นี่คือคำแนะนำที่มีโครงสร้างสำหรับการประเมินผู้จัดจำหน่ายด้านการป้องกันการฉ้อโกง Stripe Radar รวมอยู่ในนี้เพื่อเป็นจุดอ้างอิงตลอดทั้งกระบวนการ และเป็นตัวอย่างที่เป็นรูปธรรมของโครงสร้างพื้นฐานการป้องกันการฉ้อโกงที่ดีที่สุดในระดับเดียวกันในปี 2026.

คำแนะนำนี้รวมถึงโครงร่างของส่วนและตัวอย่างข้อความ คุณสามารถออกแบบเอกสาร RFP ที่มีแบรนด์ของคุณเองหรือใช้ข้อความที่ให้ไว้ได้

หน้าปก

เป้าหมายของหน้าปกคือการบอกผู้จำหน่ายอย่างชัดเจนว่าพวกเขากำลังพิจารณาเรื่องใดและต้องพูดคุยกับใคร นอกจากนี้ยังระบุวันสำคัญไว้ที่ด้านหน้าและข้อมูลเกี่ยวกับลักษณะของข้อมูลที่ส่งในขั้นตอนสุดท้าย

ข้อมูลติดต่อ

วันที่สำคัญๆ

รูปแบบของข้อมูลที่ส่ง

การตอบกลับทั้งหมดต้องส่งทางอิเล็กทรอนิกส์ผ่านอีเมลในรูปแบบ PDF เทมเพลตราคาและการให้คะแนน (ให้แยกต่างหากใน Excel) จะต้องแนบมาด้วยในรูปแบบเดิม

แบบแผนในการตั้งชื่อไฟล์

[ชื่อผู้ให้บริการ]–[ชื่อโปรเจ็กต์]–RFP–Response–[วันที่].pdf

วัตถุประสงค์ของ RFP นี้

[บริษัทของคุณ] กำลังมองหาพาร์ทเนอร์ด้านการเรียกเก็บเงินที่สามารถรองรับธุรกรรมที่ปลอดภัยและรองรับได้หลายสกุลเงิน, ผสานการทำงานได้อย่างง่ายดายกับระบบภายในผ่าน API สมัยใหม่, ตลอดจนมีความน่าเชื่อถือสูง, การตรวจจับการฉ้อโกงเชิงรุก, และความโปร่งใสของข้อมูลข้ามภูมิภาค

เอกสารฉบับนี้ระบุสรุปข้อกำหนด, เกณฑ์การประเมิน, และกระบวนการส่งข้อเสนอ

ประกาศแจ้งการรักษาความลับสั้นๆ

RFP ฉบับนี้มีข้อมูลที่เป็นความลับและเป็นกรรมสิทธิ์ของ [บริษัทของคุณ] โดยมีวัตถุประสงค์เพื่อการเตรียมการตอบกลับเท่านั้น ห้ามแจกจ่ายให้กับบุคคลอื่นที่ไม่ได้มีส่วนเกี่ยวข้องโดยตรงกับการเตรียมข้อเสนอ ด้วยการตอบรับ RFP นี้ ผู้รับยินยอมที่จะปกป้องข้อมูลดังกล่าวอย่างน้อยในระดับเดียวกับความระมัดระวังในการปกป้องข้อมูลที่เป็นความลับของตนเอง

ส่วน A: คำแนะนำด้านการบริหารจัดการ

ส่วนนี้กำหนดกฎพื้นฐาน ความสัมพันธ์กับผู้จัดจำหน่ายด้านการป้องกันการฉ้อโกงเกี่ยวข้องกับการเข้าถึงข้อมูลธุรกรรมและโครงสร้างพื้นฐานด้านความเสี่ยงอย่างลึกซึ้ง ความคลุมเครือในที่นี้อาจสร้างปัญหาด้านกฎหมาย การปฏิบัติงาน และความปลอดภัยในภายหลัง โปรดระบุให้ชัดเจน

A.1 คำชี้แจงในการรักษาความลับและการไม่เปิดเผยข้อมูล

ข้อมูลทั้งหมดใน RFP นี้เป็นความลับและมีวัตถุประสงค์เพื่อช่วยให้ผู้จัดจำหน่ายเตรียมการตอบกลับเท่านั้น ผู้จัดจำหน่ายต้องไม่เปิดเผย ทำซ้ำ หรือแจกจ่ายเอกสารนี้หรือส่วนใดส่วนหนึ่งของเอกสารโดยไม่ได้รับความยินยอมเป็นลายลักษณ์อักษรล่วงหน้าจาก [บริษัทของคุณ] ข้อมูลกรรมสิทธิ์ที่รวมอยู่ในข้อเสนอควรมีการทำเครื่องหมายไว้อย่างชัดเจน [บริษัทของคุณ] จะปฏิบัติตามนั้น

A.2 การจำกัดความรับผิดทางการเงิน

RFP นี้ไม่ใช่ข้อเสนอในการทำสัญญา [บริษัทของคุณ] ไม่มีข้อผูกมัดที่จะต้องมอบสัญญาหรือคืนเงินค่าใช้จ่ายที่เกิดขึ้นในการเตรียมการตอบกลับ ผู้จัดจำหน่ายต้องรับผิดชอบค่าใช้จ่ายของตนเองตลอดขั้นตอนนี้แต่เพียงผู้เดียว

A.3 ลำดับเวลาของ RFP

A.4 แนวทางการส่งข้อมูล

• ข้อเสนอทั้งหมดจะต้องส่งทางอีเมลไปยัง [ที่อยู่อีเมลติดต่อ]

• ผู้จำหน่ายต้องยืนยันใบเสร็จภายใน 3 วันทำการนับจากวันที่ออก

• จะต้องส่งคำถามเป็นลายลักษณ์อักษรภายในวันที่ระบุไว้ในข้อ A.3

• การสื่อสารทั้งหมดต้องผ่านผู้จัดการ RFP ที่ได้รับมอบหมาย การติดต่อโดยตรงกับพนักงานของ [บริษัทของคุณ] คนอื่นๆ ในช่วงระยะเวลาการประเมินอาจส่งผลให้ถูกตัดสิทธิ์

A.5 เอกสารที่ต้องใช้ในการส่งข้อมูล

A.6 ภาพรวมในการประเมิน

[บริษัทของคุณ] จะประเมินข้อเสนอจากคุณภาพของโมเดล AI, ความครอบคลุมของการจัดการการฉ้อโกง, อัตราผลบวกปลอม, ความพร้อมของการค้าแบบใช้เอเจนต์, ความน่าเชื่อถือของ API และความมั่นคงของผู้จำหน่าย ผู้จำหน่ายต้องแสดงให้เห็นถึงการพัฒนาที่วัดผลได้ในการลดการฉ้อโกง, อัตราการโต้แย้งการชำระเงิน และประสิทธิภาพการดำเนินงานพร้อมหลักฐานในระบบการผลิต การกล่าวอ้างที่ไม่มีข้อมูลจะไม่ได้คะแนน

A.7 การรับทราบจากผู้ให้บริการ

ผู้จำหน่ายต้องกรอกข้อมูลและส่งคืนการตอบรับด้านล่างภายใน 3 วันทำการหลังจากได้รับ RFP นี้

เราขอยืนยันใบเสร็จของ RFP ในชื่อ “[ชื่อ RFP]” และขอยืนยันความตั้งใจของเราที่จะ ☐ ส่ง / ☐ ไม่ส่ง การตอบกลับ

ชื่อบริษัท: ________________________

ตัวแทนที่ได้รับมอบอำนาจ: ________________________

ตำแหน่ง: ________________________

วันที่: _______

ส่วน B: ภาพรวมและขอบเขตในการทำงาน

ภาพรวมที่คลุมเครือจะทำให้ได้ข้อเสนอทั่วไป ให้บริบทเฉพาะที่ผู้ให้บริการต้องการในการตอบกลับอย่างชาญฉลาดแก่ผู้ให้บริการ: โมเดลธุรกิจของคุณ, การเผชิญกับการฉ้อโกงในปัจจุบันของคุณ, เวกเตอร์การโจมตีที่คุณระบุได้, และผลลัพธ์ที่คุณต้องการปรับปรุง การฉ้อโกงกำลังพัฒนาอย่างรวดเร็วและ RFP ของคุณควรสะท้อนให้เห็นสิ่งนั้น

ต่อไปนี้คือรายละเอียดเพิ่มเติมบางส่วนที่คุณรวมเพื่อปรับแต่งเองได้:

• สำนักงานใหญ่และตลาดสำคัญ
  
• ปริมาณธุรกรรมและมูลค่าคำสั่งซื้อเฉลี่ย
  
• แยกตามธุรกรรมในประเทศและข้ามพรมแดน
  
• วิธีการชำระเงินหลักที่มีการใช้งานอยู่ (เช่น บัตร, ACH, SEPA, ดิจิทัลวอลเล็ต)
  
• ทีมงานภายในที่เกี่ยวข้อง (เช่น ฝ่ายวิศวกรรม, ฝ่ายการเงิน, ฝ่ายกฎหมายและการปฏิบัติตามข้อกำหนด, ฝ่ายปฏิบัติการ)
  

B.1 ประวัติความเป็นมาของบริษัท

• [บริษัทของคุณ] เป็น [B2B / B2C / C2C] [มาร์เก็ตเพลส / ธุรกิจ SaaS / ธุรกิจอีคอมเมิร์ซ / แพลตฟอร์ม] ที่ดำเนินงานใน [ระบุตลาด] เราดำเนินการธุรกรรมประมาณ [X] รายการต่อเดือนใน [X] วิธีการชำระเงินและสกุลเงินต่างๆ ขณะนี้เราพบอัตราการฉ้อโกงประมาณ [X]% และอัตราการโต้แย้งการชำระเงิน [X]% และค่าใช้จ่ายในการฉ้อโกงของเราอยู่ที่ประมาณ $[X] ต่อเดือน เรากำลังมองหาพาร์ทเนอร์ด้านการป้องกันการฉ้อโกงที่มีแพลตฟอร์มครอบคลุมทั้งสแต็ก—การฉ้อโกงธุรกรรม, การฉ้อโกงบัญชี, และการละเมิดของลูกค้า—โดยไม่จำเป็นต้องมีการบำรุงรักษาทางวิศวกรรมอย่างต่อเนื่อง*
  

