ในปี 2024 ลูกค้าในสหรัฐอเมริกาเพียงแห่งเดียวสูญเสียเงินไปถึง 12.5 พันล้านดอลลาร์สหรัฐ จากการฉ้อโกง ซึ่งเพิ่มขึ้น 25% เมื่อเทียบกับปีก่อนหน้า ในหลายๆ กรณี การฉ้อโกงจะดูเหมือนธุรกรรมปกติจนกระทั่งไม่เป็นเช่นนั้น บอทการทดสอบบัตรอาจส่งการเรียกเก็บเงินจำนวนน้อยหลายสิบรายการจากบัตรหลายใบภายในไม่กี่นาที ผู้ฉ้อโกงอาจใช้ข้อมูลประจำตัวที่ถูกขโมยเพื่อทำคำสั่งซื้อที่มีมูลค่าสูงพร้อมกับการจัดส่งแบบด่วน หรือลูกค้าอาจโต้แย้งการเรียกเก็บเงินที่ตนเป็นผู้อนุมัติจริงๆ

ซอฟต์แวร์ตรวจจับการฉ้อโกงที่ดีที่สุดจะช่วยตรวจจับรูปแบบเหล่านี้ก่อนที่จะกลายเป็นการดึงเงินคืน โดยใช้ตรรกะที่อิงตามกฎ แมชชีนเลิร์นนิง (ML) และสัญญาณการทำธุรกรรมแบบเรียลไทม์เพื่อแยกการซื้อที่ถูกต้องออกจากการทำธุรกรรมที่เป็นการฉ้อโกง ด้านล่างนี้ เราจะอธิบายว่าซอฟต์แวร์ตรวจจับการฉ้อโกงทำงานอย่างไร ฟีเจอร์ใดที่สำคัญเมื่อคุณประเมินโซลูชันการป้องกันการฉ้อโกง และวิธีจับคู่ระบบเข้ากับความเสี่ยงในการถูกฉ้อโกงของธุรกิจของคุณ

ประเด็นสำคัญ

• การตรวจจับการฉ้อโกงสมัยใหม่ใช้ตรรกะที่อิงตามกฎ ML หรือทั้งสองอย่าง เพื่อตรวจจับรูปแบบการฉ้อโกงที่รู้จักกันดีรวมถึงกลวิธีใหม่ๆ ที่กฎแบบคงที่มักจะพลาดไป

• อัตราผลบวกลวงมีความสำคัญเท่าเทียมกับอัตราการตรวจจับ เนื่องจากการบล็อกลูกค้าที่ถูกต้องจะทำให้สูญเสียรายรับเช่นกัน

• ธุรกิจที่ใช้บริการของผู้ให้บริการชำระเงินที่มีการตรวจจับการฉ้อโกงในตัวอยู่แล้วมักจะไม่ต้องใช้การผสานการทำงานของบุคคลที่สาม เครื่องมือตรวจจับการฉ้อโกงที่มีอยู่ในตัวจะดึงสัญญาณระดับเครือข่ายที่แพลตฟอร์มแบบสแตนด์อโลนมักจะทำซ้ำได้ยาก

ซอฟต์แวร์ตรวจจับการฉ้อโกงคืออะไร

ซอฟต์แวร์ตรวจจับการฉ้อโกงการชำระเงินจะประเมินธุรกรรมเพื่อระบุและบล็อกกิจกรรมที่เป็นการฉ้อโกงก่อนที่จะทำให้เกิดการดึงเงินคืน การขโมยสินค้า หรือบัญชีถูกแฮ็ก โดยทั่วไปแล้ว ซอฟต์แวร์จะทำงานในระหว่างการพยายามทำธุรกรรมและการอนุมัติธุรกรรม และจะใช้กฎ โมเดล และสัญญาณต่างๆ ร่วมกันเพื่อตัดสินใจว่าจะให้การชำระเงินผ่านไปได้หรือไม่

ซอฟต์แวร์ตรวจจับการฉ้อโกงทำงานอย่างไร

ระบบตรวจจับการฉ้อโกงมีความแตกต่างกันในวิธีการตัดสินใจว่าจะบล็อกสิ่งใด โดยมีระบบที่อิงตามกฎและระบบที่อิงตาม ML

