การฉ้อโกงการชำระเงินหมายถึงกลยุทธ์การหลอกลวงหรือการทำโดยไม่ได้รับอนุญาตที่ใช้เพื่อขโมยสินค้าหรือบริการระหว่างกระบวนการทำธุรกรรม การตรวจจับจะต้องเกิดขึ้นก่อนการยืนยันคำสั่งซื้อ ซึ่งหมายความว่าจะต้องประเมินความเสี่ยงแบบเรียลไทม์ด้วยข้อมูลที่ไม่สมบูรณ์

การสูญเสียจากการฉ้อโกงบัตรทั่วโลกมีมูลค่ารวม 33.41 พันล้านดอลลาร์สหรัฐในปี 2024 ซึ่งแสดงให้เห็นถึงความจำเป็นของระบบการป้องกันการฉ้อโกง ด้านล่างนี้ เราจะพูดถึงหลักการทำงานของการฉ้อโกงการชำระเงิน วิธีที่ระบบการให้คะแนนการฉ้อโกงประเมินความเสี่ยงเมื่อชำระเงิน และวิธีผสานการทำงานของการตรวจจับเข้ากับขั้นตอนการชำระเงินโดยไม่ลดคอนเวอร์ชันของคุณ

ประเด็นสำคัญ

• การฉ้อโกงการชำระเงินมีเป้าหมายที่ช่วงเวลาในการทำธุรกรรมโดยเฉพาะ การประเมินคะแนนความเสี่ยงแบบเรียลไทม์ก่อนการอนุมัติจึงถือเป็นแนวป้องกันที่มีประสิทธิภาพ

• เครื่องมือจัดการกฎเกณฑ์และโมเดลแมชชีนเลิร์นนิงจะทำงานได้ดีที่สุดเมื่อใช้ร่วมกัน โดยกฎจะใช้เพื่อจับรูปแบบการฉ้อโกงที่รู้จักอยู่แล้ว และโมเดลจะใช้เพื่อระบุรูปแบบใหม่ๆ

• การปรับเทียบปัญหาในการใช้งาน ซึ่งก็คือการประยุกต์ใช้ขั้นตอนการยืนยันตัวตนเฉพาะจุดที่มีสัญญาณความเสี่ยงเท่านั้น นับเป็นส่วนสำคัญของการป้องกันการฉ้อโกงที่มีประสิทธิภาพ

การฉ้อโกงการชำระเงินคืออะไร

การฉ้อโกงการชำระเงินคือการใช้ขั้นตอนการชำระเงินโดยไม่ได้รับอนุญาตหรือโดยมิชอบเพื่อทำธุรกรรมที่เจ้าของบัญชีหรือเจ้าของบัตรไม่เคยอนุมัติให้เสร็จสมบูรณ์ ซึ่งเกิดขึ้นในขณะที่ข้อมูลบัตรที่ถูกขโมย สคริปต์การทดสอบอัตโนมัติ และบัญชีที่ถูกแฮ็กมาบรรจบกันในขั้นตอนการชำระเงิน

สถานการณ์จำลองการฉ้อโกงการชำระเงินที่พบได้บ่อยมีอะไรบ้าง

การฉ้อโกงการชำระเงินมักจะกระจุกตัวอยู่ในสองสามรูปแบบที่กำหนดมาเป็นอย่างดีแล้ว แต่ละรูปแบบจะมีลักษณะเฉพาะของพฤติกรรมที่ชัดเจนในข้อมูลธุรกรรม

ช่องโหว่ของการชำระเงินสำหรับผู้มาเยือน

การชำระเงินสำหรับผู้มาเยือนจะนำระดับชั้นของบัญชีออกจากธุรกรรม จึงไม่มีประวัติการซื้อ ไม่มีที่อยู่ที่บันทึกไว้ และไม่มีค่าพื้นฐานของพฤติกรรม ซึ่งสิ่งที่กล่าวมานี้เป็นตัวดึงดูดผู้ประสงค์ร้ายให้เข้ามาฉ้อโกง

การชำระเงินสำหรับผู้มาเยือนที่ถูกต้องยังคงดูเหมือนปกติในระดับเซสชัน นั่นคือลูกค้าจะเลือกดู เพิ่มรายการ และใช้เวลาอยู่ในหน้าเว็บอย่างสมเหตุสมผล แต่ธุรกรรมการฉ้อโกงการชำระเงินของผู้มาเยือนมักจะไม่เป็นเช่นนั้น เนื่องจากระยะเวลาของเซสชันจะสั้น และมีการนำทางที่น้อยมาก สัญญาณเหล่านั้นไม่สามารถบอกอะไรได้ด้วยตัวเอง แต่เมื่อนำมารวมกันก็จะดันให้คะแนนความเสี่ยงสูงขึ้นอย่างรวดเร็ว