B.2 วัตถุประสงค์ของโปรเจ็กต์

• RFP นี้มีขึ้นเพื่อระบุพาร์ทเนอร์ด้านการป้องกันการฉ้อโกงที่จะปกป้องธุรกิจของเราในขณะที่ภัยคุกคามจากการฉ้อโกงเปลี่ยนแปลงไป ต่อไปนี้คือสถานการณ์ปัจจุบันของเรา: [อธิบายช่องว่าง (เช่น ระบบแบบอิงตามกฎหมายของเราสร้างผลบวกปลอมจำนวนมากเกินไป, เราไม่มีการครอบคลุมสำหรับการฉ้อโกงบัญชีหรือการละเมิด, อัตราการโต้แย้งการชำระเงินของเราเพิ่มขึ้น, เราขาดความสามารถในการมองเห็นเวกเตอร์การฉ้อโกงที่เพิ่งเกิดขึ้น)]
  

B.3 ขอบเขตในการทำงาน

ผลลัพธ์ที่ส่งมอบหลัก

• การป้องกันการฉ้อโกงในธุรกรรม: การให้คะแนนการฉ้อโกงที่ขับเคลื่อนด้วย AI สำหรับการชำระเงินทุกรายการ พร้อมด้วยอัตราผลบวกปลอมที่มีบันทึกไว้และตัวเลขการลดการฉ้อโกงจากการผลิต

• การป้องกันการฉ้อโกงในบัญชี: การตรวจจับและการดำเนินการอัตโนมัติต่อบัญชีที่มีการฉ้อโกงตลอดวงจรการใช้งานทั้งหมดตั้งแต่กระบวนการเริ่มต้นใช้งานไปจนถึงการตรวจสอบกิจกรรม

• การป้องกันการละเมิด: การตรวจจับและการบล็อกการละเมิดแบบให้ทดลองใช้ฟรี, การละเมิดการจ่ายตามปริมาณการใช้งาน, และเวกเตอร์การฉ้อโกงจากบุคคลที่หนึ่ง

• การจัดการการโต้แย้งการชำระเงิน: การดำเนินการอัตโนมัติเกี่ยวกับการดึงเงินคืน ซึ่งรวมถึงการส่งหลักฐาน, การติดตามอัตราการชนะ, และข้อมูลวิเคราะห์เกี่ยวกับการโต้แย้งการชำระเงิน

• เครื่องมือกฎที่กำหนดเอง: ความสามารถที่ให้ทีมความเสี่ยงของเราสร้างและทดสอบกฎที่กำหนดเองได้โดยไม่ต้องให้ฝ่ายวิศวกรรมเข้ามาเกี่ยวข้อง

• แดชบอร์ดและการรายงานที่รวมเข้าด้วยกัน: การมองเห็นอัตราการฉ้อโกง อัตราการโต้แย้งการชำระเงิน ผลการทำงานของกฎ และผลลัพธ์ของโมเดลได้แบบเรียลไทม์ในที่เดียว

• สิทธิ์เข้าถึง API: การผสานการทำงานแบบเป็นโปรแกรมสำหรับทีมที่ต้องการฝังระบบข้อมูลด้านการฉ้อโกงไว้ในเวิร์กโฟลว์ที่กำหนดเอง

ผลลัพธ์ที่ส่งมอบเพิ่มเติม

• การป้องกันการค้าแบบใช้เอเจนต์: การให้คะแนนการฉ้อโกงและการตรวจจับความผิดปกติสำหรับธุรกรรมที่เอเจนต์ AI เป็นผู้เริ่มต้น

• การสนับสนุน [ระบุวิธีการชำระเงินที่กำหนด (เช่น ACH, SEPA, วอลเล็ต, BNPL, สเตเบิลคอยน์)]

• การควบคุมการฉ้อโกงระดับแพลตฟอร์มสำหรับผู้ให้บริการมาร์เก็ตเพลส: ยอดเงินสำรอง, ข้อจำกัดในการเบิกจ่าย, และการดำเนินการเกี่ยวกับวงจรการใช้งานของบัญชี

B.4 งานที่อยู่นอกขอบเขต

ระบุสิ่งที่ได้รับการยกเว้นเพื่อไม่ให้ผู้ให้บริการคิดราคาหรือถือเป็นความรับผิดชอบ ต่อไปนี้คือตัวอย่างบางส่วน:

• โครงสร้างพื้นฐานด้านการปฏิบัติตามข้อกำหนด AML และ KYC ฉบับเต็ม (จัดการแยกต่างหากโดยผู้ประมวลผลการชำระเงินของเรา)

• การยืนยันตัวตนของลูกค้านอกเหนือไปจากสัญญาณความเสี่ยงด้านการฉ้อโกง

• ข้อมูลเชิงลึกทางธุรกิจทั่วไปหรือคลังข้อมูลที่ไม่เกี่ยวข้องกับการฉ้อโกง

B.5 ผลลัพธ์ที่ต้องการ

• การลดอัตราการฉ้อโกงอย่างน้อย [X]% ภายใน 90 วันนับจากการเปิดตัว (สำหรับเกณฑ์มาตรฐาน Radar จะช่วยลดการฉ้อโกงได้ 32% โดยเฉลี่ย)

• อัตราการโต้แย้งการชำระเงินที่ต่ำกว่า [X]% ภายใน 90 วัน

• อัตราผลบวกปลอมที่ต่ำกว่า [X]%—วัดจากธุรกรรมที่ถูกต้องตามกฎหมายซึ่งถูกปฏิเสธหรือถูกตั้งค่าสถานะอย่างไม่ถูกต้อง

• การละเมิดแบบให้ทดลองใช้ฟรีที่ถูกบล็อกด้วยความแม่นยำอย่างน้อย 90% (เกณฑ์มาตรฐานในปัจจุบัน)

• เวลาทางวิศวกรรมในการบำรุงรักษาโครงสร้างพื้นฐานด้านการฉ้อโกงลดลง [X]%

• การตั้งค่าโดยไม่ต้องเขียนโค้ดซึ่งดำเนินการจนเสร็จสมบูรณ์ภายใน [X] วันนับจากที่ทำสัญญา

ส่วน C: คำแนะนำเกี่ยวกับข้อเสนอ

จัดทำมาตรฐานสำหรับสิ่งที่คุณจะได้รับเพื่อเปรียบเทียบผู้ให้บริการแต่ละรายไปพร้อมกัน ข้อเสนอเกี่ยวกับการป้องกันการฉ้อโกงมักจะนำด้วยคำอธิบายผลิตภัณฑ์และคำศัพท์เฉพาะทางของ ML โดยกำหนดให้แสดงผลลัพธ์ของระบบการผลิตแทน

C.1 รูปแบบและโครงสร้างของข้อมูลที่ส่ง

ข้อเสนอแต่ละรายการต้องเป็นไปตามโครงสร้างนี้:

• บทสรุปผู้บริหาร (ไม่เกิน 3 หน้า)

• การตอบสนองต่อข้อกำหนดทั้งหมดในส่วน E โดยมีหมายเลขตรงกัน

• เทมเพลตค่าสินค้า/ค่าบริการใน Excel ที่สมบูรณ์

• โปรไฟล์ผู้ให้บริการและข้อมูลสรุปทางการเงิน

• ข้อมูลอ้างอิงไคลเอ็นต์จากธุรกิจที่เทียบเคียงได้อย่างน้อย 3 ราย

• เอกสารประกอบ: ใบรับรองการปฏิบัติตามข้อกำหนด กรณีศึกษาพร้อมเมตริกการใช้งานจริง เอกสารประกอบ API คำอธิบายของข้อมูลการฝึกอบรมโมเดล AI

การส่งเอกสารที่เบี่ยงเบนไปจากเดิมอย่างมากหรือละเว้นองค์ประกอบที่จำเป็นอาจถือว่าไม่ปฏิบัติตามข้อกำหนด

C.2 ข้อกำหนดในการจัดรูปแบบ

• การตอบกลับเชิงบรรยายเป็น PDF เทมเพลตค่าสินค้า/ค่าบริการเป็นไฟล์ Excel

• แบบอักษรขั้นต่ำ 11pt ขอบ 1 นิ้ว ต้องมีหมายเลขหน้า

• ตัวเลขทางการเงินทั้งหมดเป็นหน่วยดอลลาร์สหรัฐเว้นแต่จะระบุไว้เป็นอย่างอื่น

• การตั้งชื่อไฟล์: [ชื่อผู้ให้บริการ]–Fraud–RFP–[วันที่].pdf

C.3 คำแนะนำเกี่ยวกับเนื้อหาของข้อเสนอ

ข้อมูลสรุป

• นำเสนอผลลัพธ์ที่วัดผลได้จากการปรับใช้งานที่เปรียบเทียบได้ ได้แก่ เปอร์เซ็นต์การลดการฉ้อโกง การปรับปรุงอัตราการโต้แย้ง อัตราผลบวกปลอม ความแม่นยำในการป้องกันการละเมิด อย่าอธิบายผลิตภัณฑ์ของคุณ แต่ให้แสดงสิ่งที่ผลิตภัณฑ์สร้างขึ้น

• ใส่คำอธิบายถึงวิสัยทัศน์ที่คุณมีต่อการเป็นพาร์ทเนอร์รายนี้ในช่วง 3 ปี โดยเฉพาะอย่างยิ่งวิธีที่โมเดล AI ของคุณจะตามพัฒนาการของการฉ้อโกงได้ทันอยู่เสมอ

ภาพรวมของโซลูชันและสถาปัตยกรรม

• อธิบายว่าแพลตฟอร์มของคุณครอบคลุมสแต็กการฉ้อโกงทั้งหมดได้อย่างไร ได้แก่ การฉ้อโกงการทำธุรกรรม การฉ้อโกงบัญชี การป้องกันการละเมิด และการจัดการการโต้แย้งการชำระเงิน ในการผสานการทำงานเดียว

