ระบบตรวจจับการฉ้อโกงการชำระเงินทุกระบบพยายามที่จะจับธุรกรรมที่ฉ้อโกงโดยไม่บล็อกธุรกรรมที่ถูกต้อง การรักษาสมดุลดังกล่าวให้เหมาะสมนั้นจำเป็นต้องเข้าใจว่าระบบตรวจจับทำงานอย่างไร ล้มเหลวที่จุดใด ตลอดจนวิธีวัดผลและปรับแต่งประสิทธิภาพเมื่อเวลาผ่านไป

ในปี 2024 ความสูญเสียจากการฉ้อโกงบัตรทั่วโลกลดลง 1.2% เหลือ 33.41 พันล้านดอลลาร์สหรัฐ ส่วนหนึ่งเป็นเพราะโมเดลการป้องกันการฉ้อโกงที่ขับเคลื่อนด้วย AI

ด้านล่างนี้ เราจะมาสำรวจว่าระบบตรวจจับการฉ้อโกงสมัยใหม่ทำงานอย่างไร ทำไมผลบวกลวงจึงมีต้นทุนสูงพอๆ กับการฉ้อโกง และคุณจะประเมินและปรับปรุงเครื่องมือของคุณเพื่อให้ได้ผลลัพธ์ที่ดีขึ้นได้อย่างไร

ประเด็นสำคัญ

• ระบบตรวจจับการฉ้อโกงใช้ตรรกะแบบอิงกฎและแมชชีนเลิร์นนิงร่วมกันเพื่อตรวจจับธุรกรรมที่ฉ้อโกงแบบเรียลไทม์ ความท้าทายที่ใหญ่กว่าคือการลดผลบวกลวงให้เหลือน้อยที่สุด

• เมตริกหลักสี่ประการที่ขับเคลื่อนประสิทธิภาพของระบบการฉ้อโกง ได้แก่ อัตราการฉ้อโกง อัตราผลบวกลวง อัตราการดึงเงินคืน และอัตราการอนุมัติ แต่การปรับแต่งเพียงอย่างเดียวมักจะทำให้ส่วนที่เหลือแย่ลง

• การปรับแต่งอย่างต่อเนื่อง เช่น ข้อมูลตอบกลับหลังการอนุมัติ กฎตามบริบท และการทดสอบเกณฑ์อย่างรอบคอบ จะช่วยให้ระบบการฉ้อโกงมีความแม่นยำอยู่เสมอเมื่อเวลาผ่านไป

การตรวจจับการฉ้อโกงการชำระเงินคืออะไร

การตรวจจับการฉ้อโกงการชำระเงินคือขั้นตอนการระบุธุรกรรมที่ฉ้อโกงแบบเรียลไทม์ และดำเนินการก่อนที่เงินจะถูกโอนไปยังที่ที่ไม่ถูกต้อง ซึ่งอาจรวมถึงการปฏิเสธการชำระเงินสำหรับธุรกรรม การขอให้ตรวจสอบสิทธิ์ หรือการตั้งค่าสถานะธุรกรรมเพื่อตรวจสอบด้วยตนเอง ทั้งนี้ขึ้นอยู่กับความมั่นใจของระบบและความเสี่ยงที่ธุรกิจยินดีจะรับไว้

ระบบตรวจจับการฉ้อโกงสมัยใหม่ทำงานอย่างไร

ระบบตรวจจับการฉ้อโกงสมัยใหม่ประกอบด้วยกลไกหลายชั้นเข้าด้วยกัน ไม่มีวิธีการใดเพียงวิธีเดียวที่สามารถตรวจจับทุกสิ่งได้ กลไกเหล่านี้ทำงานตามลำดับหรือขนานกัน โดยแต่ละชั้นจะให้สัญญาณเพื่อนำไปสู่การตัดสินใจขั้นสุดท้าย