การตรวจจับตามกฎ

ระบบตามกฎจะใช้ตรรกะแบบมีเงื่อนไขกับธุรกรรมที่เข้ามา หากธุรกรรมมีจำนวนเงินเกินที่กำหนด มาจากภูมิภาคที่มีความเสี่ยงสูง หรือทำให้เกิดการตรวจสอบความถี่ (เช่น มีการซื้อมากกว่า 5 ครั้งจากบัตรใบเดียวกันภายใน 10 นาที) ธุรกรรมนั้นก็จะถูกตั้งสถานะหรือถูกบล็อก

ข้อดีคือความโปร่งใส คุณจะเห็นเหตุผลที่ชัดเจนว่าทำไมธุรกรรมจึงถูกตั้งสถานะ ส่วนข้อจำกัดคือกฎจะตรวจจับได้เฉพาะสิ่งที่คุณคาดการณ์ไว้เมื่อตอนที่คุณสร้างกฎขึ้นมาเท่านั้น รูปแบบการฉ้อโกงที่คุณไม่เคยพบเห็นมาก่อนจะไม่ทำให้เกิดการละเมิดกฎใดๆ จนกว่าคุณจะอัปเดตตรรกะของคุณ

โมเดล ML

การตรวจจับที่ขับเคลื่อนด้วย ML จะเรียนรู้จากข้อมูลธุรกรรมในอดีตเพื่อระบุว่ารูปแบบ "ปกติ" เป็นอย่างไรและตั้งสถานะความผิดปกติ ธุรกรรมเดียวที่มาจากอุปกรณ์ใหม่ หรืออยู่ในประเทศใหม่ หรือทำในเวลาที่ผิดปกติด้วยจำนวนเงินที่ไม่ปกติ อาจดูเป็นปกติหากมีลักษณะดังกล่าวเพียงอย่างเดียว แต่เมื่อนำลักษณะเหล่านั้นมารวมกัน ธุรกรรมอาจมีคะแนนความเสี่ยงสูง โมเดลจะให้น้ำหนักสัญญาณเหล่านั้นตามสิ่งที่คาดการณ์ได้จริงในประวัติการทำธุรกรรมของคุณ

ข้อได้เปรียบที่สำคัญเมื่อเทียบกับกฎคือความสามารถในการปรับเปลี่ยน เนื่องจากกลวิธีในการฉ้อโกงเปลี่ยนไปเรื่อยๆ และโมเดล ML จะตรวจจับรูปแบบใหม่ๆ ได้ก่อนที่คุณจะตั้งกฎเพื่อป้องกันรูปแบบเหล่านั้นได้ ข้อเสียคือความคลุมเครือ เนื่องจากเป็นการยากที่จะอธิบายได้อย่างแน่ชัดว่าทำไมธุรกรรมหนึ่งๆ จึงถูกปฏิเสธ ซึ่งทำให้การตรวจสอบผลบวกลวงซับซ้อนยิ่งขึ้น

ไม่ว่าจะเป็นกรณีใดก็ตาม ระบบเหล่านี้ควรทำงานแบบเรียลไทม์ในขณะที่ส่งธุรกรรม และควรทำงานได้เร็วพอที่จะยอมรับหรือปฏิเสธธุรกรรมก่อนที่เซสชันการชำระเงินจะหมดเวลาและไม่ทำให้เกิดความล่าช้าในการชำระเงินอย่างเห็นได้ชัด ระบบบางระบบจะติดตามพฤติกรรมตลอดขั้นตอนการชำระเงินด้วย และจะรวมสัญญาณในระดับเซสชันไว้ในคะแนนความเสี่ยงก่อนที่จะมีการส่งการชำระเงินเสียด้วยซ้ำ

ซอฟต์แวร์ตรวจจับการฉ้อโกงสามารถตรวจจับการฉ้อโกงการชำระเงินประเภทใดได้บ้าง

ธุรกิจมักเผชิญกับการฉ้อโกงการชำระเงินหลายประเภท ได้แก่ การฉ้อโกงแบบไม่ต้องแสดงบัตร (CNP), การทดสอบบัตร, การเข้ายึดบัญชี (ATO) และการฉ้อโกงที่เกิดจากความเข้าใจผิด (friendly fraud) โดยแต่ละประเภทจะหาประโยชน์จากช่องโหว่ที่แตกต่างกันในขั้นตอนของธุรกรรม และซอฟต์แวร์การป้องกันการฉ้อโกงสามารถตรวจจับได้