• อธิบายรากฐานของข้อมูลที่อยู่เบื้องหลังโมเดล AI ของคุณ ได้แก่ ปริมาณการทำธุรกรรม ความกว้างในเชิงพื้นที่และบริษัทผู้ออกบัตร ตลอดจนความหลากหลายของวิธีการชำระเงิน รากฐานนี้จะเป็นตัวกำหนดว่าแบบจำลองจะทำงานในการขยายธุรกิจได้หรือไม่ เกณฑ์มาตรฐานสำหรับโครงสร้างพื้นฐานการฉ้อโกงชั้นนำคือ AI ที่ได้รับการฝึกอบรมเกี่ยวกับการทำธุรกรรมประจำปีที่มีมูลค่ามากกว่า 1.9 ล้านล้านดอลลาร์สหรัฐ

• อธิบายว่าโมเดลของคุณอัปเดตตามรูปแบบการฉ้อโกงที่เปลี่ยนไปอย่างไร และความรวดเร็วในการนำเวกเตอร์การฉ้อโกงใหม่มารวมไว้ด้วยกัน

การค้าแบบใช้เอเจนต์

• อธิบายความสามารถของการใช้งานจริงในปัจจุบันของคุณในการตรวจจับและป้องกันการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI การค้าแบบใช้เอเจนต์เป็นข้อกำหนดในปัจจุบัน ไม่ใช่แผนการทำงานในอนาคต ข้อเสนอที่กำหนดตำแหน่งสิ่งนี้ในฐานะเหตุการณ์ที่กำลังจะเกิดขึ้นจะถูกให้คะแนนตามลำดับ
  

ความครอบคลุมและวิธีการชำระเงิน

• ระบุให้ชัดเจนว่าคุณครอบคลุมวิธีการชำระเงินใดบ้าง (เช่น บัตร, ACH, SEPA, วอลเล็ต, BNPL, Stablecoin)
  

การรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนด

• ยืนยันการปฏิบัติตามข้อกำหนด PCI DSS v4.0 (มีผลบังคับใช้ในเดือนมีนาคม 2024) และวันที่ตรวจสอบล่าสุด

• ระบุข้อมูลระยะเวลาให้บริการที่ผ่านมา 12 เดือน โครงสร้างพื้นฐานด้านการฉ้อโกงระดับที่ใช้งานจริงคาดว่าจะมีระยะเวลาให้บริการสูงกว่า 99.999%+

C.4 คำชี้แจงและคำถามต่างๆ

ต้องส่งคำถามเป็นลายลักษณ์อักษรภายใน [กำหนดเวลาส่งคำถาม] ไปที่ [อีเมลผู้จัดการ RFP] คำตอบจะถูกแจกจ่ายให้กับผู้เข้าร่วมทั้งหมดพร้อมกัน ไม่อนุญาตให้พูดคุยอย่างไม่เป็นทางการกับพนักงานของ [บริษัทของคุณ] อื่นๆ ในระหว่างขั้นตอนนี้

C.5 ระยะเวลาที่ใช้ได้ของข้อเสนอ

ข้อเสนอจะต้องมีผลบังคับใช้เป็นเวลา 90 วันนับจากกำหนดเวลาในการยื่น เว้นแต่จะขยายออกไปตามข้อตกลงร่วมกันเป็นลายลักษณ์อักษร

C.6 สิทธิ์ในการปฏิเสธหรือเจรจาต่อรอง

[บริษัทของคุณ] ขอสงวนสิทธิ์ในการปฏิเสธข้อเสนอ ร้องขอคำชี้แจง หรือดำเนินการเจรจาแบบขนานกับผู้ให้บริการรายใดรายหนึ่งหรือหลายราย การเข้าร่วมไม่ถือเป็นความมุ่งมั่นที่จะซื้อ

ส่วน D: ขั้นตอนการประเมิน

ความโปร่งใสในการให้คะแนนจะผลักดันให้ผู้จำหน่ายตอบกลับด้วยหลักฐานแทนที่จะเป็นการกล่าวอ้าง เกณฑ์ทุกข้อจะสอดคล้องกับข้อกำหนดในส่วน E โดยตรง

D.1 วิธีการประเมิน

ข้อเสนอทั้งหมดจะได้รับการตรวจสอบโดยทีมงานข้ามสายงาน ซึ่งประกอบด้วยทีมวิศวกรรม การเงิน กฎหมายและการปฏิบัติตามข้อกำหนด ความเสี่ยง และการปฏิบัติการ

การประเมินแบ่งออกเป็น 3 ขั้นตอนดังนี้

• ตรวจสอบการปฏิบัติตามข้อกำหนด: ยืนยันว่าเอกสารที่กำหนดครบถ้วนและตรงตามข้อกำหนดด้านรูปแบบ

• การประเมินเชิงคุณภาพ: ให้คะแนนข้อมูลที่ส่งมาแต่ละรายการตามเกณฑ์ที่ถ่วงน้ำหนักโดยใช้ระดับคะแนน 1–5 (5 = ดีเยี่ยม โดยมีหลักฐานในเวอร์ชันที่ใช้งานจริงรองรับ, 1 = ไม่ผ่านเกณฑ์พื้นฐาน) คะแนนระดับ 5 ต้องใช้ตัวชี้วัดในเวอร์ชันที่ใช้งานจริงที่มีการบันทึกไว้

• การสาธิตและการตรวจสอบขั้นสุดท้าย: ผู้จำหน่ายที่ผ่านการคัดเลือกจะสาธิตแพลตฟอร์มแบบสด การสาธิตต้องใช้แซนด์บ็อกซ์ที่เทียบเท่ากับเวอร์ชันที่ใช้งานจริง ไม่ใช่การทำตามสคริปต์ที่เตรียมไว้

D.2 เกณฑ์การประเมินและการถ่วงน้ำหนัก

ความครอบคลุมด้านภัยคุกคามรูปแบบใหม่และการค้าแบบใช้เอเจนต์มีน้ำหนัก 15% เนื่องจากความสามารถในการตรวจจับการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI เป็นช่องโหว่ด้านฟังก์ชันเชิงโครงสร้างระหว่างผู้จำหน่าย ตัวอย่างเช่น ผู้นำทางธุรกิจ 65% เห็นพ้องว่าการฉ้อโกงพัฒนาไปอย่างรวดเร็วเกินกว่าที่บริษัทจะตามทัน ผู้จำหน่ายที่ไม่สามารถแสดงให้เห็นถึงความครอบคลุมที่ปรับตัวได้ในปัจจุบันจะตามหลังคู่แข่งมากขึ้นเมื่อรูปแบบการฉ้อโกงยังคงเปลี่ยนแปลงต่อไป

D.3 ข้อกำหนดในการสาธิต

ผู้จำหน่ายที่ผ่านการคัดเลือกจะสาธิตสิ่งต่อไปนี้แบบสดในสภาพแวดล้อมแซนด์บ็อกซ์

• การให้คะแนนการฉ้อโกงธุรกรรมแบบเรียลไทม์ ทำให้เกิดธุรกรรมที่มีความเสี่ยงสูง และแสดงให้เห็นว่าโมเดลให้คะแนนอย่างไร พร้อมคำอธิบายสัญญาณที่มีส่วนเกี่ยวข้อง

• การตรวจจับการฉ้อโกงบัญชี แสดงให้เห็นว่าแพลตฟอร์มระบุและดำเนินการกับบัญชีที่ฉ้อโกงระหว่างกระบวนการเริ่มต้นใช้งานและหลังจากเปิดใช้งานอย่างไร

• การป้องกันการละเมิดในทางปฏิบัติ สาธิตการตรวจจับการละเมิดช่วงทดลองใช้ฟรีด้วยเกณฑ์มาตรฐานความแม่นยำที่ 90%

• การสร้างกฎที่กำหนดเอง นักวิเคราะห์ความเสี่ยงสร้างกฎใหม่โดยไม่ต้องให้ทีมวิศวกรรมเข้ามาเกี่ยวข้อง ทดสอบในแซนด์บ็อกซ์ และตรวจสอบผลกระทบที่คาดการณ์ไว้

• เวิร์กโฟลว์การจัดการการโต้แย้งการชำระเงิน แสดงการส่งหลักฐานแบบอัตโนมัติสำหรับการดึงเงินคืน พร้อมการติดตามอัตราการชนะ

• การปกป้องการค้าแบบใช้เอเจนต์ แสดงให้เห็นว่าแพลตฟอร์มใช้การให้คะแนนการฉ้อโกงกับธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI อย่างไร และแจ้งเตือนพฤติกรรมที่ผิดปกติของเอเจนต์

• แดชบอร์ดแบบรวม อัตราการฉ้อโกง อัตราการโต้แย้งการชำระเงิน ประสิทธิภาพของกฎ และตรวจสอบผลลัพธ์ของโมเดลในที่เดียว

ผู้จำหน่ายต้องให้ข้อมูลรับรองชั่วคราวสำหรับการสาธิตที่มีอายุการใช้งานอย่างน้อย 10 วันทำการหลังจากการสาธิต

D.4 การเจรจาต่อรองและเข้าทำสัญญา

[Your company] ขอสงวนสิทธิ์ในการจัดเซสชันเพื่อชี้แจง ขอรับข้อเสนอที่ดีที่สุดและเป็นข้อเสนอสุดท้าย และดำเนินการเจรจาต่อรองแบบขนาน สัญญาจะไม่มีผลผูกพันจนกว่าทั้งสองฝ่ายจะลงนาม

⚑ หมายเหตุสำหรับผู้ประเมิน ลบออกก่อนส่งให้ผู้จำหน่าย

• ให้คะแนนโดยอิสระก่อนที่จะพิจารณาร่วมกันในกลุ่ม คะแนนระดับ 5 ต้องใช้ตัวชี้วัดในเวอร์ชันที่ใช้งานจริงที่มีการบันทึกไว้ ไม่ใช่ฟังก์ชันที่กล่าวอ้าง
  
