คะแนนการฉ้อโกงช่วยให้ทีมประเมินความเสี่ยงของการฉ้อโกงในธุรกรรมได้แบบเรียลไทม์ โดยแปลงสัญญาณด้านพฤติกรรมและการชำระเงินที่ซับซ้อนให้กลายเป็นตัวชี้วัดเดียวที่นำไปใช้ได้ทันที การประเมินความเสี่ยงของธุรกรรมโดยใช้คะแนนการฉ้อโกงถือเป็นสิ่งสำคัญลำดับต้นๆ ที่ธุรกิจให้ความสนใจมากขึ้น เนื่องจากในช่วงปี 2024-2025 ธุรกิจสูญเสียรายรับเฉลี่ยต่อปีถึง 7.7% จากการฉ้อโกง การทำความเข้าใจว่าคะแนนการฉ้อโกงทำงานอย่างไร รวมถึงสิ่งที่คะแนนนี้บอกได้และบอกไม่ได้ จึงเป็นสิ่งจำเป็นในการลดการฉ้อโกงด้านการชำระเงิน หลีกเลี่ยงการปฏิเสธการชำระเงินโดยไม่จำเป็น และช่วยให้ตัดสินใจเกี่ยวกับความเสี่ยงได้ดียิ่งขึ้นในวงกว้าง

ในเนื้อหาด้านล่างนี้ เราจะอธิบายถึงวิธีคิดคะแนนการฉ้อโกง วิธีที่ธุรกิจนำคะแนนเหล่านี้ไปใช้ และวิธีตีความคะแนนอย่างชัดเจนและมั่นใจ

เนื้อหาหลักในบทความ

• คะแนนการฉ้อโกงคืออะไร
  
• คะแนนการฉ้อโกงช่วยธุรกิจประเมินความเสี่ยงของธุรกรรมได้อย่างไร
  
• ธุรกิจใช้คะแนนการฉ้อโกงในการอนุมัติหรือปฏิเสธธุรกรรมอย่างไร
  
• ข้อมูลที่ใช้คำนวณคะแนนการฉ้อโกงมีอะไรบ้าง
  
• คะแนนการฉ้อโกงมีความแม่นยำเพียงใด
  
• ทำไมธุรกรรมเดียวกันจึงอาจมีคะแนนการฉ้อโกงแตกต่างกัน
  
• คะแนนการฉ้อโกงคือหลักฐานของการฉ้อโกงหรือเป็นเพียงตัวบ่งชี้ความเสี่ยง
  
• Stripe Radar ช่วยอะไรได้บ้าง
  

คะแนนการฉ้อโกงคืออะไร

คะแนนการฉ้อโกงคือวิธีหนึ่งในการแสดงระดับความเสี่ยง โดยเป็นสัญญาณที่มักอยู่ในรูปแบบตัวเลขหรือหมวดหมู่ เพื่อประมาณการว่าธุรกรรมหรือการดำเนินการหนึ่งๆ มีโอกาสเป็นการฉ้อโกงมากน้อยเพียงใด ให้คิดว่าเป็นการตัดสินโดยสรุปจากข้อมูลทั้งหมดที่ระบบมองเห็นในขณะนั้น ว่าดูมีความเสี่ยงมากแค่ไหน คะแนนการฉ้อโกงจะสรุปข้อมูลหลายสิบจุดให้เหลือเพียงตัวบ่งชี้เดียวที่สามารถนำไปใช้ตัดสินใจได้ โดยที่ทีมไม่จำเป็นต้องเสียเวลาประเมินเองทีละจุด

คะแนนการฉ้อโกงช่วยธุรกิจประเมินความเสี่ยงของธุรกรรมได้อย่างไร

คะแนนการฉ้อโกงจะคำนวณแบบเรียลไทม์ โดยมักใช้เวลาเพียงไม่กี่มิลลิวินาทีหลังจากทำธุรกรรม เนื่องจากกระบวนการประเมินมีการจัดโครงสร้างที่เป็นระบบและทำงานแบบอัตโนมัติ