ชั้นการทำงานเหล่านี้มีดังนี้

การตรวจจับตามกฎ

เครื่องมือสร้างกฎจะใช้ตรรกะแบบคงที่หรือแบบไดนามิกกับข้อมูลธุรกรรม หากธุรกรรมตรงตามเงื่อนไขบางประการ ธุรกรรมนั้นจะถูกตั้งค่าสถานะหรือปฏิเสธการชำระเงิน การตรวจสอบความเร็วเป็นหนึ่งในกฎที่พบบ่อยที่สุด โดยจะติดตามความถี่ที่บัตร ที่อยู่อินเทอร์เน็ตโพรโทคอล (IP) หรืออุปกรณ์ปรากฏในธุรกรรมต่างๆ ในช่วงเวลาสั้นๆ แต่การตรวจสอบเหล่านี้มีความเปราะบาง เนื่องจากรูปแบบการฉ้อโกงเปลี่ยนแปลงไป และกฎที่ปรับแต่งมาเพื่อรับมือกับการโจมตีในเดือนที่แล้วอาจพลาดการโจมตีในเดือนนี้ได้

แมชชีนเลิร์นนิงและ AI

โมเดลแมชชีนเลิร์นนิงจะประเมินฟีเจอร์หลายร้อยรายการพร้อมกันเพื่อสร้างคะแนนความเสี่ยง โมเดลที่มีผู้สอนจะฝึกจากข้อมูลในอดีตที่มีการติดป้ายกำกับ และเรียนรู้ว่าฟีเจอร์ใดร่วมกันทำนายผลลัพธ์แต่ละอย่าง โมเดลที่ไม่มีผู้สอนจะตรวจจับความผิดปกติโดยไม่ต้องมีตัวอย่างที่มีป้ายกำกับ ซึ่งมีประโยชน์ในการค้นพบรูปแบบการฉ้อโกงที่ไม่เคยปรากฏในข้อมูลการฝึก ข้อได้เปรียบในทางปฏิบัติที่เหนือกว่ากฎเกณฑ์คือการสรุปความ โมเดลสามารถตรวจจับรูปแบบที่ไม่มีนักวิเคราะห์คนใดระบุไว้อย่างชัดเจนได้ เนื่องจากค้นพบโครงสร้างในข้อมูลมากกว่าเงื่อนไขที่เป็นลายลักษณ์อักษร

การตัดสินใจแบบเรียลไทม์

กฎและโมเดลต้องทำงานได้อย่างรวดเร็ว การให้คะแนนการฉ้อโกงอยู่ในช่วงเวลาการอนุมัติการชำระเงิน ดังนั้นความหน่วงที่เพิ่มขึ้นจะลดคอนเวอร์ชันลง โมเดลต้องมีน้ำหนักเบาพอที่จะให้คะแนนแบบเรียลไทม์ได้ และโครงสร้างพื้นฐานต้องสามารถขยายเพื่อรองรับปริมาณธุรกรรมที่สูงที่สุดได้ นอกจากนี้ระบบยังต้องดำเนินการตามข้อมูลบางส่วน เนื่องจากคุณมักจะไม่ทราบว่าธุรกรรมทำให้เกิดการโต้แย้งการชำระเงินหรือไม่จนกว่าจะผ่านไปหลายสัปดาห์

ปัญหาผลบวกลวงในการตรวจจับการฉ้อโกงการชำระเงินคืออะไร

ผลบวกลวง หรือที่เรียกว่า การปฏิเสธการชำระเงินที่ผิดพลาด คือธุรกรรมที่ถูกต้องตามกฎหมายแต่ระบบของคุณปฏิเสธอย่างไม่ถูกต้อง ซึ่งเป็นต้นทุนของการป้องกันการฉ้อโกงที่ไม่ค่อยมีใครพูดถึง แต่กลับส่งผลกระทบอย่างมาก หาก 0.1% ของธุรกรรมเป็นการฉ้อโกงและระบบของคุณบล็อกธุรกรรมที่ถูกต้องไป 1.0% อย่างไม่ถูกต้อง เท่ากับว่าคุณกำลังบล็อกลูกค้าที่ถูกต้องตามกฎหมายมากกว่าลูกค้าที่ทำการฉ้อโกงถึง 10 เท่า การสูญเสียรายรับโดยตรงนั้นเห็นได้ชัด และลูกค้าที่ถูกปฏิเสธการชำระเงินระหว่างการชำระเงินมักจะไม่พยายามทำรายการอีกครั้ง