• ขอให้ผู้จำหน่ายแต่ละรายระบุฟุตพริ้นต์ข้อมูลการฝึกอบรมโมเดล AI ของตนอย่างเจาะจง ได้แก่ ปริมาณธุรกรรม จำนวนปีของข้อมูล ความครอบคลุมด้านภูมิศาสตร์ ความครอบคลุมของบริษัทผู้ออกบัตร และความหลากหลายของวิธีการชำระเงิน คำตอบจะเปิดเผยว่าประสิทธิภาพในการตรวจจับการฉ้อโกงนั้นเป็นของจริงมากน้อยเพียงใดเมื่อเทียบกับที่กล่าวอ้าง เกณฑ์มาตรฐานคือธุรกรรมรายปีที่ 1.9 ล้านล้านดอลลาร์สหรัฐขึ้นไป
  
• ตรวจสอบความครอบคลุมของวิธีการชำระเงิน สำหรับแต่ละวิธีในรายการของคุณ (เช่น ACH, SEPA, วอลเล็ต, ซื้อตอนนี้ จ่ายทีหลัง, สเตเบิลคอยน์) ให้ถามว่าโมเดลได้รับการฝึกอบรมด้วยข้อมูลจากวิธีดังกล่าวหรือไม่ และตัวเลขการลดการฉ้อโกงของวิธีดังกล่าวมีลักษณะอย่างไร
  
• การสาธิตการค้าแบบใช้เอเจนต์เป็นสิ่งที่ต่อรองไม่ได้ ผู้จำหน่ายรายใดที่ไม่สามารถแสดงการตรวจจับการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI ในแซนด์บ็อกซ์ในปัจจุบัน ถือว่ายังไม่พร้อมสำหรับทิศทางที่แพลตฟอร์มของคุณกำลังจะไป
  
• ขออัตราผลบวกลวงจากเวอร์ชันที่ใช้งานจริง ไม่ใช่การคาดการณ์ โมเดลที่บล็อกการฉ้อโกงได้ 40% แต่ปฏิเสธธุรกรรมที่ถูกต้องตามกฎหมาย 5% ถือเป็นปัญหาด้านรายรับ ไม่ใช่วิธีแก้ปัญหาการฉ้อโกง
  
• ขอข้อมูลระยะเวลาให้บริการ 12 เดือน ไม่ใช่แค่ SLA ความแตกต่างระหว่างระยะเวลาให้บริการ 99.900% และ 99.999% มีความสำคัญต่อโครงสร้างพื้นฐานการฉ้อโกงที่ทำงานในทุกธุรกรรม
  

ส่วน E: ข้อกำหนดหลัก

นี่คือส่วนที่สำคัญที่สุด โปรดระบุคำตอบที่เป็นข้อเท็จจริงและมีหลักฐานอ้างอิง ผู้ให้บริการที่คุ้มค่าแก่การใช้งานจะสามารถระบุผลลัพธ์ที่มีการบันทึกไว้จากการใช้งานจริงได้ สำหรับแต่ละข้อกำหนด ผู้ให้บริการจะต้องระบุสถานะดังนี้ Standard (ใช้งานจริงในปัจจุบัน), Configurable (ต้องกำหนดค่า), Custom (ต้องพัฒนา) หรือ N/A

E.1 คุณภาพของโมเดล AI และชุดข้อมูล

AI การป้องกันการฉ้อโกงจะมีประสิทธิภาพเทียบเท่ากับข้อมูลที่ใช้ฝึกเท่านั้น โมเดลที่ฝึกด้วยธุรกรรมหลายหมื่นล้านรายการจากหลายตลาด บริษัทผู้ออกบัตร และวิธีการชำระเงิน จะให้ผลลัพธ์ที่ดีกว่าโมเดลที่สร้างจากชุดข้อมูลที่แคบกว่าอย่างเห็นได้ชัด มีโอกาส 92% ที่บัตรที่ใช้บนเครือข่ายของ Stripe จะเคยปรากฏมาก่อน ซึ่งระดับของสัญญาณก่อนหน้านี้ถือเป็นเกณฑ์มาตรฐาน นี่เป็นข้อได้เปรียบที่ทวีคูณซึ่งไม่สามารถทำซ้ำได้ด้วยความพยายามทางวิศวกรรมเพียงอย่างเดียว

E.2 การป้องกันการฉ้อโกงการทำธุรกรรม

การฉ้อโกงการทำธุรกรรมมีแนวโน้มเพิ่มขึ้น ต้นทุนจากการฉ้อโกงการชำระเงินออนไลน์คาดว่าจะเติบโต 15% ในปี 2025 โครงสร้างพื้นฐานที่เหมาะสมจะช่วยตรวจจับการฉ้อโกงที่ระบบอื่นตรวจไม่พบ เนื่องจากโมเดลเคยเห็นรูปแบบดังกล่าวมาก่อน

E.3 การป้องกันการฉ้อโกงบัญชี

การฉ้อโกงบัญชี (บัญชีปลอมที่สร้างขึ้นเพื่อหาผลประโยชน์จากแพลตฟอร์มของคุณ) ดำเนินการตลอดวงจรชีวิตของบัญชีทั้งหมด การตรวจจับตั้งแต่กระบวนการเริ่มต้นใช้งานมีค่าใช้จ่ายถูกกว่าการตรวจจับหลังจากเปิดใช้งานแล้ว เกณฑ์มาตรฐานสำหรับโครงสร้างพื้นฐานชั้นนำคือการบล็อกบัญชีที่เชื่อมโยงซึ่งเข้าข่ายฉ้อโกงมากกว่า 3.5 ล้านบัญชีต่อปี

E.4 การป้องกันการใช้ในทางที่ผิด

การใช้ในทางที่ผิดจากบุคคลที่หนึ่ง (การใช้ช่วงทดลองใช้ในทางที่ผิด การใช้การชำระเงินตามการใช้งานในทางที่ผิด และการโต้แย้งการชำระเงินทั้งที่ได้รับสินค้าแล้ว) ทำให้ธุรกิจมีต้นทุนสูงถึง 2 แสนล้านดอลลาร์สหรัฐต่อปี ในปีที่ผ่านมา ธุรกิจ 94% เคยประสบปัญหานี้ เครื่องมือป้องกันการฉ้อโกงแบบเดิมไม่ได้ออกแบบมาเพื่อตรวจจับปัญหานี้ โปรดระบุหลักฐานการใช้งานจริง ไม่ใช่คำอธิบายแผนกลยุทธ์ของผู้ให้บริการ

E.5 การจัดการการโต้แย้งการชำระเงิน

การโต้แย้งการชำระเงินทำให้ธุรกิจต้องเสียค่าใช้จ่าย 35 ดอลลาร์สหรัฐสำหรับทุกๆ 100 ดอลลาร์สหรัฐในการดึงเงินคืน เมื่อรวมต้นทุนการดำเนินงาน ค่าธรรมเนียมเครือข่าย และเวลา โครงสร้างพื้นฐานที่เหมาะสมจะส่งหลักฐานโดยอัตโนมัติ แสดงความน่าจะเป็นของอัตราการชนะในแต่ละการโต้แย้งการชำระเงิน เพื่อให้ทีมของคุณจัดการกรณีต่างๆ ได้อย่างมีประสิทธิภาพ และที่สำคัญคือจะหยุดการโต้แย้งการชำระเงินก่อนที่จะมีการยื่น

E.6 กฎที่กำหนดเองและเครื่องมือสำหรับทีมความเสี่ยง

แพลตฟอร์มการป้องกันการฉ้อโกงที่ต้องให้วิศวกรเข้ามามีส่วนร่วมเพื่อปรับกลยุทธ์ด้านความเสี่ยงถือเป็นข้อจำกัด ทีมความเสี่ยงของคุณต้องทำงานได้เร็วกว่าการฉ้อโกง ซึ่งหมายความว่าผู้ใช้ที่ไม่มีความรู้ด้านเทคนิคจะต้องเขียน ทดสอบ และปรับใช้กฎได้โดยไม่ต้องเปิดทิกเก็ต

E.7 การค้าแบบใช้เอเจนต์และภัยคุกคามรูปแบบใหม่

ปัจจุบันเอเจนต์ AI เป็นผู้เริ่มต้นธุรกรรมทางการค้าแล้ว และผู้ฉ้อโกงก็กำลังใช้เครื่องมือ AI เดียวกับที่ธุรกิจถูกกฎหมายใช้ มาร์เก็ตเพลสที่ไม่ปกป้องธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI จะต้องเผชิญกับความเสี่ยงที่ทวีคูณขึ้นเมื่อมีปริมาณการค้าแบบใช้เอเจนต์เพิ่มขึ้น ผู้ให้บริการรายใดก็ตามที่ไม่สามารถสาธิตการตรวจจับการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยเอเจนต์ในสภาพแวดล้อมแซนด์บ็อกซ์ในปัจจุบันได้ ถือว่ายังไม่พร้อม

E.8 การวิเคราะห์ การรายงาน และข้อมูลเชิงลึกแบบเรียลไทม์

การวิเคราะห์และการรายงานการฉ้อโกงเป็นสิ่งจำเป็น หากทีมความเสี่ยงของคุณไม่สามารถดูเหตุการณ์ที่เกิดขึ้นแบบเรียลไทม์ ตรวจสอบการตัดสินใจเกี่ยวกับธุรกรรมแต่ละรายการ และรับการแจ้งเตือนเชิงรุกเมื่อมีการโจมตีได้ ทีมของคุณก็จะต้องเป็นฝ่ายรับมือกับการฉ้อโกงอยู่เสมอแทนที่จะก้าวนำหน้าภัยคุกคามเหล่านั้น

E.9 สถาปัตยกรรมแพลตฟอร์มและคุณภาพ API

การผสานการทำงานเพื่อป้องกันการฉ้อโกงที่ต้องบำรุงรักษาทางวิศวกรรมอย่างต่อเนื่องเพื่อให้มีประสิทธิภาพอยู่เสมอนั้นถือเป็นภาระแอบแฝงสำหรับทีมผลิตภัณฑ์ของคุณ คุณควรประเมิน API ในลักษณะเดียวกับที่คุณประเมินโครงสร้างพื้นฐานหลัก

E.10 ความปลอดภัย การปฏิบัติตามข้อกำหนด และความเป็นส่วนตัวของข้อมูล

โครงสร้างพื้นฐานการฉ้อโกงนั้นอยู่ในเส้นทางข้อมูลของทุกธุรกรรม อัตราความสำเร็จในการตรวจสอบ PCI ที่ 100% คือมาตรฐาน