กระบวนการทำงานของคะแนนการฉ้อโกงมีดังนี้

• ** การรวบรวมสัญญาณ:** เมื่อมีธุรกรรมเกิดขึ้น ระบบจะรวบรวมข้อมูลที่เกี่ยวข้องเกี่ยวกับการชำระเงิน ลูกค้า อุปกรณ์ และบริบท

• การเปรียบเทียบรูปแบบ: ระบบจะเปรียบเทียบแต่ละสัญญาณกับรูปแบบที่เรียนรู้จากพฤติกรรมปกติและพฤติกรรมที่ฉ้อโกงในอดีต

• การให้น้ำหนักความเสี่ยง: แต่ละสัญญาณมีความสำคัญไม่เท่ากัน สัญญาณเตือนที่ชัดเจน เช่น ตำแหน่งที่ตั้งที่ไม่ตรงกัน จะมีน้ำหนักมากกว่าความผิดปกติเล็กน้อย

• การประเมินด้วยโมเดล: โมเดลการให้คะแนนซึ่งมักขับเคลื่อนด้วยแมชชีนเลิร์นนิง จะประมวลผลสัญญาณที่ถ่วงน้ำหนักแล้ว และประมาณการความเป็นไปได้ของกิจกรรมฉ้อโกง โดยเปรียบเทียบธุรกรรมกับผลลัพธ์ที่เคยเกิดขึ้นแล้ว

• การให้คะแนน: ผลลัพธ์ที่ได้คือคะแนนเดียวตามสเกลที่กำหนดไว้ ซึ่งแสดงถึงระดับความเสี่ยงที่เกี่ยวข้อง

• พร้อมใช้งานทันที: คะแนนจะถูกส่งกลับทันที เพื่อให้ธุรกิจสามารถอนุมัติ บล็อก หรือตรวจสอบธุรกรรมได้ โดยไม่ทำให้ประสบการณ์ของลูกค้าช้าลง

• การเรียนรู้อย่างต่อเนื่อง: โมเดลจะปรับตัวเมื่อมีการบันทึกผลลัพธ์ เช่น การฉ้อโกงที่ได้รับการยืนยัน ธุรกรรมที่สำเร็จ และการโต้แย้งการชำระเงิน ข้อมูลที่ได้รับอย่างต่อเนื่องจะช่วยให้คะแนนยังคงมีความแม่นยำแม้กลวิธีการฉ้อโกงจะเปลี่ยนไป

ธุรกิจใช้คะแนนการฉ้อโกงในการอนุมัติหรือปฏิเสธธุรกรรมอย่างไร

คะแนนการฉ้อโกงไม่สามารถตัดสินใจด้วยตัวเอง ธุรกิจเป็นผู้กำหนดว่าจะดำเนินการอย่างไร โดยอิงตามเป้าหมายและระดับความเสี่ยงที่ยอมรับได้ ตัวอย่างแนวทางที่นิยมใช้มีดังนี้

• เกณฑ์ความเสี่ยง: คะแนนความเสี่ยงต่ำจะผ่านเกณฑ์โดยอัตโนมัติ ซึ่งช่วยให้ขั้นตอนการชำระเงินของลูกค้าส่วนใหญ่เป็นไปอย่างรวดเร็ว

• การปฏิเสธการชำระเงินอัตโนมัติ: คะแนนที่สูงกว่าเกณฑ์ความเสี่ยงที่กำหนดไว้จะถูกบล็อก เพื่อป้องกันไม่ให้การฉ้อโกงที่มีแนวโน้มว่าจะเกิดขึ้นกลายเป็นการดึงเงินคืนหรือการสูญเสียในภายหลัง