เกณฑ์ที่รัดกุมเกินไปจะตรวจจับการฉ้อโกงได้มากขึ้นแต่ก็บล็อกลูกค้าที่ถูกต้องตามกฎหมายมากขึ้นด้วย การผ่อนปรนเกณฑ์จะช่วยเพิ่มอัตราการอนุมัติแต่ก็ปล่อยให้มีการฉ้อโกงเล็ดลอดไปได้มากขึ้นเช่นกัน ไม่มีรูปแบบการกำหนดค่าใดที่ขจัดปัญหาทั้งสองประการนี้ได้ โมเดลที่ดีกว่า ชุดฟีเจอร์ที่สมบูรณ์ยิ่งขึ้น และข้อมูลเครือข่ายที่มากขึ้นล้วนช่วยปรับสมดุลนี้

คุณควรใช้เมตริกใดเพื่อวัดประสิทธิภาพของการตรวจจับการฉ้อโกง

เมตริกสี่ประการต่อไปนี้มีความสำคัญที่สุดในการประเมินระบบตรวจจับการฉ้อโกง

• อัตราการฉ้อโกง: เปอร์เซ็นต์ของธุรกรรมที่เป็นการฉ้อโกง ซึ่งวัดจากปริมาณการโต้แย้งการชำระเงินหรือรายงานการฉ้อโกงที่ได้รับการยืนยัน อัตรานี้จะบอกคุณว่ามีการฉ้อโกงเล็ดลอดเข้ามามากเพียงใด แต่เป็นเพียงตัวบ่งชี้ตามหลังเท่านั้น

• อัตราผลบวกลวง: เปอร์เซ็นต์ของธุรกรรมที่ถูกต้องแต่ถูกปฏิเสธการชำระเงินอย่างไม่ถูกต้อง อัตรานี้วัดได้อย่างแม่นยำยากกว่า เนื่องจากคุณมักจะไม่รู้ว่าทำไมลูกค้าถึงละทิ้งการซื้อ แต่ข้อมูลธุรกรรมที่ถูกปฏิเสธการชำระเงินและรายงานการสนับสนุนจะช่วยให้คุณเห็นภาพได้

• อัตราการดึงเงินคืน: ปริมาณธุรกรรมที่มีการโต้แย้งการชำระเงินเมื่อเทียบกับปริมาณธุรกรรมทั้งหมด อัตราการดึงเงินคืนที่สูงอย่างต่อเนื่องอาจกระตุ้นให้เกิดโปรแกรมการตรวจสอบที่เรียกเก็บค่าปรับหรือข้อจำกัดในการประมวลผล ดังนั้นธุรกิจจึงควรพยายามรักษาเมตริกนี้ให้ต่ำเข้าไว้

• อัตราการอนุมัติ: เปอร์เซ็นต์ของธุรกรรมที่พยายามชำระเงินและได้รับการอนุมัติสำเร็จ อัตรานี้คือเมตริกด้านคอนเวอร์ชันของคุณ ซึ่งสะท้อนถึงการปฏิเสธการชำระเงินผ่านบัตรของบริษัทผู้ออกบัตรและการปฏิเสธการชำระเงินของระบบคุณ อัตราการฉ้อโกงที่เพิ่มขึ้นพร้อมกับอัตราการอนุมัติที่เพิ่มขึ้นมักหมายความว่าเกณฑ์หละหลวมเกินไป อัตราการอนุมัติที่ลดลงขณะที่อัตราการฉ้อโกงคงที่แสดงว่าเกณฑ์เข้มงวดเกินไป