E.11 การรับรองผู้จำหน่าย

ข้าพเจ้าขอรับรองว่าการตอบกลับทั้งหมดมีความถูกต้อง ณ วันที่ส่ง และความสามารถที่ระบุว่า Standard หรือ Configurable นั้นพร้อมให้ใช้งานจริงในสภาพแวดล้อมการทำงานจริงในปัจจุบัน ระบบจะไม่ประเมินคำกล่าวอ้างที่ไม่มีเอกสารหลักฐานหรือไม่มีการสาธิตการใช้งานจริงรองรับ

ตัวแทนที่ได้รับมอบอำนาจ: ________________________

ตำแหน่ง: ________________________

วันที่: ________

⚑ หมายเหตุสำหรับผู้ประเมิน ลบออกก่อนส่งให้ผู้จำหน่าย

• คะแนน 5 ในเกณฑ์ใดๆ จำเป็นต้องมีเมตริกการทำงานจริงที่มีการบันทึกไว้เป็นเอกสาร การระบุว่า "เรารองรับสิ่งนี้" โดยไม่มีหลักฐานจะได้คะแนนสูงสุดเพียง 3
  
• ขอให้ผู้จำหน่ายทุกรายระบุข้อมูลที่ใช้ฝึกโมเดล AI ในรูปแบบที่เฉพาะเจาะจง ดังนี้ จำนวนธุรกรรม จำนวนปีของข้อมูล ขอบเขตทางภูมิศาสตร์และบริษัทผู้ออกบัตร และความหลากหลายของวิธีการชำระเงิน สิ่งนี้คือข้อแตกต่างที่สำคัญที่สุดในประสิทธิภาพการตรวจจับการฉ้อโกง
  
• ตรวจสอบความครอบคลุมของวิธีการชำระเงิน สำหรับแต่ละวิธีในรายการของคุณ (เช่น ACH, SEPA, วอลเล็ต, ซื้อตอนนี้ จ่ายทีหลัง, สเตเบิลคอยน์) ให้สอบถามว่ามีการฝึกโมเดลด้วยข้อมูลการทำงานจริงจากวิธีดังกล่าวหรือไม่ และการลดการฉ้อโกงสำหรับวิธีดังกล่าวมีลักษณะอย่างไร
  
• สอบถามอัตราผลบวกลวง ไม่ใช่แค่อัตราการลดการฉ้อโกงเพียงอย่างเดียว โมเดลที่ลดการฉ้อโกงได้ 40% แต่มีอัตราผลบวกลวง 5% อาจทำให้คุณสูญเสียรายรับ
  
• ขอให้มีการแสดงอินเทอร์เฟซการเขียนกฎเป็นภาษาอังกฤษแบบเข้าใจง่ายให้ดูแบบใช้งานจริง ผู้ใช้ที่ไม่มีความรู้ทางเทคนิคควรจะเขียนและจำลองกฎใหม่ในการสาธิตได้โดยไม่ต้องมีความช่วยเหลือ
  
• ขอให้ผู้จำหน่ายสาธิต Shadow Mode รันกฎใหม่กับข้อมูลย้อนหลัง และแสดงผลกระทบที่คาดการณ์ไว้ก่อนที่จะใช้งานจริง สิ่งนี้คือเวิร์กโฟลว์หลักสำหรับทีมจัดการความเสี่ยง
  
• สอบถามว่ารายการบล็อกและรายการที่อนุญาตสามารถรวมช่องข้อมูลธุรกิจแบบกำหนดเองได้หรือไม่ ผู้จำหน่ายที่รองรับเฉพาะแอตทริบิวต์ของธุรกรรมมาตรฐานจะมีขีดจำกัดอย่างรวดเร็ว
  
• สำหรับข้อพิพาท ให้สอบถามว่าการผสานการทำงานกับ Verifi และ Ethoca เป็นแบบเนทีฟหรือต้องใช้สัญญาของบุคคลที่สามแยกต่างหาก การผสานการทำงานแบบเนทีฟมีความสำคัญต่อความเร็วในการแทรกแซง
  
• ขอให้มีการแสดงการแจ้งเตือนการโจมตีเพื่อการฉ้อโกงแบบเรียลไทม์จากการทำงานจริง การแจ้งเตือนมีลักษณะอย่างไร แสดงขึ้นเร็วเพียงใด และคำแนะนำในการบรรเทาผลกระทบระบุไว้ว่าอย่างไร
  
• การสาธิตการค้าแบบใช้เอเจนต์เป็นข้อกำหนดที่จำเป็น ผู้จำหน่ายรายใดที่ไม่สามารถแสดงการตรวจจับการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยเอเจนต์ AI ในแซนด์บ็อกซ์ในปัจจุบันถือว่ายังไม่พร้อม
  
• ขอข้อมูลระยะเวลาให้บริการย้อนหลัง 12 เดือน และประวัติการตรวจสอบ PCI ฉบับเต็ม SLA และสถานะการรับรองในปัจจุบันยังไม่เพียงพอ
  

ส่วน F: การนำไปใช้และการสนับสนุน

การเปิดใช้งานการป้องกันการฉ้อโกงบนแพลตฟอร์มที่ใช้งานจริงมีความเสี่ยง กฎที่กำหนดค่าไว้ไม่ถูกต้องหรือเกณฑ์จำกัดโมเดลที่รัดกุมเกินไปอาจปิดกั้นรายรับที่ถูกต้องได้ ส่วนนี้จะพิจารณาว่าผู้จำหน่ายมีวิธีการและประสบการณ์ในการจัดการความเสี่ยงนั้นหรือไม่

F.1 แนวทางการปรับใช้

ผู้จำหน่ายต้องอธิบายดังนี้

• ระยะเวลาที่บันทึกไว้สำหรับสัญญาณการฉ้อโกงแรกสำหรับธุรกิจที่มีปริมาณธุรกรรมใกล้เคียงกันพร้อมตัวอย่างเฉพาะเจาะจง ไม่ใช่เป็นช่วง ซึ่งเกณฑ์มาตรฐานสำหรับการตั้งค่าแบบไม่ต้องเขียนโค้ดคือการเปิดใช้งานภายในวันเดียวกัน

• วิธีที่พวกเขาเข้าถึงการปรับเทียบโมเดลในเบื้องต้น ซึ่งเป็นกระบวนการกำหนดเกณฑ์จำกัดที่จะรักษาสมดุลระหว่างการลดการฉ้อโกงและอัตราผลบวกที่ผิดพลาดสำหรับส่วนผสมของธุรกรรมที่เฉพาะเจาะจงของคุณ

• กระบวนการสำหรับการทำงานแบบขนาน ซึ่งก็คือการทดสอบแพลตฟอร์มใหม่กับการเข้าชมที่ใช้งานจริงก่อนการปรับใช้เต็มรูปแบบ เพื่อให้คุณสามารถตรวจสอบประสิทธิภาพก่อนที่จะปิดใช้งานการควบคุมที่มีอยู่ได้

• วิธีที่พวกเขาจัดการกับการย้ายข้อมูลกฎ หากคุณนำกฎที่กำหนดเองที่มีอยู่จากแพลตฟอร์มอื่นมาใช้

F.2 การจัดหาทรัพยากรและการกำกับดูแล

ผู้จำหน่ายควรให้ข้อมูลต่อไปนี้

• ผู้จัดการบัญชีและผู้เชี่ยวชาญด้านการฉ้อโกงที่ระบุชื่อและได้รับมอบหมายให้ดูแลงานนี้

• ลำดับชั้นการยกระดับปัญหาและจังหวะการตัดสินใจในระหว่างการปรับใช้

• ทีมปรับใช้เป็นทีมเดียวกับที่จัดการเรื่องการสนับสนุนหลังเปิดตัวหรือไม่ ซึ่งการส่งมอบงานมักเป็นจุดที่คุณภาพบริการลดลง

F.3 การฝึกอบรมและเอกสารประกอบ

ผู้จำหน่ายควรระบุข้อมูลต่อไปนี้

• การฝึกอบรมที่มีให้สำหรับทีมความเสี่ยง ทีมวิศวกรรม ทีมการเงิน และทีมปฏิบัติการ

• คุณภาพและความทันสมัยของเอกสารประกอบ โดยแพลตฟอร์มชั้นนำจะรักษาเอกสารประกอบที่นักวิเคราะห์ความเสี่ยงชื่นชอบมากกว่าการถามคำถามกับทีมสนับสนุน

• วิธีการอัปเดตเอกสารประกอบเมื่อโมเดลและผลิตภัณฑ์มีความสามารถในการตรวจจับการฉ้อโกงใหม่ๆ

F.4 โมเดลการสนับสนุนและ SLA

ผู้จำหน่ายต้องระบุข้อมูลต่อไปนี้

• ระดับการสนับสนุนและสิ่งที่รวมอยู่ด้วย เช่น ผลบวกที่ผิดพลาดที่พุ่งสูงหรือโมเดลที่เสื่อมสภาพในเวลา 2:00 น. ถือเป็นเหตุการณ์ความรุนแรงระดับ 1 ที่ต้องตอบสนองทันที

• SLA เวลาตอบสนองตามความรุนแรง พร้อมข้อผูกมัดตามสัญญา

• วิธีการแจ้งเตือนลูกค้าในระหว่างเหตุการณ์ของโมเดลการฉ้อโกงหรือเหตุการณ์เสื่อมสภาพ และสิ่งที่ได้รับจากการตรวจสอบหลังเหตุการณ์

• ข้อมูลเวลาตอบสนองของเหตุการณ์ความรุนแรงระดับ 1 ในอดีต ไม่ใช่แค่ SLA

F.5 การปรับปรุงอย่างต่อเนื่อง

อธิบายอย่างเจาะจงว่าแพลตฟอร์มของคุณใช้ ML และการวิเคราะห์การผลิตเพื่อปรับปรุงผลลัพธ์การฉ้อโกงเมื่อเวลาผ่านไปอย่างไร ระบุตัวอย่างพร้อมเมตริกการผลิต เช่น การปรับปรุงด้านการลดการฉ้อโกงที่ส่งมอบให้กับลูกค้าเดิมในระยะเวลา 12 เดือน การเปลี่ยนแปลงของอัตราผลบวกที่ผิดพลาด และการปรับปรุงอัตราการโต้แย้งการชำระเงิน

