ช่วงทดลองใช้ฟรีช่วยให้ผู้ใช้ใหม่ทดสอบผลิตภัณฑ์ AI และการให้บริการระบบซอฟต์แวร์ (SaaS) ได้ แต่ผู้ไม่ประสงค์ดีก็หาประโยชน์จากช่วงดังกล่าวได้ ซึ่งส่งผลกระทบต่อธุรกิจอย่างแท้จริง สำหรับผลิตภัณฑ์ SaaS การใช้ช่วงทดลองใช้ฟรีในทางที่ผิดจะนำไปสู่เมตริกช่องทางที่บิดเบือนและภาระการสนับสนุนที่สูงเกินจริง สำหรับผลิตภัณฑ์ AI นี่หมายความว่าบัญชีที่ไม่มีวันสร้างคอนเวอร์ชันจะใช้จ่ายกับโครงสร้างพื้นฐานจริง เช่น การประมวลผล โทเค็น และเครดิตของ Application Programming Interface (API)

ด้านล่างนี้ เราจะอธิบายวิธีต่อสู้กับการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดด้วยชั้นการป้องกันตอนลงทะเบียน วิธีสังเกตพฤติกรรมที่เป็นสัญญาณว่าอาจมีการใช้ในทางที่ผิด และวิธีอื่นๆ ในการป้องกันการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดโดยไม่สูญเสียคอนเวอร์ชัน

ประเด็นสำคัญ

• การใช้ช่วงทดลองใช้ฟรีในทางที่ผิดในผลิตภัณฑ์ AI ส่งผลโดยตรงต่อต้นทุนโครงสร้างพื้นฐาน ทุกเซสชันการทดลองใช้ที่ดำเนินการเสร็จสมบูรณ์หรือสร้างผลลัพธ์จะใช้การประมวลผล

• การควบคุมแบบแบ่งชั้นตอนลงทะเบียน (เช่น การตรวจจับบอท การตรวจสอบยืนยันอีเมล การเก็บวิธีการชำระเงิน) จะหยุดยั้งการใช้ในทางที่ผิดได้ก่อนที่จะเริ่มต้น

• การเปิดตัวการควบคุมทีละน้อยแทนที่จะทำพร้อมกันทั้งหมดจะช่วยปกป้องอัตราคอนเวอร์ชันพร้อมกับลดความเสี่ยงด้านต้นทุน

การใช้ช่วงทดลองใช้ฟรีในทางที่ผิด

การใช้ช่วงทดลองใช้ฟรีในทางที่ผิดคือการที่มีคนเข้าถึงช่วงทดลองใช้โดยไม่มีความตั้งใจที่จะทำให้เกิดคอนเวอร์ชัน ใน SaaS แบบดั้งเดิม การใช้ในทางที่ผิดมักจะเกี่ยวข้องกับบุคคลหรือองค์กรที่สร้างบัญชีหลายบัญชีเพื่อขยายการเข้าถึงให้เกินช่วงทดลองใช้ หลีกเลี่ยงข้อกำหนดในการชำระเงิน หรือเข้าถึงฟีเจอร์ที่สงวนไว้สำหรับระดับที่ชำระเงินแล้ว ในวงกว้าง การใช้ในทางที่ผิดประเภทนี้จะลดประสิทธิภาพการทำงานสำหรับผู้ใช้ที่ชำระเงิน และบิดเบือนเมตริกช่องทาง

ในผลิตภัณฑ์ AI การใช้ช่วงทดลองใช้ฟรีในทางที่ผิดจะใช้โครงสร้างพื้นฐานที่ทำให้ธุรกิจเสียเงิน ทุกเซสชันการทดลองใช้จะใช้การประมวลผลจริง หากช่วงทดลองใช้มอบให้ 10,000 โทเค็น และมีคนสร้างบัญชี 200 บัญชี แสดงว่า บุคคลนั้นกำลังใช้โทเค็นไปถึง 2 ล้านรายการโดยไม่ต้องจ่ายเงิน