การทดสอบบัตรเมื่อชำระเงิน

การทดสอบบัตรคือการเล่นกับปริมาณ อาชญากรที่ได้ข้อมูลบัตรที่ขโมยมาจำนวนมากต้องทราบว่าบัตรใบใดยังคงใช้งานได้ก่อนจะนำไปหาเงิน ขั้นตอนการชำระเงิน โดยเฉพาะกับรายการที่มีมูลค่าต่ำหรือสินค้าดิจิทัลเป็นพื้นที่ทดสอบที่สะดวกสบายเป็นอย่างยิ่ง

ลักษณะเฉพาะของพฤติกรรมเป็นสิ่งที่พลาดได้ยาก ได้แก่ ความพยายามทำธุรกรรมอย่างรวดเร็วเป็นลำดับ จำนวนเงินที่น้อยหรือเป็นเลขถ้วน อัตราการปฏิเสธการชำระเงินสูง และความเร็วในเซสชันที่มนุษย์ทั่วไปไม่สามารถทำได้ สคริปต์การทดสอบสมัยใหม่มีความซับซ้อนยิ่งขึ้นโดยการหมุนเวียนที่อยู่ของอินเทอร์เน็ตโปรโตคอล (IP) และเว้นระยะห่างของการพยายามแต่ละครั้งให้นานขึ้นเพื่อให้อยู่ภายใต้ขีดจำกัดความเร็วธรรมดา ด้วยเหตุนี้การตรวจจับแบบเป็นชั้นๆ จึงมีความสำคัญ

การเข้ายึดบัญชีในขั้นตอนของการชำระเงิน

การฉ้อโกงด้วยการเข้ายึดบัญชีไม่ได้ปรากฏขึ้นเมื่อเข้าสู่ระบบเสมอไป แต่มักจะปรากฏให้เห็นในขั้นตอนการชำระเงินเมื่ออาชญากรที่เข้าถึงบัญชีที่ถูกต้องได้แล้วทำการเปลี่ยนแปลงที่ไม่สอดคล้องกับประวัติของบัญชี ไม่ว่าจะเป็นการเพิ่มที่อยู่สำหรับจัดส่งใหม่และใช้งานในทันที การป้อนหมายเลขบัตรจากอุปกรณ์ที่ไม่เคยเข้าใช้งานบัญชีนี้มาก่อน การเปลี่ยนที่อยู่สำหรับการเรียกเก็บเงินร่วมกับการจัดส่งด่วน หากพิจารณาแยกทีละกรณีแล้ว กรณีเหล่านี้อาจเป็นการใช้งานที่ถูกต้อง แต่หากพิจารณาร่วมกันในเซสชันเดียวแล้ว กรณีเหล่านี้จะเป็นสัญญาณชัดเจนว่าบุคคลในขั้นตอนการชำระเงินไม่ใช่บุคคลที่เป็นเจ้าของบัญชี

การให้คะแนนการฉ้อโกงในขั้นตอนการชำระเงินทำงานอย่างไร

เมื่อลูกค้าส่งการชำระเงิน ระบบการให้คะแนนการฉ้อโกงจะดึงสัญญาณที่มีอยู่และประเมินออกมาเป็นคะแนนความเสี่ยง

ข้อมูลที่ป้อนมักจะประกอบด้วยข้อมูลต่อไปนี้

• สัญญาณในระดับบัตร: หมายเลขประจำตัวธนาคาร (BIN) ประเทศ ประเภทบัตร บัตรดังกล่าวเคยปรากฏขึ้นมาก่อนหรือไม่ และที่อยู่สำหรับการเรียกเก็บเงินตรงกับข้อมูลในระบบของธนาคารที่ออกผ่านการตรวจสอบด้วยบริการยืนยันที่อยู่ (AVS) หรือไม่

• สัญญาณของอุปกรณ์และเซสชัน: ลายนิ้วมือของอุปกรณ์ ลักษณะเฉพาะของเบราว์เซอร์ ตำแหน่งที่ตั้งตาม IP และที่อยู่ IP ดังกล่าวเชื่อมโยงกับพร็อกซีหรือเครือข่ายส่วนตัวเสมือน (VPN) ที่รู้จักหรือไม่