F.6 การรับรองจากผู้จำหน่าย

ฉันขอรับรองว่ารายละเอียดการปรับใช้และการสนับสนุนทั้งหมดมีความถูกต้อง ณ วันที่ส่ง และสะท้อนให้เห็นถึงแนวปฏิบัติในการผลิตในปัจจุบัน

ตัวแทนที่ได้รับมอบอำนาจ: ________________________

ตำแหน่ง: ________________________

วันที่: _______

⚑ หมายเหตุผู้ประเมิน—ลบก่อนส่งไปยังผู้จำหน่าย

• ขอตัวอย่างการปรับใช้เฉพาะเจาะจงจากธุรกิจที่ใกล้เคียงกัน (เช่น ปริมาณธุรกรรม อัตราการฉ้อโกง ณ เวลานั้น จำนวนตลาด) ไม่รับข้อมูลที่เป็นช่วง
  
• ถามเกี่ยวกับกระบวนการปรับเทียบเกณฑ์จำกัดเป็นการเฉพาะ ผู้จำหน่ายที่กำหนดเกณฑ์จำกัดทั่วโลกเพียงระดับเดียวแล้วปล่อยผ่าน จะไม่ถือว่าโปรไฟล์การฉ้อโกงของคุณเป็นกรณีเฉพาะ
  
• ขอข้อมูลเวลาตอบสนองตามจริงของเหตุการณ์ความรุนแรงระดับ 1 จากช่วง 12 เดือนที่ผ่านมา
  
• ถามว่าทีมปรับใช้เป็นทีมเดียวกับที่จัดการการสนับสนุนหลังเปิดตัวหรือไม่
  
• ถามว่าเวกเตอร์การฉ้อโกงใหม่ (ซึ่งเป็นเวกเตอร์ที่ธุรกิจของคุณไม่เคยพบมาก่อน) จะรวมเข้ากับโมเดลได้เร็วเพียงใดหลังจากตรวจพบ
  

ส่วน G: รายการเชิงพาณิชย์

ราคาสำหรับการป้องกันการฉ้อโกงจะแตกต่างกันไปอย่างมากตามผู้จำหน่ายและโมเดล บางรายเรียกเก็บเงินต่อธุรกรรม บางรายตามผลการลดการฉ้อโกง และบางรายตามระดับ ให้กำหนดมาตรฐานในการเปิดเผยข้อมูลเพื่อให้คุณเปรียบเทียบความคุ้มค่าได้อย่างแท้จริง

G.1 ภาพรวมเกี่ยวกับโครงสร้างค่าบริการ

ผู้จำหน่ายต้องระบุข้อมูลดังต่อไปนี้

• ราคาแบบแยกรายการสำหรับทุกองค์ประกอบ (การป้องกันการฉ้อโกงพื้นฐาน, สิทธิ์เข้าถึงกฎที่กำหนดเอง, การป้องกันการละเมิดขั้นสูง, เครื่องมือจัดการการโต้แย้งการชำระเงิน, สิทธิ์เข้าถึง API และส่วนเสริม)

• คำอธิบายที่ชี้แจงสมมติฐานในการกำหนดราคา (ปริมาณธุรกรรม, มูลค่าเฉลี่ยของคำสั่งซื้อ, อัตราการฉ้อโกง และสัดส่วนวิธีการชำระเงิน)

• การระบุอย่างชัดเจนถึงข้อผูกมัดขั้นต่ำรายเดือนหรือเกณฑ์ปริมาณที่ส่งผลต่อราคา

• ตัวเลขทั้งหมดเป็นสกุลเงินดอลลาร์สหรัฐ รวมถึงตรรกะการแปลงหากเสนอราคาเป็นสกุลเงินอื่น

G.2 องค์ประกอบของค่าบริการ

G.3 ความอ่อนไหวต่อปริมาณ

ระบุค่าใช้จ่ายรวมโดยประมาณสำหรับปริมาณธุรกรรมดังต่อไปนี้

G.4 ข้อกำหนดของสัญญา

• ระยะเวลาของสัญญาที่ใช้ได้และสิทธิประโยชน์ในการกำหนดราคาของแต่ละสัญญา

• การกำหนดราคาจะลดลงโดยอัตโนมัติเมื่อปริมาณลดลงหรือไม่

• ข้อพิจารณาในการยกเลิกสัญญาและการย้ายข้อมูล—วิธีส่งคืนสัญญาณการฉ้อโกง การกำหนดค่ากฎ และข้อมูลในอดีต ในรูปแบบใด และตามลำดับเวลาใด

• ข้อกำหนดการใช้จ่ายขั้นต่ำ

G.5 สมมติฐานและเงื่อนไขที่เกี่ยวข้อง

ระบุสมมติฐานเชิงพาณิชย์ทั้งหมดที่สนับสนุนการกำหนดราคาของคุณ สมมติฐานที่ไม่ได้ระบุไว้ซึ่งพบหลังจากการทำสัญญาอาจถือเป็นการแถลงข้อความเท็จอันเป็นสาระสำคัญ

G.6 การรับรองของผู้ให้บริการ

ข้าพเจ้าขอรับรองว่าข้อมูลการกำหนดราคาและเชิงพาณิชย์ทั้งหมดครบถ้วนและถูกต้อง ณ วันที่ส่ง

ตัวแทนผู้มีอำนาจ: ________________________

วันที่: _______

⚑ หมายเหตุสำหรับผู้ประเมิน—ลบออกก่อนส่งให้ผู้จัดจำหน่าย

• กระทบยอดคำอธิบายเทียบกับแผ่นงาน Excel ความคลาดเคลื่อนคือสัญญาณอย่างหนึ่ง
  
• การกำหนดราคาการป้องกันการฉ้อโกงมักจะซ่อนค่าใช้จ่ายของกฎที่กำหนดเองและการป้องกันการละเมิดขั้นสูงไว้ในระดับที่สูงกว่า จำลองต้นทุนรวมที่เวิร์กโฟลว์ของทีมต่อต้านการฉ้อโกง ไม่ใช่แค่ระดับพื้นฐาน
  
• ถามว่าการกำหนดราคาจะเปลี่ยนไปอย่างไรหากอัตราการฉ้อโกงของคุณดีขึ้น บางโมเดลลงโทษความสำเร็จโดยลดมูลค่าที่เห็นได้ชัดของผลิตภัณฑ์เมื่ออัตราการฉ้อโกงลดลง
  
• การย้ายข้อมูลมักจะเป็นกลไกการล็อกอินที่แท้จริง ประเมินข้อกำหนดในการยกเลิกก่อนที่คุณจะเซ็นสัญญา ไม่ใช่หลังจากนั้น
  
• ขอให้ผู้จัดจำหน่ายจำลองต้นทุนรวมที่ 10 เท่าของปริมาณธุรกรรมปัจจุบันของคุณ เส้นโค้งการกำหนดราคาเมื่อมีการเติบโตมีความสำคัญเท่ากับอัตราของวันนี้
  

ส่วน H: โปรไฟล์ผู้ให้บริการ

พาร์ทเนอร์ด้านโครงสร้างพื้นฐานการป้องกันการฉ้อโกงของคุณจะอยู่ในเส้นทางข้อมูลของทุกธุรกรรม ทำความเข้าใจบริษัทโดยรวม ทั้งสถานะทางการเงิน ความลึกในการพัฒนา AI อัตราการปรับปรุง และประวัติผลงานกับธุรกิจที่มีลักษณะคล้ายกับธุรกิจของคุณ

H.1 ภาพรวมของบริษัท

ให้สรุปประวัติ ภารกิจ และตำแหน่งทางการตลาดของคุณความยาว 2-3 ย่อหน้า มุ่งเน้นไปที่ประสบการณ์ของคุณกับธุรกิจใน [อุตสาหกรรมหรือกลุ่มของคุณ (เช่น อีคอมเมิร์ซ SaaS มาร์เก็ตเพลส บริษัท AI แพลตฟอร์ม)] อธิบายประวัติการรักษาคุณภาพการตรวจจับในขณะที่รูปแบบการฉ้อโกงได้พัฒนาขึ้น และประวัติของคุณในการจัดเตรียมความสามารถในการป้องกันการฉ้อโกงก่อนที่จะเกิดภัยคุกคาม

H.2 ฐานลูกค้าและประวัติการทำงาน

ระบุข้อมูลเฉพาะเกี่ยวกับฐานลูกค้าของคุณ:

• จำนวนธุรกิจที่ใช้โครงสร้างพื้นฐานการป้องกันการฉ้อโกงของคุณ

• ปริมาณธุรกรรมรวมที่ได้รับการปกป้องต่อปี

• อุตสาหกรรมและโมเดลธุรกิจที่เป็นตัวแทนในฐานลูกค้าของคุณ

• ส่วนแบ่งของธุรกิจในเซกเมนต์เป้าหมาย (เช่น อีคอมเมิร์ซ SaaS แพลตฟอร์ม) ที่คุณให้ความคุ้มครอง

• การลดการฉ้อโกงรวมที่บันทึกไว้ในฐานลูกค้าของคุณ (เกณฑ์มาตรฐานคือการลดการฉ้อโกงโดยเฉลี่ย 32%)

H.3 เสถียรภาพทางการเงิน

จัดทำงบการเงินที่ตรวจสอบแล้วหรือหลักฐานแสดงความสามารถในการชำระหนี้ที่เทียบเท่ากัน บริษัทเอกชนควรให้หนังสือของ CFO ที่รับรองสภาพคล่อง อธิบายโครงสร้างเงินทุนของคุณ

