が常にわかるとは限らないため、この割合を正確に測定することはより困難ですが、拒否された取引のデータやカスタマーサービスのレポートから大体の状況を把握できます。

• チャージバック率: 総取引量に対する、不審請求が申し立てられた取引の量。高いチャージバック率が継続すると、罰金や処理の制限を課す監視プログラムがトリガーされる可能性があるため、ビジネスはこの指標を低く保つように努めるべきです。

• 承認率: オーソリに成功した試行取引の割合。この割合はコンバージョン側の指標であり、発行会社のカードの拒否やシステムの拒否を反映します。承認率の上昇とともに不正利用率が上昇する場合は、通常、しきい値が緩すぎることを意味します。不正利用率が安定しているにもかかわらず承認率が低下する場合は、しきい値が厳しすぎることを示唆しています。

支払いにおける不正利用の検知ツールを評価する方法

適切なツールは、取引量、技術的リソース、および検知ロジックに対する制御の必要性によって異なります。大きく分けて 3 つのカテゴリがあります。

• 決済代行業者 (PSP) に統合された不正利用ツール: これらは PSP に組み込まれており、決済フローのデータを共有し、個別の実装を必要としません。トレードオフとして、カスタマイズが制限されることがよくあります。PSP のモデルの品質に依存し、プロバイダーが公開している以上にしきい値やルールを簡単に調整することはできません。

• サードパーティの機械学習プラットフォーム: これらは、業界固有の調整や、ルールとしきい値のきめ細かな制御を備えた、より高度なモデリングを提供することがよくあります。アプリケーションプログラミングインターフェイス (API) を介して連携し、オーソリの前または最中に取引をスコアリングします。実装のセットアップにはより多くの作業が必要であり、外部システムにデータをルーティングすることで、考慮すべき遅延が生じます。

• 社内システム: モデル、データパイプライン、および意思決定ロジックを所有するため、最大限の制御が可能になります。この制御には、かなりのエンジニアリングコストが伴います。内部で不正利用システムを構築および維持するには、進化する不正利用の手口に先んじるために、継続的なモデル開発が必要です。

オプションを比較する際、いくつかの質問により、ベンダーの主張を検証できます。

• 特定の取引の組み合わせにおける検知の精度はどのくらいですか。

• 目標とする不正利用のしきい値での誤検知率はどのくらいですか。

• 新しい不正利用のパターンにどのくらい早く対応できますか。リアルタイムでルールを追加できますか、それともサポートチケットが必要ですか。

• 手動のレビューリストのワークフローはどのようになりますか。作業や操作にかかる余分な時間はどのくらい発生しますか。

Stripe Radar は、不正利用検知におけるインテリジェンスと柔軟性のバランスをとるように構築されています。承認率を下げることなく不正利用を阻止できます。ビジネスは Radar のリスクスコアを確認し、コードを記述することなくその上にルールを構築できます。特定のしきい値を超える取引をブロックしたり、特定のスコア範囲に対して 3D セキュア認証を要求したり、特定の製品カテゴリーに対してより厳格なロジックを適用したりできます。

承認率を下げずに不正利用のリスクを軽減するには

不正利用のパターンは変化し、顧客ベースも変化するため、最適化は継続的に行われます。前四半期の取引の組み合わせに合わせて調整されたシステムは、今四半期には十分なパフォーマンスを発揮しない可能性があります。いくつかのアプローチにより、継続的な違いを生み出すことができます。

• オーソリ後のシグナルをモデルにフィードバックする: チャージバックや確認済みの不正利用のレポートは、モデルに必要なシグナルです。これらを定期的にトレーニングデータにフィードバックすることで、不正利用のパターンが変化しても、検知の精度が低下するのを防ぐことができます。静的なモデルは時間の経過とともに劣化します。

• 状況に応じてルールを分類する: 平均的な取引に合わせて調整されたベロシティチェックは、高額のリピーター顧客にとっては積極的すぎ、初めての顧客にとっては甘すぎる可能性があります。顧客の履歴、商品の種類、または購入の状況を考慮したルールは、一律のしきい値よりも誤検知が少なくなります。

• レビューリストをアクティブに管理する: 手動レビューのフラグが付けられた取引は、自動承認と自動拒否の間に位置します。キューが大きく処理が遅い場合、正当な顧客を待たせるか、不正利用をレビューしないまま放置することになります。リスクスコアによって優先順位を付け、明確なエスカレーションパスを設定することで、両方の結果を改善できます。

• しきい値の変更をテストする: ルールやモデルのしきい値を調整する場合は、広く適用する前に取引のサンプルで実行します。これが、変更によって不正利用と承認のトレードオフが改善されるのか、それとも単に移行するだけなのかを知る唯一の方法です。

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。