• คิวการตรวจสอบด้วยตนเอง: คะแนนระดับกลางจะถูกส่งต่อให้ผู้ตรวจสอบที่เป็นบุคคลจริง ในกรณีที่ความเสี่ยงไม่ชัดเจนแต่คุ้มค่าที่จะตรวจสอบอย่างละเอียด

• การยืนยันเพิ่มเติม: คะแนนบางระดับจะแจ้งให้มีการยืนยันเพิ่มเติม แทนที่จะปฏิเสธการชำระเงินในทันที

• การปรับนโยบาย: ทีมจะปรับเปลี่ยนเกณฑ์อย่างสม่ำเสมอ โดยพิจารณาจากผลลัพธ์ เช่น อัตราการฉ้อโกง การปฏิเสธการชำระเงินที่ผิดพลาด และผลกระทบต่อลูกค้า

• การมุ่งเน้นธุรกิจ: คะแนนการฉ้อโกงช่วยให้ทีมขยายธุรกิจได้อย่างมีประสิทธิภาพ ด้วยการมุ่งความสนใจไปที่กิจกรรมที่มีความเสี่ยงสูงสุดโดยไม่ต้องตรวจสอบทุกธุรกรรม

ข้อมูลที่ใช้คำนวณคะแนนการฉ้อโกงมีอะไรบ้าง

คะแนนการฉ้อโกงคำนวณจากสัญญาณเล็กๆ น้อยๆ จำนวนมาก ที่หากมองแยกกันอาจดูเป็นเรื่องปกติ แต่เมื่อนำมารวมกันจะกลายเป็นตัวชี้วัดที่ทรงพลัง

วิธีนำข้อมูลการชำระเงินมาใช้คำนวณคะแนนการฉ้อโกงมีดังนี้

• รายละเอียดธุรกรรม: ยอดเงิน สกุลเงิน ประเภทรายการ ช่วงเวลา และความถี่ ช่วยบ่งชี้ว่ากิจกรรมนั้นสอดคล้องกับรูปแบบปกติหรือไม่

• ข้อมูลการชำระเงิน: ตรวจสอบข้อมูลเมตาของบัตร ประเทศที่ออกบัตร และรายละเอียดการเรียกเก็บเงิน เพื่อดูความสอดคล้อง

• ประวัติลูกค้า: ลูกค้าเดิมที่มีประวัติการทำธุรกรรมสำเร็จมักจะได้รับคะแนนความเสี่ยงต่ำกว่าบัญชีใหม่หรือบัญชีที่ไม่ได้ใช้งาน

• สัญญาณด้านบัญชีและตัวตน: คุณภาพของที่อยู่อีเมล อายุบัญชี และความครบถ้วนของข้อมูลโปรไฟล์ช่วยยืนยันความน่าเชื่อถือ ที่อยู่อีเมลแบบใช้แล้วทิ้งหรือบัญชีที่เพิ่งสร้างขึ้นใหม่มักมีความเสี่ยง

• ข้อมูลอุปกรณ์: ตัวระบุอุปกรณ์เป็นตัวบ่งบอกว่าระบบเคยเห็นอุปกรณ์นี้มาก่อนหรือไม่ และอุปกรณ์นี้มีพฤติกรรมการใช้งานอย่างไรในอดีต

• สัญญาณด้านเครือข่ายและตำแหน่งที่ตั้ง: ข้อมูลอินเทอร์เน็ตโปรโตคอล (IP) ช่วยให้ธุรกิจอนุมานตำแหน่งทางภูมิศาสตร์และลักษณะเครือข่าย ตำแหน่งที่คลาดเคลื่อนอย่างมากหรือการใช้บริการแบบปกปิดตัวตนมักเพิ่มระดับความเสี่ยง

• รูปแบบพฤติกรรม: พฤติกรรมการชำระเงิน ที่ผิดปกติหรือการพยายามป้อนข้อมูลประจำตัวซ้ำๆ อาจส่งผลต่อคะแนนได้