H.4 การรับรองและการปฏิบัติตามข้อกำหนด

H.5 การรับรองจากนักวิเคราะห์

ระบุการรับรองจากนักวิเคราะห์อิสระที่เกี่ยวข้องกับการป้องกันการฉ้อโกงและความปลอดภัยในการชำระเงิน เกณฑ์มาตรฐานปัจจุบันสำหรับผู้ให้บริการป้องกันการฉ้อโกงชั้นนำคือการได้รับการยอมรับในฐานะผู้นำในหมวดหมู่การชำระเงินและการป้องกันการฉ้อโกง 50% ของบริษัทที่ติดอันดับ Fortune 100 ไว้วางใจ AI ของ Stripe Radar ให้อธิบายว่าแพลตฟอร์มของคุณอยู่ในตำแหน่งใดเมื่อเทียบกับเกณฑ์มาตรฐานดังกล่าว

H.6 อัตราการปรับปรุงพัฒนา

อธิบายระยะเวลาการปล่อยผลิตภัณฑ์ของคุณในช่วง 12 เดือนที่ผ่านมา รวมถึงจำนวนการอัปเดตที่ส่งมอบและฟีเจอร์หลักที่เปิดตัวเกี่ยวกับการตรวจจับการฉ้อโกงด้วย AI, การป้องกันการละเมิด และการป้องกันการค้าแบบใช้เอเจนต์ เกณฑ์มาตรฐานปัจจุบันสำหรับแพลตฟอร์มชั้นนำคือการอัปเดตผลิตภัณฑ์มากกว่า 200 รายการต่อปี อธิบายว่าแผนงานของคุณสำหรับช่วง 12–18 เดือนข้างหน้าจะยังคงลงทุนในความสามารถที่สำคัญสำหรับ [กลุ่มของคุณ] อย่างไร

H.7 คำยืนยันความถูกต้องของผู้จำหน่าย

ข้าพเจ้าขอรับรองว่าข้อมูลทั้งหมดในส่วน H นั้นถูกต้อง ณ วันที่ส่งเอกสาร และ [ผู้จำหน่าย] มีความสามารถทางการเงิน เทคนิค และการปฏิบัติงานเพื่อให้บริการตามที่อธิบายไว้

ตัวแทนผู้มีอำนาจ: ________________________

วันที่: _______

ส่วน I: บุคคลอ้างอิง

ข้อมูลอ้างอิงจากธุรกิจที่ใกล้เคียงกันมีคุณค่ามากกว่าการสาธิตใดๆ ให้ความสำคัญกับข้อมูลอ้างอิงที่ตรงกับโมเดลธุรกิจ, สัดส่วนธุรกรรม และพื้นที่ปฏิบัติงานของคุณ ผู้จำหน่ายที่ปกป้องธุรกิจที่มีโปรไฟล์การฉ้อโกงคล้ายคลึงกับของคุณควรมีข้อมูลอ้างอิงที่สามารถยืนยันผลลัพธ์ที่เกิดขึ้นจริงได้

I.1 ข้อกำหนดของบุคคลอ้างอิง

ผู้จำหน่ายต้องให้ข้อมูลอ้างอิงอย่างน้อย 3 รายการที่ตรงตามเกณฑ์ดังต่อไปนี้

• โมเดลธุรกิจที่ใกล้เคียงกับ [บริษัทของคุณ]—อุตสาหกรรมหรือประเภทธุรกรรมเดียวกัน

• ปริมาณธุรกรรมหรืออัตราการฉ้อโกงที่ใกล้เคียงกันในเวลาที่เริ่มใช้งาน

• ข้อมูลอ้างอิงอย่างน้อย 1 รายการที่ใช้ฟีเจอร์ขั้นสูง เช่น กฎที่กำหนดเอง, การป้องกันการละเมิด หรือการจัดการการโต้แย้งการชำระเงิน

• ลูกค้าที่ใช้งานจริงในระบบการผลิตเป็นเวลาอย่างน้อย 12 เดือน

I.2 ตารางบุคคลอ้างอิง

I.3 การสรุปผลจากบุคคลอ้างอิง

สำหรับแต่ละข้อมูลอ้างอิง โปรดระบุผลลัพธ์ที่มีการบันทึกไว้ ได้แก่ เปอร์เซ็นต์การลดการฉ้อโกง, อัตราผลบวกลวง, การปรับปรุงอัตราการโต้แย้งการชำระเงิน, ความแม่นยำในการป้องกันการละเมิด หรือประสิทธิภาพการดำเนินงานที่เพิ่มขึ้น โดยระบุตัวเลขที่เฉพาะเจาะจง ไม่ใช่ช่วงตัวเลข

I.4 การตรวจสอบความถูกต้องของบุคคลอ้างอิง

ข้าพเจ้ายืนยันว่าไคลเอ็นต์แต่ละรายยินยอมที่จะเป็นผู้ให้ข้อมูลอ้างอิงและข้อมูลทั้งหมดมีความถูกต้อง [บริษัทของคุณ] ขอสงวนสิทธิ์ในการติดต่อผู้ให้ข้อมูลอ้างอิงโดยตรง

ตัวแทนผู้มีอำนาจ: ________________________

วันที่: _______

⚑ หมายเหตุสำหรับผู้ประเมิน—ลบออกก่อนส่งให้ผู้จำหน่าย

• โทรติดต่อผู้ให้ข้อมูลอ้างอิงอย่างน้อย 2 รายทางโทรศัพท์ บทสรุปที่เป็นลายลักษณ์อักษรจะได้รับการคัดเลือกโดยผู้จำหน่าย
  
• ถามผู้ให้ข้อมูลอ้างอิงโดยเฉพาะเจาะจงว่าเปอร์เซ็นต์การลดการฉ้อโกงและอัตราผลบวกลวงในข้อเสนอตรงกับสิ่งที่พวกเขาพบในการใช้งานจริงหรือไม่
  
• ถามเกี่ยวกับประสบการณ์การใช้งานและกระบวนการปรับเทียบเกณฑ์ ไม่ใช่แค่การทำงานของแพลตฟอร์มในสถานะคงที่เท่านั้น
  
• ถามว่าโมเดลของผู้จำหน่ายปรับตัวให้เข้ากับช่องทางการฉ้อโกงใหม่ที่ผู้ให้ข้อมูลอ้างอิงพบหลังจากเปิดตัวหรือไม่และดำเนินการได้รวดเร็วเพียงใด
  
• ระบุข้อมูลอ้างอิงจากโมเดลธุรกิจที่ไม่สามารถเปรียบเทียบได้ ข้อมูลอ้างอิงจากธุรกิจค้าปลีกที่มีหน้าร้านบอกประสิทธิภาพการป้องกันการฉ้อโกงทางดิจิทัลได้น้อยมาก
  

ส่วน J: ภาคผนวก

รายการตรวจสอบสำหรับข้อมูลที่ส่ง (สำหรับผู้ให้บริการ)

แนบเป็นหน้าแรกในแพ็กเก็ตการตอบกลับของคุณ ข้อมูลที่ส่งมาไม่ครบถ้วนอาจไม่ได้รับการพิจารณา

J.2 อภิธานศัพท์

J.3 เมทริกซ์การให้คะแนนการประเมิน (ใช้เป็นการภายใน)

J.4 รายการตรวจสอบข้อกำหนดสำหรับการอ้างอิงอย่างรวดเร็ว

สำหรับการประเมินตนเองของผู้จำหน่ายก่อนการส่งข้อมูล

คุณภาพของโมเดล AI และชุดข้อมูล

• มีการอธิบายการใช้ข้อมูลสำหรับการฝึกโมเดล AI โดยใช้คำที่เฉพาะเจาะจง ได้แก่ ปริมาณ ภูมิศาสตร์ ผู้ออกบัตร และวิธีการชำระเงิน

• เอกสารแสดงการลดการฉ้อโกงจากการดำเนินงานจริง โดยมีค่าเกณฑ์มาตรฐานเฉลี่ยที่ 32%

• คะแนนความเสี่ยงแบบละเอียด (0–99) พร้อมคำอธิบายระดับสัญญาณต่อธุรกรรมแต่ละรายการ

• การให้คะแนนการฉ้อโกงต่อธุรกรรมพร้อมอัตราผลบวกลวงที่ระบุไว้ในเอกสาร

• ความถี่ในการอัปเดตโมเดล (ไม่ว่าจะเป็นแบบต่อเนื่องหรือเป็นระยะ) รวมถึงลำดับเวลาในการรวมเวกเตอร์ใหม่ๆ เข้ามา

• ข้อมูลเชิงลึกระดับเครือข่ายสำหรับการขยายธุรกิจ

• รองรับผู้ประมวลผลหลายราย โดยมีคะแนนความเสี่ยงสำหรับการชำระเงินที่ประมวลผลจากภายนอก

• คะแนนความเสี่ยงก่อนการกันวงเงินเพื่อประกอบการตัดสินใจกำหนดเส้นทางการชำระเงิน

• การคัดกรองที่ยืดหยุ่นในหลายจุดของขั้นตอนการชำระเงิน

การป้องกันการฉ้อโกงสำหรับธุรกรรม

• การให้คะแนนการฉ้อโกงแบบเรียลไทม์ โดยระบุเอกสารเวลาในการตอบสนองที่ p50, p95 และ p99

• กำหนดค่าเกณฑ์การบล็อกได้ โดยไม่ต้องเขียนโค้ด

• 3DS และการตรวจสอบสิทธิ์ลูกค้าแบบรัดกุม (SCA) แบบไดนามิก ซึ่งจะนำไปใช้กับธุรกรรมที่มีความเสี่ยงสูงเท่านั้น ไม่ใช่ทั้งหมด

• ความครอบคลุมทั้งบัตร, ACH, SEPA, วอลเล็ต, ซื้อตอนนี้ จ่ายทีหลัง และสเตเบิลคอยน์

• การตรวจจับการทดสอบบัตร ซึ่งเกณฑ์มาตรฐานการปรับปรุงคือการเพิ่มอัตราการตรวจจับจาก 59% เป็น 97%

• ความสามารถในการพกพา PAN รายการบล็อกและอนุญาต รวมถึงประวัติการฉ้อโกงสามารถโอนย้ายข้ามผู้ประมวลผลได้

• การตรวจจับการฉ้อโกงข้ามพรมแดน

การป้องกันการฉ้อโกงสำหรับบัญชี

• การให้คะแนนการฉ้อโกงระดับบัญชีในกระบวนการเริ่มต้นใช้งานพร้อมอัตราผลบวกลวงที่ระบุในเอกสาร