นอกจากนี้ยังอาจมีการใช้ในทางที่ผิดประเภทอื่นๆ ด้วย ผู้ใช้ช่วงทดลองใช้ฟรีในทางที่ผิดบางรายจะขยายสิทธิ์การเข้าถึงช่วงทดลองใช้ไปเรื่อยๆ อย่างไม่มีกำหนด ผ่านการหมุนเวียนบัญชี การแชร์ข้อมูลประจำตัว หรือการหาประโยชน์จากตรรกะการรีเซ็ตในระบบการจัดการช่วงทดลองใช้ ส่วนรายอื่นๆ จะดึงผลลัพธ์ (เช่น การตอบกลับของโมเดล คอนเทนต์ที่สร้างขึ้น ข้อมูลที่มีโครงสร้าง) ในปริมาณมาก และนำไปขายต่อหรือใช้ซ้ำ

ชั้นการป้องกันตอนลงทะเบียนช่วยลดการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดในผลิตภัณฑ์ SaaS และ AI ได้อย่างไร

การเพิ่มชั้นป้องกันการฉ้อโกงในช่วงทดลองใช้ฟรีลงในขั้นตอนการลงทะเบียนนั้นต้องใช้ความระมัดระวังอย่างมาก เป้าหมายคือทำให้ผู้ใช้ในทางที่ผิดต้องเสียค่าใช้จ่ายสูงในการหมุนเวียนบัญชีโดยไม่ทำให้ลูกค้าที่ถูกต้องใช้งานล่าช้าลง

ต่อไปนี้คือสิ่งที่ได้ผล:

• การตรวจจับพฤติกรรม: การวิเคราะห์การเคลื่อนไหวของเมาส์ จังหวะการพิมพ์ และเวลาของเหตุการณ์ช่วยจับสิ่งผิดปกติได้มากกว่า CAPTCHA มาตรฐานโดยไม่ต้องเพิ่มขั้นตอนใดๆ หากใช้ Stripe สำหรับการชำระเงิน Stripe Radar จะติดตามสัญญาณพฤติกรรมที่คล้ายกันระหว่างขั้นตอนการชำระเงิน และป้อนข้อมูลเข้าสู่การประเมินความเสี่ยงที่กว้างขึ้นได้

• การตรวจสอบยืนยันอีเมล: โดเมนอีเมลที่ใช้แล้วทิ้ง (เช่น Mailinator, Guerrilla Mail) ทำให้การตรวจสอบยืนยันอีเมลแบบเดิมไม่เพียงพออีกต่อไป ให้ใช้รายการที่บล็อกของโดเมนแบบใช้แล้วทิ้งที่รู้จักหรือบริการที่ให้คะแนนคุณภาพอีเมลแบบเรียลไทม์

• การเก็บวิธีการชำระเงิน: การกำหนดให้ใช้บัตรที่ถูกต้องเพื่อเริ่มต้นช่วงทดลองใช้จะเป็นการผูกช่วงทดลองใช้นั้นเข้ากับข้อมูลระบุตัวตนทางการเงินที่มีอยู่จริง ซึ่งจะช่วยลดการหมุนเวียนบัญชี

• การตรวจสอบเอกลักษณ์ของอุปกรณ์: การตรวจสอบเอกลักษณ์ของอุปกรณ์จะจับคุณลักษณะของฮาร์ดแวร์และเบราว์เซอร์ที่ไม่เปลี่ยนแปลงแม้จะมีการรีเซ็ตบัญชีก็ตาม ที่อยู่อีเมลใหม่จะไม่ช่วยผู้ใช้ที่เป็นมิจฉาชีพหากระบบตั้งค่าสถานะลายนิ้วมือของอุปกรณ์ไว้แล้ว

สัญญาณการตรวจจับใดที่ควรใช้เพื่อตรวจจับการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดในผลิตภัณฑ์ SaaS และ AI

การฉ้อโกงบางอย่างจะปรากฏให้เห็นก็ต่อเมื่อเข้ามาในผลิตภัณฑ์แล้วเท่านั้น การจับสัญญาณที่ถูกต้องอาจช่วยให้กำจัดสิ่งนี้ได้