• การฉ้อโกงแบบ CNP: ผู้ฉ้อโกงใช้ข้อมูลบัตรที่ถูกขโมยมาเพื่อทำการซื้อโดยไม่ต้องใช้บัตรจริง การตรวจจับจะอาศัยสัญญาณที่เจ้าของบัตรมักจะไม่ทำให้เกิดขึ้น เช่น ที่อยู่สำหรับการเรียกเก็บเงินและที่อยู่สำหรับจัดส่งไม่ตรงกัน การตรวจสอบเอกลักษณ์ของอุปกรณ์ที่ผิดปกติ และรูปแบบพฤติกรรมที่ผิดปกติ

• การทดสอบบัตร: ผู้ฉ้อโกงที่ได้หมายเลขบัตรที่ถูกขโมยมาจะตรวจสอบว่าบัตรใดใช้งานได้ ซึ่งโดยทั่วไปมักจะทำโดยการส่งธุรกรรมจำนวนเล็กน้อยหรือธุรกรรมที่มียอดเป็นศูนย์ผ่านบัตรหลายใบติดต่อกันอย่างรวดเร็ว การตรวจสอบความถี่และการตรวจสอบเอกลักษณ์ของอุปกรณ์เป็นมาตรการรับมือหลัก

• การฉ้อโกงแบบ ATO: ในการฉ้อโกงแบบ ATO ผู้ไม่ประสงค์ดีจะเข้าถึงบัญชีของลูกค้าที่ถูกต้อง (มักจะทำผ่านการสุ่มรหัสผ่านโดยใช้ชื่อผู้ใช้และรหัสผ่านที่รั่วไหล) และใช้วิธีการชำระเงินที่จัดเก็บไว้เพื่อทำคำสั่งซื้อ การตรวจจับจะใช้ประโยชน์จากสัญญาณทางพฤติกรรม (เช่น การเข้าสู่ระบบจากอุปกรณ์ที่ไม่คุ้นเคย การเปลี่ยนรหัสผ่านอย่างกะทันหันแล้วตามด้วยการซื้อ การเปลี่ยนที่อยู่ก่อนการทำคำสั่งซื้อที่มีมูลค่าสูง)

• การฉ้อโกงที่เกิดจากความเข้าใจผิด (friendly fraud): ลูกค้าทำธุรกรรมที่ถูกต้องจนเสร็จสมบูรณ์ ได้รับสินค้า แล้วจึงโต้แย้งการเรียกเก็บเงินกับธนาคาร ซอฟต์แวร์ด้านการฉ้อโกงอาจช่วยได้โดยการตั้งค่าสถานะบัญชีที่มีประวัติการโต้แย้งการชำระเงินก่อนหน้านี้หรือการซื้อที่ตรงกับรูปแบบที่ทราบ เช่น สินค้ามูลค่าสูงที่มีการจัดส่งแบบด่วนซึ่งสามารถนำไปขายต่อได้ง่าย

ฟีเจอร์ใดบ้างที่สำคัญในซอฟต์แวร์ตรวจจับการฉ้อโกง

ฟีเจอร์ที่สำคัญที่สุดจะขึ้นอยู่กับปริมาณธุรกรรม ความเสี่ยงในการถูกฉ้อโกง และการตั้งค่าทางเทคนิคของคุณอย่างมาก แต่มีขีดความสามารถอยู่สองสามอย่างที่สำคัญเสมอ

พิจารณาสิ่งต่อไปนี้

• ความแม่นยำในการตรวจจับ: ระบบที่ปฏิเสธการฉ้อโกง 85% และปฏิเสธคำสั่งซื้อที่ถูกต้อง 15% เป็นการแลกเปลี่ยนการสูญเสียรายรับรูปแบบหนึ่งกับอีกรูปแบบหนึ่ง มองหาแพลตฟอร์มที่เปิดเผยอัตราผลบวกลวงไปพร้อมกับอัตราการตรวจจับ เนื่องจากตัวเลขทั้งสองรวมกันจะบอกคุณได้มากกว่าอัตราการตรวจจับเพียงอย่างเดียว