• ตัวบ่งชี้ด้านความเร็ว: การดำเนินการหลายอย่างในระยะเวลาสั้นๆ เช่น การพยายามเข้าสู่ระบบและชำระเงิน อาจเป็นสัญญาณของการใช้ระบบอัตโนมัติหรือพฤติกรรมทดสอบระบบ

คะแนนการฉ้อโกงมีความแม่นยำเพียงใด

คะแนนการฉ้อโกงเป็นเครื่องมือเชิงคาดการณ์ ไม่ใช่เครื่องมือรับประกัน ความแม่นยำของคะแนนการฉ้อโกงขึ้นอยู่กับวิธีคิดคะแนน วิธีนำไปใช้ และความสอดคล้องในการปรับให้เข้ากับโปรไฟล์ความเสี่ยงของธุรกิจนั้นๆ

โปรดคำนึงถึงสิ่งต่อไปนี้

• ความเป็นไปได้ ไม่ใช่ความแน่นอน: คะแนนสะท้อนถึงโอกาสที่เป็นไปได้ การลดการฉ้อโกงมักหมายถึงการยอมรับการปฏิเสธการชำระเงินที่ผิดพลาดไปบ้าง ในขณะที่การลดความยุ่งยากมักหมายถึงการยอมรับความเสี่ยงเพิ่มขึ้น

• ผลบวกลวงและผลลบลวง: ไม่มีโมเดลใดที่สมบูรณ์แบบ ธุรกิจต้องหาจุดสมดุลระหว่างการบล็อกการฉ้อโกงกับการอนุมัติลูกค้าที่ทำธุรกรรมจริงให้ได้มากที่สุดอยู่เสมอ

• คุณภาพข้อมูล: ข้อมูลที่ครบถ้วน เป็นปัจจุบัน และแม่นยำจะช่วยเพิ่มประสิทธิภาพ ในขณะที่ข้อมูลที่ไม่ครบถ้วนหรือไม่เป็นปัจจุบันจะลดความน่าเชื่อถือลง

• การเรียนรู้จากผลลัพธ์: โมเดลจะพัฒนาขึ้นเมื่อมีการนำผลลัพธ์ที่เกิดขึ้นจริง เช่น การยืนยันว่าเป็นการฉ้อโกง ธุรกรรมที่สำเร็จ และการโต้แย้งการชำระเงินมาใช้ในการฝึกระบบ

• บริบทของธุรกิจ: พฤติกรรมของลูกค้า วิธีการชำระเงิน และระดับความเสี่ยงที่ยอมรับได้นั้นมีความหลากหลายมาก ซึ่งส่งผลต่อความแม่นยำของคะแนนเมื่อนำไปใช้งานจริง

• การปรับเทียบใหม่อย่างต่อเนื่อง: จำเป็นต้องมีการติดตามตรวจสอบและปรับเกณฑ์อย่างสม่ำเสมอ เพื่อให้คะแนนสอดคล้องกับรูปแบบการฉ้อโกงที่พัฒนาอยู่ตลอดเวลา

ทำไมธุรกรรมเดียวกันจึงอาจมีคะแนนการฉ้อโกงแตกต่างกัน

เป็นเรื่องปกติที่ธุรกรรมเดียวกันจะได้รับคะแนนการฉ้อโกงแตกต่างกันในแต่ละระบบ เนื่องจากการให้คะแนนการฉ้อโกงไม่มีมาตรฐานตายตัว และขึ้นอยู่กับว่าใครเป็นผู้ประเมิน

สาเหตุที่ธุรกรรมเดียวกันอาจมีคะแนนการฉ้อโกงแตกต่างกันมีดังนี้

• โมเดลที่แตกต่างกัน: ระบบตรวจจับการฉ้อโกงบางระบบอาศัยกฎ ในขณะที่บางระบบใช้โมเดลแมชชีนเลิร์นนิงที่ฝึกจากชุดข้อมูลที่แตกต่างกัน