นี่คือสิ่งที่ควรมี

• ความเร็วในการลงทะเบียนตาม Internet Protocol (IP), ซับเน็ต และ Autonomous System Number (ASN): หากบัญชีหลายบัญชีจาก IP เดียวกันลงทะเบียนในช่วงเวลาสั้นๆ นั่นอาจเป็นสัญญาณของการใช้ช่วงทดลองใช้ฟรีในทางที่ผิด การทำคลัสเตอร์ตามเครือข่ายย่อย (ซับเน็ต) หรือ ASN ก็เช่นกัน โดยปกติแล้วการดำเนินการในทางที่ผิดมักจะใช้ช่วง IP จากผู้ให้บริการโฮสต์เดียวกันหรือโหนดทางออกของ Virtual Private Network (VPN)

• การใช้ข้อมูลระบุตัวตนซ้ำ: คอยสังเกตหมายเลขโทรศัพท์ ลายนิ้วมือของวิธีการชำระเงิน หรือ ID อุปกรณ์เดียวกันที่ปรากฏในหลายๆ บัญชี Stripe จะแสดงการใช้วิธีการชำระเงินซ้ำโดยอัตโนมัติ

• รูปแบบอีเมลที่ใช้แล้วทิ้งและอีเมลชั่วคราว: ดูอายุของอีเมล ความใหม่ของการจดทะเบียนโดเมน และรูปแบบบันทึก Mail Exchange (MX) แม้ว่าผู้ให้บริการอีเมลรายใหญ่จะเปิดเผยวันที่สร้างบัญชีผ่าน API ไม่ได้เนื่องจากเหตุผลด้านความเป็นส่วนตัว แต่เครื่องมืออัจฉริยะเฉพาะทางก็ประเมินอายุของบัญชีได้โดยพิจารณาจากเวลาที่อีเมลปรากฏในฐานข้อมูลทั่วโลกเป็นครั้งแรก

• คลัสเตอร์อุปกรณ์: เมื่อบัญชี 5 บัญชีใช้ลายนิ้วมือเบราว์เซอร์ แฮชแคนวาส หรือชุดฟอนต์ที่ติดตั้งไว้เหมือนกัน นั่นอาจเป็นสัญญาณของการใช้ช่วงทดลองใช้ฟรีในทางที่ผิด เครื่องมือรวบรวมข้อมูลอุปกรณ์อัจฉริยะจะรวบรวมสัญญาณเหล่านี้ในฐานผู้ใช้ได้แบบเรียลไทม์

• พฤติกรรมในช่วงแรกของเซสชัน: ผู้ใช้ที่ถูกต้องจะสำรวจผลิตภัณฑ์ ผู้ใช้ที่เป็นมิจฉาชีพมักจะตรงไปยังปลายทางที่มีมูลค่าสูงสุด เรียกใช้ API ทันทีโดยไม่แตะต้อง UI หรือดำเนินการตามลำดับขั้นตอนเดิมซ้ำๆ ในหลายบัญชี

การใช้ช่วงทดลองใช้ฟรีในทางที่ผิดส่งผลกระทบต่อบริษัท AI อย่างไร

ผลิตภัณฑ์ AI ก่อให้เกิดช่องโหว่สำหรับการใช้ช่วงทดลองใช้ฟรีในทางที่ผิด ซึ่งไม่มีใน SaaS แบบดั้งเดิม จึงเป็นเรื่องที่ควรทำความเข้าใจโดยละเอียด

ต่อไปนี้คือ 3 ตัวอย่างและวิธีบรรเทาผลกระทบ:

• ความแปรปรวนของโทเค็น: การดำเนินการในทางที่ผิดมุ่งเป้าไปที่การดำเนินการที่มีต้นทุนสูงสุด (เช่น หน้าต่างบริบทที่ยาว การสร้างภาพที่ความละเอียดสูงสุด การฝังเอกสารชุดใหญ่) การจำกัดจำนวนโทเค็นต่อเซสชันอย่างเคร่งครัดจะช่วยปิดโอกาสนี้ได้