• การตรวจสอบโปรแกรมบัญชีอย่างต่อเนื่องหลังจากการเปิดใช้งาน

• การยืนยันตัวตนขั้นสูงสำหรับบัญชีที่อยู่ก้ำกึ่ง (ไม่ได้ฟันธงว่ามีการฉ้อโกง)

• มุมมองบัญชีที่ถูกติดธง โดยเป็นรายการบัญชีที่น่าสงสัยแบบเรียลไทม์

• การแจ้งเตือนแบบเรียลไทม์เกี่ยวกับการฉ้อโกงของผู้ค้าระดับแพลตฟอร์ม

• การดำเนินการกับบัญชีแบบอัตโนมัติ ไม่ว่าจะเป็นเงินสำรอง ข้อจำกัดการเบิกจ่าย และการบล็อก

• บล็อกบัญชีที่เชื่อมต่อที่มีการฉ้อโกงไปแล้วกว่า 3.5 ล้านบัญชีต่อปี (ต้องมีเมตริกเทียบเท่า)

• ลดความเสี่ยงต่อการฉ้อโกงลง 5.3 เท่า (ต้องมีเมตริกเทียบเท่า)

การป้องกันการละเมิด

• การป้องกันการละเมิดช่วงทดลองใช้งานฟรี โดยมีเกณฑ์มาตรฐานคือความแม่นยำที่ 90%

• บล็อกการทดลองใช้งานที่มีความเสี่ยงสูง 715,000 รายการ และป้องกันความสูญเสียไป 6 ล้านดอลลาร์สหรัฐในเวลาสองเดือน (ต้องมีข้อมูลเทียบเท่า)

• ตรวจจับเวกเตอร์การละเมิดใหม่ๆ ได้ดีขึ้น 6.2 เท่า (ต้องมีข้อมูลเทียบเท่า)

• การป้องกันการละเมิดแบบจ่ายตามการใช้งานจริง

• การครอบคลุมเรื่องการละเมิดในวงจรชีวิตลูกค้า

การจัดการการโต้แย้งการชำระเงิน

• ส่งหลักฐานโดยอัตโนมัติตามประเภทการโต้แย้งการชำระเงิน

• โอกาสในอัตราการชนะต่อการโต้แย้งการชำระเงินของบุคคลทั่วไปแต่ละรายการ

• คำแนะนำเกี่ยวกับหลักฐานต่อการโต้แย้งการชำระเงินของบุคคลทั่วไปแต่ละรายการ

• Smart Refunds หรือการคืนเงินเชิงรุกก่อนเกิดการดึงเงินคืน

• การแจ้งเตือนการฉ้อโกงล่วงหน้าจากผู้ออกบัตรก่อนการดึงเงินคืนอย่างเป็นทางการ

• การผสานการทำงานดั้งเดิมกับ Verifi และ Ethoca

• การติดตามและวิเคราะห์ข้อมูลอัตราการชนะของการโต้แย้งการชำระเงิน

• สถานะใน VAMP และโปรแกรมการตรวจสอบในแดชบอร์ด

กฎที่กำหนดเองและเครื่องมือสำหรับทีมพิจารณาความเสี่ยง

• การสร้างกฎแบบไม่ต้องเขียนโค้ดในการผลิตวันนี้

• การเขียนกฎด้วยภาษาธรรมดาสำหรับผู้ใช้ที่ไม่ใช่สายเทคนิค

• รายการที่บล็อกและอนุญาต — ที่อยู่ IP, อีเมล, BIN ของบัตร, ลายนิ้วมืออุปกรณ์

• ข้อเสนอแนะเกี่ยวกับกฎตามตัวบ่งชี้การฉ้อโกงอันดับต้นๆ ของคุณ

• Shadow mode หรือการจำลองสถานการณ์สมมติเทียบกับข้อมูลในอดีต

• ข้อมูลธุรกิจแบบ Custom ในกฎ (เช่น loyalty_tier, product_category)

• ข้อมูลวิเคราะห์ประสิทธิภาพของกฎแบบเรียลไทม์

• เกณฑ์ที่กำหนดค่าได้ตามจำนวนเงิน, ภูมิภาค, ประเภทบัญชี หรือวิธีการชำระเงิน

• คิวการตรวจสอบด้วยตนเองที่มีเครื่องมือเวิร์กโฟลว์

ข้อมูลวิเคราะห์และการรายงาน

• แดชบอร์ดแบบรวม — ดูการฉ้อโกง การชำระเงิน และการโต้แย้งการชำระเงินได้ในมุมมองเดียว

• อัปเดตแดชบอร์ดแบบเรียลไทม์ — ไม่ล่าช้า

• ตรวจสอบเป็นรายธุรกรรมพร้อมรายละเอียดคะแนนความเสี่ยงและสัญญาณ

• การแจ้งเตือนการโจมตีโดยการฉ้อโกงแบบเรียลไทม์พร้อมคำแนะนำในการบรรเทาผลกระทบ

• เครื่องมือสืบสวนรูปแบบการฉ้อโกง

• สถานะของโปรแกรมการตรวจสอบแบบเรียลไทม์

• การซิงค์คลังข้อมูล (เช่น Snowflake, BigQuery, Redshift)

• การกรองข้อมูลวิเคราะห์ต่อผู้ประมวลผล

• การจัดการการโต้แย้งการชำระเงินด้วยโปรแกรมผ่าน API ที่มี Webhook

ความครอบคลุมของ Agentic และภัยคุกคามเกิดใหม่

• การให้คะแนนการฉ้อโกงในธุรกรรมที่เริ่มต้นโดยตัวแทน AI — สาธิตในแซนด์บ็อกซ์

• การตรวจจับความผิดปกติสำหรับพฤติกรรมของตัวแทน

• ความครอบคลุมการละเมิดโดยบุคคลที่หนึ่งสำหรับโมเดลธุรกิจแบบ AI-native

• อัปเดตผลิตภัณฑ์มากกว่า 200 รายการต่อปี — มีหลักฐานการปรับปรุงเป็นระยะ

สถาปัตยกรรมของแพลตฟอร์มและ API

• การตั้งค่าแบบไม่ต้องเขียนโค้ด — เปิดใช้งานภายในวันเดียวกัน

• ความหน่วง API ระดับ p99 — ต้องมีตัวเลขในเวอร์ชันใช้งานจริง

• ระยะเวลาให้บริการ 99.999%+ — ข้อมูลในอดีต 12 เดือน

• อัตราความสำเร็จในการตรวจสอบ PCI 100% — ประวัติแบบเต็ม

• แซนด์บ็อกซ์เต็มรูปแบบที่เทียบเท่าการผลิต รวมถึงโฟลว์แบบ Agentic

• กฎและการกำหนดค่าเกณฑ์แบบไม่ต้องเขียนโค้ด

การรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนด

• PCI DSS v4.0 (มีผล มีนาคม 2024) — อัตราความสำเร็จในการตรวจสอบ 100%

• SOC 2 ประเภท 2

• GDPR และ CCPA

• ได้รับความไว้วางใจจาก 50% ของบริษัทที่อยู่ในทำเนียบ Fortune 100

J.5 ใบรับรองข้อมูลที่ส่งของผู้ให้บริการ

ข้าพเจ้าขอรับรองว่าเอกสารที่ส่งมานี้ครบถ้วนสมบูรณ์ และข้อมูลทั้งหมดที่ให้มานั้นถูกต้องตามความรู้ของข้าพเจ้า [บริษัทของคุณ] ขอสงวนสิทธิ์ในการตรวจสอบการกล่าวอ้างใดๆ ที่ระบุไว้ในการตอบกลับนี้

ชื่อบริษัท: ________________________

ตัวแทนที่ได้รับมอบอำนาจ: ________________________

ตำแหน่ง: ________________________

ลายเซ็น: ________________________

วันที่: ________

Stripe Radar ช่วยอะไรได้บ้าง

Stripe Radar ใช้โมเดล AI ในการตรวจจับและป้องกันการฉ้อโกง โดยฝึกด้วยข้อมูลจากเครือข่ายทั่วโลกของ Stripe ซึ่งโมเดลเหล่านี้จะได้รับการอัปเดตอย่างต่อเนื่องตามแนวโน้มการฉ้อโกงล่าสุด เพื่อปกป้องธุรกิจของคุณเมื่อการฉ้อโกงพัฒนา

Stripe ยังมี Radar for Fraud Teams ซึ่งช่วยให้ผู้ใช้เพิ่มกฎที่กำหนดเองเพื่อจัดการกับสถานการณ์การฉ้อโกงเฉพาะสำหรับธุรกิจของตนและเข้าถึงข้อมูลเชิงลึกเกี่ยวกับการฉ้อโกงที่ล้ำสมัย

Radar สามารถช่วยธุรกิจของคุณได้ดังนี้

• ป้องกันการสูญเสียจากการฉ้อโกง: Stripe ประมวลผลการชำระเงินมากกว่า 1 ล้านล้านดอลลาร์ต่อปี ปริมาณที่มากเช่นนี้ช่วยให้ Radar ตรวจจับและป้องกันการฉ้อโกงได้อย่างแม่นยำ ซึ่งช่วยประหยัดเงินให้คุณ

• เพิ่มรายรับ: โมเดล AI ของ Radar ได้รับการฝึกฝนจากข้อมูลการโต้แย้งการชำระเงินที่เกิดขึ้นจริง ข้อมูลลูกค้า ข้อมูลการเรียกดู และอื่นๆ ซึ่งทำให้ Radar สามารถค้นหาธุรกรรมที่มีความเสี่ยงและลดการตรวจพบที่ผิดพลาดได้ ซึ่งส่งผลให้คุณมีรายรับเพิ่มขึ้น

• ประหยัดเวลา: Stripe มี Radar ในตัวและไม่ต้องใช้โค้ดในการตั้งค่า คุณยังติดตามตรวจสอบประสิทธิภาพในการจัดการการฉ้อโกง เขียนกฎ และอื่นๆ อีกมากมายได้ในแพลตฟอร์มเดียว ซึ่งจะช่วยเพิ่มประสิทธิภาพ

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Stripe Radar หรือเริ่มใช้งานเลยวันนี้