• การมองเห็นข้อมูลที่ต่างกัน: ผู้ให้บริการรายหนึ่งอาจมองเห็นกิจกรรมครอบคลุมหลายบริษัท ในขณะที่ผู้ให้บริการอีกรายอาจมองเห็นกิจกรรมภายในธุรกิจเดียวเท่านั้น

• การให้น้ำหนักสัญญาณที่ต่างกัน: แต่ละโมเดลต่างให้ความสำคัญกับสัญญาณแตกต่างกัน เช่น ตำแหน่งที่ตั้ง ประวัติการใช้อุปกรณ์ หรือความเร็วในการทำธุรกรรมอาจมีความสำคัญในระบบหนึ่งมากกว่าอีกระบบหนึ่ง

• ระดับความเสี่ยงที่รับได้ต่างกัน: บางธุรกิจอาจให้คะแนนอย่างเข้มงวดเพื่อลดการสูญเสียให้ได้มากที่สุด ในขณะที่บางธุรกิจอาจให้คะแนนแบบผ่อนปรนมากกว่าเพื่อรักษาอัตราคอนเวอร์ชัน

• สเกลคะแนนที่ต่างกัน: คะแนน "สูง" ในระบบหนึ่ง อาจหมายถึงความเสี่ยงระดับปานกลางในอีกระบบหนึ่ง

• ช่วงเวลาที่ต่างกัน: คะแนนที่ประเมินในภายหลังอาจพิจารณาสัญญาณที่ไม่ปรากฏในขั้นตอนการชำระเงิน

คะแนนการฉ้อโกงคือหลักฐานของการฉ้อโกงหรือเป็นเพียงตัวบ่งชี้ความเสี่ยง

คะแนนการฉ้อโกงเป็นเครื่องมือสำหรับการตัดสินใจ คะแนนที่สูงบ่งชี้ถึงความเสี่ยงที่เพิ่มขึ้น แต่ไม่ได้เป็นการยืนยันว่ามีการฉ้อโกงเกิดขึ้น ลูกค้าที่ทำธุรกรรมจริงก็อาจได้รับคะแนนสูงได้หากมีพฤติกรรมที่ดูผิดปกติ และแม้แต่ธุรกรรมที่ดูปลอดภัยก็อาจพบว่าเป็นการฉ้อโกงในภายหลังได้เช่นกัน

คะแนนเหล่านี้จะมีประสิทธิภาพสูงสุดเมื่อใช้ร่วมกับกฎทางธุรกิจ การตรวจสอบโดยเจ้าหน้าที่ หรือการตรวจสอบเพิ่มเติม คุณค่าของคะแนนอยู่ที่การช่วยให้ธุรกิจดำเนินการได้ตั้งแต่เนิ่นๆ ก่อนที่การฉ้อโกงจะทำให้เกิดการสูญเสียหรือเกิดข้อพิพาท แม้การตัดสินใจในแต่ละครั้งอาจไม่สมบูรณ์แบบเสมอไป แต่คะแนนการฉ้อโกงจะช่วยปรับปรุงผลลัพธ์โดยรวมจากธุรกรรมปริมาณมหาศาล ตัวอย่างเช่น Stripe Radar ช่วยลดการฉ้อโกงให้กับบริษัทได้เฉลี่ยถึง 38%

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: Radar ถูกสร้างขึ้นใน Stripe และไม่ต้องใช้โค้ดในการตั้งค่า คุณยังสามารถติดตามตรวจสอบประสิทธิภาพในการจัดการการฉ้อโกง เขียนกฎ และอื่นๆ อีกมากมายได้ในแพลตฟอร์มเดียว ซึ่งจะช่วยเพิ่มประสิทธิภาพ

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Stripe Radar หรือเริ่มใช้งานเลยวันนี้