• ลักษณะเฉพาะของคำสั่งซื้อ: ประเภทรายการ (สินค้าดิจิทัลมักมีอัตราการฉ้อโกงสูงกว่าสินค้าที่จับต้องได้) มูลค่าคำสั่งซื้อเมื่อเทียบกับประวัติของบัญชี และที่อยู่สำหรับจัดส่งตรงกับที่อยู่สำหรับการเรียกเก็บเงินหรือไม่

• สัญญาณพฤติกรรม: เวลาที่อยู่บนหน้าเว็บ เส้นทางการนำทาง และความรวดเร็วของลูกค้าในการเปลี่ยนจากหน้าแลนดิงไปยังหน้าการชำระเงิน

การตรวจจับการฉ้อโกงการชำระเงินแบบเรียลไทม์ทำงานอย่างไร

การตรวจจับแบบเรียลไทม์จะผสานรวมเครื่องมือจัดการกฎเกณฑ์เข้ากับโมเดลพฤติกรรมเพื่อประเมินความเสี่ยงขณะทำธุรกรรม โดยทั้งสองแนวทางนี้มีจุดแข็งที่แตกต่างกัน

เครื่องมือจัดการกฎเกณฑ์

กฎเกณฑ์จะจัดการตรรกะแบบกำหนดล่วงหน้า ได้แก่ หากธุรกรรมตรงกับรูปแบบที่ไม่ดีซึ่งทราบอยู่แล้ว ให้บล็อก ธุรกรรมดังกล่าว ทั้งรวดเร็วและโปร่งใส โดยคุณจะสามารถดูเหตุผลที่ธุรกรรมถูกบล็อกได้อย่างชัดเจน ซึ่งมีผลต่อการแก้ปัญหาการโต้แย้งการชำระเงินและการสืบสวนผลบวกลวง สิ่งที่ต้องแลกมาก็คือความไม่ยืดหยุ่น กฎหนึ่งข้อที่เขียนขึ้นมาเพื่อจับรูปแบบการฉ้อโกงหนึ่งรูปแบบมักจะไม่สามารถจับรูปแบบอื่นๆ ที่แตกต่างกันออกไปได้เว้นแต่คุณจะเขียนกฎขึ้นมาอีกข้อ นั่นหมายความว่ากฎเกณฑ์ต้องอาศัยการบำรุงรักษาอย่างต่อเนื่องเมื่อรูปแบบการโจมตีเปลี่ยนแปลงไป

โมเดลแมชชีนเลิร์นนิง

โมเดลแมชชีนเลิร์นนิงจะจัดการประเมินตามความน่าจะเป็น โดยจะประเมินการผสมผสานกันของสัญญาณเทียบกับรูปแบบที่เรียนรู้มาจากธุรกรรมก่อนหน้านี้นับล้านรายการ และให้คะแนนความน่าจะเป็นแทนการแจ้งสถานะเพียงสองรูปแบบ โมเดลเหล่านี้จะสรุปข้อมูลในวงกว้างได้อย่างดีในทุกรูปแบบการฉ้อโกงแบบใหม่โดยที่คุณไม่ต้องกำหนดทุกสถานการณ์จำลองความเสี่ยงด้วยตัวเอง สิ่งที่ต้องแลกมาก็คือความไม่โปร่งใส ซึ่งผลลัพธ์ของโมเดลอย่าง "ความน่าจะเป็นในการฉ้อโกง 94%" ต้องอาศัยการตีความในรูปแบบที่ไม่เหมือนกับการบล็อกที่อิงตามกฎ

การวิเคราะห์พฤติกรรม

สัญญาณพฤติกรรมเป็นการเพิ่มระดับชั้นที่ปลอมแปลงได้ยากกว่าจุดข้อมูลคงที่ โดยเหตุการณ์ในการคัดลอกและวางในช่องป้อนข้อมูลการชำระเงินจะเป็นสัญญาณการป้อนข้อมูลอัตโนมัติหรือการยัดเยียดข้อมูลประจำตัว (ซึ่งผู้โจมตีจะใช้ข้อมูลประจำตัวสำหรับเข้าสู่ระบบที่ขโมยมาจากการรั่วไหลของข้อมูลที่ไม่เกี่ยวข้องกันเพื่อเข้ายึดบัญชี) การกรอกแบบฟอร์มที่รวดเร็วจนผิดปกติ การเลื่อนเมาส์ที่ไม่แน่นอน และการสลับแท็บระหว่างชำระเงินล้วนมีส่วนให้เกิดคะแนนความเสี่ยงในแนวทางที่ต้องอาศัยการเลียนแบบการโต้ตอบของมนุษย์แบบเรียลไทม์เพื่อหลบหลีก