คุณควรประเมินเครื่องมือตรวจจับการฉ้อโกงการชำระเงินอย่างไร

เครื่องมือที่เหมาะสมจะขึ้นอยู่กับปริมาณธุรกรรมของคุณ ทรัพยากรด้านเทคนิค และขอบเขตการควบคุมตรรกะการตรวจจับที่คุณต้องการ โดยแบ่งออกเป็น 3 ประเภทกว้างๆ ดังนี้

• เครื่องมือการฉ้อโกงที่ผสานการทำงานร่วมกับผู้ให้บริการการชำระเงิน (PSP): เครื่องมือเหล่านี้จะมาพร้อมกับ PSP ของคุณ โดยจะแชร์ข้อมูลจากขั้นตอนการชำระเงินและไม่ต้องใช้การผสานการทำงานแยกต่างหาก ข้อเสียคือมักจะมีการปรับแต่งที่จำกัด คุณต้องพึ่งพาคุณภาพของโมเดล PSP และจะไม่สามารถปรับแต่งเกณฑ์หรือกฎได้อย่างง่ายดาย นอกเหนือจากสิ่งที่ผู้ให้บริการเปิดเผย

• แพลตฟอร์มแมชชีนเลิร์นนิงของบริษัทอื่น: แพลตฟอร์มเหล่านี้นำเสนอการสร้างโมเดลที่ซับซ้อนยิ่งขึ้น โดยมักมีการปรับแต่งเฉพาะสำหรับอุตสาหกรรมและการควบคุมกฎและเกณฑ์ในรายละเอียด แพลตฟอร์มเหล่านี้จะผสานการทำงานผ่าน Application Programming Interfaces (API) และให้คะแนนธุรกรรมก่อนหรือระหว่างการอนุมัติ การตั้งค่าการผสานการทำงานนั้นต้องใช้ความพยายามมากกว่า และการกำหนดเส้นทางข้อมูลไปยังระบบภายนอกจะทำให้เกิดความหน่วงที่คุณต้องนำมาพิจารณาด้วย

• ระบบภายใน: ระบบเหล่านี้ช่วยให้คุณสามารถควบคุมได้สูงสุดเพราะคุณเป็นเจ้าของโมเดล ไปป์ไลน์ข้อมูล และตรรกะการตัดสินใจ การควบคุมดังกล่าวมาพร้อมกับต้นทุนทางวิศวกรรมที่สูงพอสมควร การสร้างและบำรุงรักษาระบบการฉ้อโกงภายในองค์กรจำเป็นต้องมีการพัฒนาโมเดลอย่างต่อเนื่องเพื่อให้ล้ำหน้ารูปแบบการฉ้อโกงที่พัฒนาอยู่ตลอดเวลา

เมื่อคุณเปรียบเทียบตัวเลือกต่างๆ คำถามบางข้ออาจช่วยให้คุณพิจารณาคำกล่าวอ้างของผู้จำหน่ายได้

• ความแม่นยำในการตรวจจับสำหรับส่วนผสมของธุรกรรมเฉพาะของคุณคือเท่าใด

• อัตราผลบวกลวงที่เกณฑ์การฉ้อโกงเป้าหมายของคุณมีลักษณะเป็นอย่างไร

• คุณจะรับมือกับรูปแบบการฉ้อโกงแบบใหม่ได้เร็วแค่ไหน คุณจะเพิ่มกฎแบบเรียลไทม์ได้ หรือต้องใช้ตั๋วการสนับสนุนใช่ไหม

• เวิร์กโฟลว์ของคิวการตรวจสอบด้วยตนเองมีลักษณะอย่างไร และสร้างภาระในการปฏิบัติงานมากน้อยเพียงใด

Stripe Radar สร้างขึ้นเพื่อรักษาสมดุลระหว่างความอัจฉริยะและความยืดหยุ่นในการตรวจจับการฉ้อโกง ซึ่งจะสามารถหยุดยั้งการฉ้อโกงโดยไม่ทำให้อัตราการอนุมัติลดลงได้ ธุรกิจจะมองเห็นคะแนนความเสี่ยงของ Radar และสามารถสร้างกฎเพิ่มเติมได้โดยไม่ต้องเขียนโค้ด ธุรกิจอาจบล็อกธุรกรรมที่สูงกว่าเกณฑ์ที่กำหนด ขอให้มีการตรวจสอบสิทธิ์แบบ 3D Secure สำหรับช่วงคะแนนที่ระบุ หรือใช้ตรรกะที่เข้มงวดมากขึ้นกับหมวดหมู่ผลิตภัณฑ์เฉพาะ