• ระบบอัตโนมัติที่ใช้สคริปต์: ผู้ใช้ที่เป็นมิจฉาชีพที่มีความเชี่ยวชาญจะไม่คลิกผ่านกระบวนการเริ่มต้นใช้งาน แต่จะเรียกใช้ API โดยตรงด้วยข้อมูลประจำตัวจากแต่ละบัญชีทดลองใช้ ซึ่งมักจะมาจากโครงสร้างพื้นฐานที่หมุนเวียน IP และ User Agent การควบคุมในระดับ API จะใช้ขีดจำกัดอัตราตามข้อมูลประจำตัวแทนที่จะเป็น IP และเป็นสิ่งสำคัญที่ควรมีควบคู่ไปกับการตรวจจับบอทในระดับ UI

• ฟังก์ชันสไตล์เอเจนต์: ผู้ใช้ที่เป็นมิจฉาชีพซึ่งเริ่มต้นเวิร์กโฟลว์ของเอเจนต์ในบัญชีทดลองใช้ฟรี อาจดึงมูลค่ามหาศาลออกไปได้ก่อนที่ระบบจะตรวจพบ ผลิตภัณฑ์ที่รองรับการให้เหตุผลแบบหลายขั้นตอน การเรียกใช้เครื่องมือ หรืองานเบื้องหลังที่ใช้เวลานานจะขยายข้อกำหนดในการคำนวณอย่างมาก ให้หลีกเลี่ยงสิ่งนี้โดยกำหนดให้มีวิธีการชำระเงินหรือขั้นตอนการตรวจสอบยืนยันเพื่อปลดล็อกฟีเจอร์เอเจนต์

ควรประเมินซอฟต์แวร์ป้องกันการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดสำหรับผลิตภัณฑ์ SaaS และ AI อย่างไร

กลุ่มผู้ให้บริการประกอบด้วยแพลตฟอร์มป้องกันการฉ้อโกง เครื่องมือรวบรวมข้อมูลอุปกรณ์อัจฉริยะ บริการยืนยันตัวตน และผู้ให้บริการตรวจจับบอท บางรายอาจเหมาะกับกรณีการใช้งานมากกว่ารายอื่น

ต่อไปนี้คือวิธีประเมินตัวเลือกของคุณ

• คุณภาพของข้อมูลอุปกรณ์อัจฉริยะ: สอบถามผู้ให้บริการว่าจัดการกับการตรวจจับ VPN และพร็อกซีอย่างไร มีอัตราผลบวกเท็จในพร็อกซีที่อยู่อาศัยเท่าใด และลายนิ้วมือของอุปกรณ์จะยังคงอยู่หรือไม่เมื่อมีการรีเซ็ตเบราว์เซอร์และใช้โหมดไม่ระบุตัวตน

• การผสานการทำงานที่เน้น API เป็นหลัก: ระบบควรเรียกใช้กลไกการให้คะแนนความเสี่ยงในแบบเรียลไทม์ระหว่างการสร้างบัญชีและเมื่อเริ่มเซสชัน มองหาผู้ให้บริการที่มี Representational State Transfer (REST) API ที่ชัดเจนและการให้คะแนนที่มีความหน่วงต่ำ ซึ่งจะผสานการทำงานเข้ากับขั้นตอนการอนุมัติโดยไม่ทำให้ผู้ใช้จริงใช้งานช้าลง

• การจัดการผลบวกเท็จ: ระบบใดก็ตามที่บล็อกการใช้ในทางที่ผิดได้ก็อาจบล็อกผู้ใช้ที่ถูกต้องบางรายด้วย สอบถามอัตราผลบวกเท็จที่แบ่งตามประเภทผู้ใช้จากผู้ให้บริการ และพิจารณาว่าผลิตภัณฑ์มีเครื่องมือสำหรับปรับแต่งเกณฑ์ ตรวจสอบบัญชีที่ระบบตั้งค่าสถานะ และยื่นอุทธรณ์การตัดสินใจหรือไม่

• ความสามารถในการขยายและการรายงาน: ติดตามแนวโน้มการใช้ในทางที่ผิดเมื่อเวลาผ่านไป เพื่อให้บอกได้ว่าการใช้ในทางที่ผิดกำลังเพิ่มขึ้น ลดลง หรือเปลี่ยนกลยุทธ์หรือไม่ ใช้ข้อมูลดังกล่าวเพื่อประกอบการตัดสินใจเกี่ยวกับการควบคุมในอนาคต