เมื่อรวมกันแล้ว ระบบเหล่านี้จะประเมินคะแนนความเสี่ยงที่ละเอียดเพียงพอที่จะทำการตัดสินใจอย่างละเอียดรอบคอบได้ ควรส่งธุรกรรมที่อยู่ในเส้นแบ่งก้ำกึ่งไปยังคิวการตรวจสอบแทนที่จะปฏิเสธในทันที

คุณผสานการทำงานของการให้คะแนนการฉ้อโกงเข้ากับกระบวนการชำระเงินของคุณได้อย่างไร

การผสานการทำงานเกิดขึ้นในระดับ Application Programming Interface (API) ระหว่างการส่งการชำระเงินและการอนุมัติ หน้าการชำระเงินของคุณจะเก็บรวบรวมรายละเอียดการชำระเงิน แบ็กเอนด์ของคุณจะส่งรายละเอียดเหล่านั้นไปยังระบบการให้คะแนนการฉ้อโกงของคุณพร้อมกับข้อมูลเซสชันและคำสั่งซื้อ ระบบการให้คะแนนจะส่งคืนคะแนนความเสี่ยงและแนวทางดำเนินการที่แนะนำ จากนั้นตรรกะการชำระเงินของคุณก็จะกำหนดเส้นทางของธุรกรรมอย่างเหมาะสมต่อไป

ขั้นตอนแต่ละขั้นทำงานดังต่อไปนี้

• ส่งผ่านข้อมูลที่ถูกต้อง: ระบบการให้คะแนนการฉ้อโกงจะมีประสิทธิภาพเพียงเท่ากับสัญญาณที่ได้รับเท่านั้น หากคุณไม่ส่งข้อมูลลายนิ้วมือของอุปกรณ์ ที่อยู่ IP และข้อมูลเมตาของเซสชันพร้อมกับรายละเอียดการชำระเงิน เท่ากับว่าคุณทิ้งข้อมูลป้อนเข้าที่เป็นสัญญาณระดับสูงสุดไปโดยไม่ได้ใช้งาน API ของการให้คะแนนมากมายมีคลังไคลเอ็นต์ JavaScript ที่จะเก็บรวบรวมข้อมูลอุปกรณ์และเซสชันให้โดยอัตโนมัติ

• กำหนดค่าเกณฑ์ความเสี่ยงอย่างรอบคอบ: โดยปกติแล้ว ระบบจะไม่ปรับเทียบเกณฑ์เริ่มต้นให้เข้ากับธุรกิจของคุณ เกณฑ์ที่เหมาะสมกับมาร์เก็ตเพลสที่มีปริมาณการใช้งานสูง แต่มีอัตรากำไรต่ำย่อมแตกต่างจากเกณฑ์ที่เหมาะกับการชำระเงิน B2B ที่มีปริมาณการใช้งานต่ำ แต่มีมูลค่าสูง ควรกำหนดเกณฑ์โดยอิงตามเป้าหมายของอัตราการฉ้อโกงและความคลาดเคลื่อนที่ยอมรับได้ในกรณีที่เกิดผลบวกลวง จากนั้นจึงปรับเกณฑ์โดยใช้ข้อมูลธุรกรรมจริง

• สร้างคิวการตรวจสอบแทนที่จะใช้รายการที่บล็อก: ธุรกรรมที่มีคะแนนสูงกว่าเกณฑ์การบล็อกของคุณจะถูกบล็อกโดยอัตโนมัติ แต่ธุรกรรมที่มีคะแนนระดับกลาง ซึ่งก็คือมีความน่าสงสัยแต่ยังสรุปไม่ได้ ควรกำหนดเส้นทางไปที่คิวเพื่อให้เจ้าหน้าที่ทำการตรวจสอบ การบล็อกธุรกรรมที่อยู่ในเส้นแบ่งก้ำกึ่งโดยอัตโนมัติจะทำให้อัตราผลบวกลวงเพิ่มขึ้นและส่งผลให้ลูกค้าละทิ้งการทำรายการ ขณะที่การอนุมัติแบบอัตโนมัติก็ไปเพิ่มการสูญเสียจากการฉ้อโกง