คุณจะลดความเสี่ยงจากการฉ้อโกงโดยไม่ส่งผลกระทบต่ออัตราการอนุมัติได้อย่างไร

การเพิ่มประสิทธิภาพเป็นสิ่งที่ต้องทำอย่างต่อเนื่องเนื่องจากรูปแบบการฉ้อโกงมีการเปลี่ยนแปลง ฐานลูกค้าของคุณก็เปลี่ยนไป และระบบที่ปรับแต่งมาสำหรับส่วนผสมของธุรกรรมในไตรมาสที่แล้วอาจทำงานได้ไม่ดีในไตรมาสนี้ แนวทางปฏิบัติบางประการอาจช่วยสร้างความแตกต่างอย่างสม่ำเสมอได้ดังนี้

• ป้อนสัญญาณหลังการอนุมัติกลับเข้าสู่โมเดลของคุณ: การดึงเงินคืนและรายงานการฉ้อโกงที่ได้รับการยืนยันแล้วคือสัญญาณที่โมเดลของคุณต้องการ การป้อนข้อมูลเหล่านี้กลับเข้าไปในข้อมูลการฝึกอบรมเป็นประจำจะช่วยป้องกันไม่ให้ความแม่นยำในการตรวจจับคลาดเคลื่อนไปเมื่อรูปแบบการฉ้อโกงเปลี่ยนแปลง โมเดลแบบคงที่จะเสื่อมประสิทธิภาพลงเมื่อเวลาผ่านไป

• แบ่งกลุ่มกฎของคุณตามบริบท: การตรวจสอบความเร็วที่ปรับเทียบสำหรับธุรกรรมเฉลี่ยของคุณอาจเข้มงวดเกินไปสำหรับลูกค้าที่มีมูลค่าสูงและซื้อซ้ำ และหละหลวมเกินไปสำหรับลูกค้าใหม่ กฎที่คำนึงถึงประวัติลูกค้า ประเภทผลิตภัณฑ์ หรือบริบทการซื้อจะทำให้เกิดผลบวกลวงน้อยกว่าเกณฑ์แบบครอบจักรวาล

• จัดการคิวการตรวจสอบของคุณอย่างจริงจัง: ธุรกรรมที่ถูกตั้งค่าสถานะให้ตรวจสอบด้วยตนเองจะอยู่ระหว่างการอนุมัติและการปฏิเสธการชำระเงินโดยอัตโนมัติ หากคิวของคุณมีขนาดใหญ่และดำเนินการช้า คุณกำลังทำให้ลูกค้าที่ถูกต้องตามกฎหมายต้องรอนาน หรือปล่อยให้ไม่มีการตรวจสอบการฉ้อโกง การจัดลำดับความสำคัญตามคะแนนความเสี่ยงและการกำหนดเส้นทางการยกระดับปัญหาที่ชัดเจนจะช่วยปรับปรุงผลลัพธ์ทั้งสองด้านได้

• ทดสอบการเปลี่ยนแปลงเกณฑ์: เมื่อคุณปรับกฎหรือเกณฑ์ของโมเดล ให้ทดสอบกับกลุ่มตัวอย่างของธุรกรรมก่อนที่จะนำไปใช้ในวงกว้าง นั่นเป็นวิธีเดียวที่จะทราบได้ว่าการเปลี่ยนแปลงดังกล่าวช่วยปรับปรุงข้อแลกเปลี่ยนระหว่างการฉ้อโกงและการอนุมัติให้ดีขึ้น หรือเป็นเพียงแค่การเปลี่ยนจุดสมดุลเท่านั้น

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