• การปรับแต่งกฎ: โมเดลที่สร้างไว้ล่วงหน้าคือจุดเริ่มต้น คุณมักจะต้องใส่ตรรกะเฉพาะธุรกิจเพิ่มเข้าไปด้วย เช่น การบล็อกในบางพื้นที่ การกำหนดให้ใช้ 3D Secure สำหรับคำสั่งซื้อที่เกินเกณฑ์ที่กำหนด และการปรับคะแนนความเสี่ยงสำหรับลูกค้าที่รู้จักและปลอดภัย แพลตฟอร์มที่ให้คุณเขียนและทดสอบกฎที่กำหนดเองได้โดยไม่ต้องมีการสนับสนุนด้านวิศวกรรมจะมีความยืดหยุ่นในการใช้งานจริงมากกว่าอย่างเห็นได้ชัด

• การผสานการทำงานกับระบบการรับชำระเงิน: เครื่องมือด้านการฉ้อโกงที่กำหนดให้คุณส่งข้อมูลธุรกรรมผ่านอินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน (API) ที่แยกต่างหากจะทำให้เกิดความล่าช้าและจุดล้มเหลว ระบบที่ฝังอยู่ในขั้นตอนการชำระเงินหรือสร้างขึ้นในตัวผู้ให้บริการชำระเงินของคุณจะช่วยหลีกเลี่ยงความซับซ้อนนั้นได้

• การรายงานและการจัดการเคส: เมื่อทีมของคุณตรวจสอบธุรกรรมที่ถูกตั้งสถานะ ทีมจะต้องการบริบท เช่น ทำไมธุรกรรมจึงถูกตั้งสถานะ สัญญาณใดที่ทำให้เกิดสิ่งนี้ และธุรกรรมที่คล้ายคลึงกันมีลักษณะอย่างไร ซอฟต์แวร์การจัดการการฉ้อโกงที่แสดงให้เห็นอย่างชัดเจนจะช่วยให้การตรวจสอบด้วยตนเองเร็วขึ้นและช่วยคุณปรับแต่งกฎได้เมื่อเวลาผ่านไป

• ความสามารถในการขยาย: ระบบที่จัดการกับปริมาณธุรกรรมในปัจจุบันของคุณจำเป็นต้องจัดการกับปริมาณธุรกรรมให้ได้ถึง 10 เท่าโดยไม่ลดทอนความเร็วหรือความแม่นยำ ช่วงเวลาที่มีการใช้งานสูงอย่าง Black Friday มักจะพบว่ามีการฉ้อโกงพุ่งสูงขึ้น ซึ่งช่วงเวลาเหล่านี้ก็เป็นช่วงเวลาที่คุณต้องการให้ระบบทำงานช้าลงน้อยที่สุดเช่นกัน

ซอฟต์แวร์ตรวจจับการฉ้อโกงมีความท้าทายอะไรบ้าง

ซอฟต์แวร์ตรวจจับการฉ้อโกงมี 2 หน้าที่คือ: ตั้งสถานะความพยายามในการฉ้อโกงอย่างแม่นยำ และไม่บล็อกธุรกรรมที่ถูกต้อง ความท้าทายที่เกิดขึ้นอย่างต่อเนื่องมากที่สุดประการหนึ่งในการตรวจจับการฉ้อโกงคือการค้นหาความสมดุล ซอฟต์แวร์ควรสนใจสัญญาณการฉ้อโกงอย่างเคร่งครัดโดยไม่ทำให้ลูกค้าที่ถูกต้องรู้สึกหงุดหงิด

นอกเหนือจากงานที่ดำเนินการอยู่นั้น ระบบที่อิงตามกฎและระบบที่อิงตาม ML ก็ต้องเผชิญกับความท้าทายที่แตกต่างกันดังนี้

• กฎล้าสมัย: กลวิธีในการฉ้อโกงมีการเปลี่ยนแปลงตลอดเวลา ชุดกฎที่มีประสิทธิภาพเมื่อ 6 เดือนก่อนอาจมีช่องโหว่ที่เห็นได้ชัดในปัจจุบัน หากไม่มีการตรวจสอบอย่างสม่ำเสมอ ระบบที่อิงตามกฎก็จะค่อยๆ ล้าสมัย