• เฝ้าติดตามพฤติกรรมการชำระเงินควบคู่ไปกับผลลัพธ์ของการฉ้อโกง: หากอัตราการบล็อกของคุณเพิ่มสูงขึ้น แต่การสูญเสียจากการฉ้อโกงไม่ลดลงตามสัดส่วน กฎของคุณก็มีแนวโน้มที่จะสร้างผลบวกลวง หากการสูญเสียจากการฉ้อโกงเพิ่มขึ้นทั้งที่มีอัตราการบล็อกสูง คุณอาจกำหนดค่าเกณฑ์ของคุณผิดพลาด หรือไม่ผู้ประสงค์ร้ายก็เรียนรู้ที่จะหลบอยู่ใต้เกณฑ์เหล่านั้นได้แล้ว

แนวทางปฏิบัติที่ดีที่สุดสำหรับการป้องกันการฉ้อโกงการชำระเงินคืออะไร

มีแนวทางปฏิบัติด้านการบำรุงรักษาบางประการที่ช่วยให้คุณดูแลระบบการป้องกันการฉ้อโกงให้ทำงานได้อย่างมีประสิทธิภาพโดยไม่บล็อกธุรกรรมที่ถูกต้องดังนี้

• ปรับปรุงกฎให้เป็นปัจจุบันเสมอ: รูปแบบการฉ้อโกงเปลี่ยนไปเรื่อยๆ และกฎที่ปรับปรุงให้เข้ากับพฤติกรรมการทดสอบบัตรในไตรมาก่อนก็อาจจะไม่ครอบคลุมถึงพฤติกรรมในไตรมาสนี้ ให้ตรวจสอบอัตราการบล็อกและการตรวจสอบของคุณเป็นประจำ รวมถึงอัปเดตกฎเมื่อคุณเห็นรูปแบบใหม่ๆ ในธุรกรรมที่ถูกปฏิเสธหรือถูกโต้แย้ง

• ใส่การตรวจสอบความเร็วซ้อนไว้ในตัวระบุหลายรายการ: กฎเกณฑ์ความเร็วที่ตรวจสอบเฉพาะที่อยู่ IP เป็นสิ่งที่หลบหลีกได้ง่าย ดังนั้นควรใส่กฎเกณฑ์ดังกล่าวซ้อนลงในลายนิ้วมือของอุปกรณ์ ที่อยู่อีเมล และ BIN ของบัตรด้วย เนื่องจากผู้ประสงค์ร้ายที่หมุนเวียน IP ก็ยังคงถูกจับโดยกฎเกณฑ์ความเร็วต่ออุปกรณ์หรือต่ออีเมล

• ป้อนสัญญาณหลังทำธุรกรรมกลับไปที่การให้คะแนน: รูปแบบการดึงเงินคืน การละเมิดการคืนเงิน และอัตราข้อผิดพลาดในการจัดส่ง ล้วนแสดงให้เห็นถึงการฉ้อโกงที่หลุดลอดเข้ามาในขั้นตอนการชำระเงินทั้งสิ้น ให้ใช้ข้อมูลเหล่านี้มาอัปเดตกฎและการกำหนดค่าการให้คะแนน เนื่องจากลูปของผลตอบรับจะช่วยให้การให้คะแนนการฉ้อโกงดียิ่งขึ้น

• แบ่งส่วนเกณฑ์ตามประเภทคำสั่งซื้อ: สินค้าดิจิทัล บัตรของขวัญ และคำสั่งซื้อแบบจัดส่งด่วนมักจะมีอัตราการฉ้อโกงสูงกว่า ควรประยุกต์ใช้เกณฑ์ที่เข้มงวดมากขึ้นกับประเภทคำสั่งซื้อเหล่านี้แทนที่จะใช้การให้คะแนนแบบเดียวกันกับแค็ตตาล็อกทั้งหมดของคุณ

Stripe Radar ช่วยอะไรได้บ้าง

Stripe Radar ใช้โมเดล AI ในการตรวจจับและป้องกันการฉ้อโกง โดยฝึกด้วยข้อมูลจากเครือข่ายทั่วโลกของ Stripe ระบบจะอัปเดตโมเดลเหล่านี้อย่างต่อเนื่องตามแนวโน้มการฉ้อโกงล่าสุด เพื่อปกป้องธุรกิจเมื่อการฉ้อโกงพัฒนา

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