จะเปิดตัวการควบคุมการใช้ช่วงทดลองใช้ฟรีในทางที่ผิดในผลิตภัณฑ์ SaaS และ AI อย่างไรโดยไม่กระทบต่อคอนเวอร์ชัน

อย่านำการควบคุมการใช้ในทางที่ผิดทั้งหมดมาใช้ออนไลน์พร้อมกัน แต่ให้ลองปรับใช้เป็นระยะเพื่อให้เห็นข้อมูลคอนเวอร์ชันอยู่ตลอดเวลา

วิธีการมีดังนี้

• เริ่มต้นด้วยการตรวจสอบเพียงอย่างเดียว: วางระบบขั้นตอนการลงทะเบียนและช่วงแรกของเซสชันด้วยสัญญาณการตรวจจับตามที่อธิบายไว้ข้างต้น แต่ยังไม่ต้องดำเนินการใดๆ ปล่อยให้มีการรวบรวมข้อมูลเป็นเวลา 2-4 สัปดาห์ แล้วคุณจะเห็นว่า อัตราการใช้ในทางที่ผิดที่แท้จริงเป็นเท่าใด สัญญาณใดที่คาดการณ์ได้ และเปอร์เซ็นต์ของการลงทะเบียนทดลองใช้ที่จะได้รับผลกระทบจากการควบคุมใดก็ตาม

• ลดความเร็วของกลุ่มที่มีความเสี่ยงสูงเท่านั้น: สมมติว่าการให้คะแนนความเสี่ยงระบุว่า 8% ของการลงทะเบียนมีความเสี่ยงสูง การกำหนดให้มีการตรวจสอบยืนยันทางโทรศัพท์สำหรับ 8% นั้นจะส่งผลกระทบต่อคอนเวอร์ชันโดยรวมน้อยกว่าการกำหนดให้ทุกคนต้องทำมากนัก การทดสอบ A/B เปรียบเทียบอัตราคอนเวอร์ชัน อัตราการทดลองใช้ไปจนถึงการชำระเงิน และต้นทุนโครงสร้างพื้นฐานระหว่างกลุ่มต่างๆ ได้

• วัดคอนเวอร์ชันและต้นทุนร่วมกัน: ติดตามต้นทุนต่อบัญชีทดลองใช้ก่อนและหลังการเปลี่ยนแปลง การลดลง 3% ในการลงทะเบียนทดลองใช้ซึ่งมาพร้อมกับการลดลง 40% ของต้นทุนโครงสร้างพื้นฐานต่อช่วงทดลองใช้นั้นถือเป็นผลดีสุทธิ แต่การลดลง 3% ที่ไม่ช่วยประหยัดอะไรเลยนั้นไม่ใช่

• เพิ่มความเข้มงวดทีละน้อย: เมื่อเพิ่มการควบคุม ให้เริ่มจากสิ่งที่ส่งผลกระทบต่อผู้ใช้น้อยที่สุด เช่น การตรวจจับบอท ตามด้วยการบล็อกอีเมลที่ใช้แล้วทิ้ง การตรวจสอบเอกลักษณ์ของอุปกรณ์ และจากนั้นจึงค่อยดำเนินการตรวจสอบยืนยันตามลำดับและการกำหนดวิธีการชำระเงิน แต่ละขั้นตอนจะลดการใช้ในทางที่ผิดแต่จะทำให้คอนเวอร์ชันช้าลง จุดที่หยุดดำเนินการถือเป็นการตัดสินใจทางธุรกิจมากกว่าทางเทคนิค และการวัดผลแต่ละขั้นตอนแยกกันจะช่วยให้คุณตัดสินใจได้

Stripe Radar ช่วยอะไรได้บ้าง

Stripe Radar ใช้โมเดล AI ในการตรวจจับและป้องกันการฉ้อโกง โดยฝึกด้วยข้อมูลจากเครือข่ายทั่วโลกของ Stripe โมเดลเหล่านี้จะได้รับการอัปเดตอย่างต่อเนื่องตามแนวโน้มการฉ้อโกงล่าสุด 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