• คุณภาพข้อมูลสำหรับโมเดล ML จะแตกต่างกันไป: โมเดล ML จะมีประสิทธิภาพดีเท่ากับข้อมูลที่นำมาใช้ฝึกสอนเท่านั้น แพลตฟอร์มที่มีสัญญาณการทำธุรกรรมจากธุรกิจหลายล้านแห่งในหลายๆ อุตสาหกรรมจะมีโมเดลที่แตกต่างอย่างมีความหมายจากแพลตฟอร์มที่ครอบคลุมน้อยกว่า เมื่อคุณประเมินผู้จำหน่าย ให้สอบถามเกี่ยวกับขอบเขตข้อมูลการฝึกสอนโดยเฉพาะ

คุณจะเลือกซอฟต์แวร์ตรวจจับการฉ้อโกงสำหรับธุรกิจของคุณอย่างไร

ตัวเลือกซอฟต์แวร์ตรวจจับการฉ้อโกงที่เหมาะสมจะขึ้นอยู่กับว่าธุรกิจของคุณทำงานอย่างไร คุณต้องมีระบบที่ผสานการทำงานได้ง่าย ทำงานง่าย และตรงกับประเภทของการฉ้อโกงที่คุณพบเจอ

พิจารณาตัวแปรต่อไปนี้

• ปริมาณธุรกรรม: ในปริมาณที่ต่ำกว่า ความแม่นยำของโมเดล ML อาจไม่สม่ำเสมอหากมีข้อมูลย้อนหลังสำหรับการฝึกสอนน้อยลง และแนวทางที่อิงตามกฎหรือแนวทางแบบผสมผสานอาจมีประสิทธิภาพดีกว่า ML ล้วนๆ ในระดับที่เล็กลง ธุรกิจที่มีปริมาณธุรกรรมสูงมีแนวโน้มที่จะได้ประโยชน์จาก ML มากกว่า เนื่องจากโมเดลมีสัญญาณมากพอที่จะคาดการณ์ได้อย่างแท้จริง แต่ธุรกิจขนาดเล็กก็ยังคงได้ประโยชน์จากโมเดล ML ระดับเครือข่ายได้

• การตั้งค่าทางเทคนิค: หากคุณใช้ผู้ให้บริการชำระเงินที่มีบริการตรวจจับการฉ้อโกงในตัว นั่นก็มักจะเป็นจุดเริ่มต้นที่เหมาะสม ความซับซ้อนในการผสานการทำงานมีน้อยมากและสัญญาณการฉ้อโกงถูกฝังอยู่ในขั้นตอนการชำระเงินแล้ว หากคุณดำเนินการผ่านตัวประมวลผลหลายตัวหรือมีโครงสร้างพื้นฐานในการชำระเงินที่ซับซ้อน คุณอาจต้องใช้แพลตฟอร์มการฉ้อโกงแบบสแตนด์อโลนที่มีการสนับสนุนการผสานการทำงานที่ครอบคลุม

• ทรัพยากรภายใน: แพลตฟอร์มการฉ้อโกงบางแห่งจำเป็นต้องใช้การทำงานด้านวิศวกรรมที่สำคัญเพื่อกำหนดค่าและดูแลรักษา ในขณะที่แพลตฟอร์มอื่นๆ ได้รับการออกแบบมาเพื่อให้ทีมปฏิบัติการที่ไม่ต้องใช้ความเชี่ยวชาญด้านเทคนิคสามารถจัดการได้โดยตรง หากคุณไม่มีทีมวิเคราะห์การฉ้อโกงหรือทีมความเสี่ยงโดยเฉพาะ ให้เลือกใช้แพลตฟอร์มที่มีโมเดลการวิเคราะห์เริ่มต้นที่แข็งแกร่งและมีอินเทอร์เฟซของกฎที่เรียบง่าย

• การรายงานและการผสานการทำงานของเวิร์กโฟลว์: ยืนยันว่าแพลตฟอร์มใดๆ ที่คุณประเมินสามารถเชื่อมต่อกับเวิร์กโฟลว์การจัดการการโต้แย้งการชำระเงินของคุณได้ และส่งออกข้อมูลในรูปแบบที่เข้ากันได้กับสแต็กการรายงานของคุณ เครื่องมือด้านการฉ้อโกงที่ผสานการทำงานได้ไม่สมบูรณ์จะทำให้ต้องมาทำงานด้วยตนเอง ซึ่งอาจหักล้างกับประโยชน์ของระบบอัตโนมัติได้

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