欺诈评分通过将复杂的行为和支付信号转化为单一且可操作的指标，帮助团队实时评估交易欺诈风险。鉴于 2024–2025 年间企业因欺诈平均损失 7.7% 的年收入，利用欺诈评分评估交易风险已成为企业日益重视的工作重点。了解欺诈评分的运作机制及其适用边界，对于最大限度降低支付欺诈、避免不必要的拒付以及大规模制定更优风险决策至关重要。

下面，我们将解释欺诈评分是如何产生的、企业如何使用评分，以及如何清晰自信地解读评分。

本文内容

• 什么是欺诈评分？
  
• 欺诈评分如何帮助企业评估交易风险？
  
• 企业如何利用欺诈评分来批准或拒绝交易？
  
• 计算欺诈评分使用哪些数据？
  
• 欺诈评分有多准确？
  
• 为什么同一笔交易的欺诈评分会不同？
  
• 欺诈评分是欺诈的证据还是风险指标？
  
• Stripe Radar 如何提供帮助
  

什么是欺诈评分？

欺诈评分是一种表达风险的方式。它是一个信号，通常是数字或类别，用来估算某笔特定交易或行为存在欺诈的可能性。可以把它看作是总结性判断：根据系统目前能看到的一切，这看起来有多危险？欺诈评分不再强迫团队逐个评估数十个数据点，而是将它们浓缩成一个单一且可操作的指标。

欺诈评分如何帮助企业评估交易风险？

欺诈评分是实时生成的，通常在交易发生后的毫秒级时间内即可完成。这得益于评估流程的结构化和自动化。

欺诈评分的运作机制如下：

• 信号收集：交易发生时，系统将收集有关支付、客户、设备和背景的相关数据。

• 模式比较：每个信号都将与从历史合法和欺诈行为中学习到的模式进行比较。

• 风险权重：并非所有信号都同等重要。位置不匹配等明确的预警信号，其权重远高于轻微异常。

• 模型评估：评分模型通常由机器学习驱动，处理加权信号并通过将交易与已知结果进行比较，估计欺诈活动的可能性。

• 评分生成：结果是在一个指定范围内的单一评分，用以表示相对风险。

• 即时可用：评分即时返回，企业可以在不影响客户体验的情况下批准、阻止或审核交易。

• 持续学习：随着模型记录经确认的欺诈、成功交易和争议等结果，它会进行调整。持续的反馈有助于在欺诈策略变化时保持评分的有效性。

企业如何利用欺诈评分来批准或拒绝交易？

欺诈评分不会自己做决定。企业根据自身的风险承受能力和目标来制定应对措施。以下是一些常见的方法：

• 风险阈值：低风险得分会自动通过，这让大多数客户结账更快。

• 自动拒绝：超过定义风险阈值的得分会被阻止，以防止高风险欺诈行为引发撤单或后续损失。

• 人工审查队列：中等得分在风险不明但值得仔细审视时会转交人工审核员。

• 升级验证：有些得分会促使进一步验证，而非直接拒绝。

• 策略调整：团队会根据欺诈率、错误拒付和客户影响等结果定期调整阈值。

• 业务重点：通过将注意力集中在风险最高的活动上，欺诈评分可帮助团队高效扩展，而无需审核所有内容。

计算欺诈评分使用哪些数据？

欺诈评分由许多看似普通的小信号构成。但当这些信号结合起来时，它们便成为一个强大的指标。

下面将介绍如何使用支付数据计算欺诈评分：

• 交易详情：金额、货币、物品类型、时间和频率有助于判断活动是否符合正常模式。

• 支付信息：卡元数据、发卡国家/地区和计费详情的一致性将被检查。

• 客户历史：有成功交易记录的老客户评分通常低于新建或不活动账户。

• 账户和身份信号：电子邮件地址质量、账户账龄及资料信息完整性有助于确定可信度。一次性邮箱地址或新开账户通常存在风险。

• 设备数据：设备标识符表示设备是否曾被见过以及其过去的行为。

• 网络和位置信号：互联网协议 (IP) 数据有助于企业推断地理位置和网络特征。较大的差异或匿名服务往往会增加风险。

• 行为模式：异常结算行为或重复的凭证尝试会影响评分。

• 速度指标：在短时间内多次进行如登录和支付尝试的操作，可能预示着自动化操作或测试行为。

欺诈评分有多准确？

欺诈评分是预测工具，而非保证。欺诈评分的准确性取决于它们的构建方式、使用方式以及与企业风险特征的匹配程度。

请记住以下几点：

• 概率而非确定性：评分反映可能性。减少欺诈通常意味着接受一些错误拒付，而最大限度地减少摩擦通常意味着容忍更多风险。

• 误报和漏报：没有模型是完美的。企业必须不断在阻止欺诈与接受尽可能多的合法客户之间取得平衡。

• 数据质量：丰富、及时且准确的数据可提升性能，而不完整或过时的输入则会降低可靠性。

• 从结果中学习：当使用现实世界的结果（如经确认的欺诈、成功交易和争议）来训练系统时，模型会得到改进。

• 业务背景：客户行为、支付方式和风险承受能力差异很大，这会影响欺诈评分在实际应用中的预测效果。

• 持续重新校准：定期监控和调整，是保持评分与不断变化的欺诈形式保持一致的必要条件。

为什么同一笔交易的欺诈评分会不同？

同一笔交易在不同系统中收到不同的欺诈评分是正常的。这是因为欺诈评分没有标准化，并且取决于评估者。

以下是同一交易可能出现不同欺诈评分的原因：

• 不同模型：一些欺诈检测系统依赖规则，而另一些则依赖于训练不同数据集的机器学习模型。

• 数据可见性差异：一个提供商可能看到多家公司的活动，而另一个可能只看到单一企业的活动。

• 信号权重不同：模型对信号的优先级不同。位置、设备历史或交易速度，在某些系统中可能比其他系统更重要。

• 多元的风险偏好：部分企业为降低损失，会采用激进的评分方式；而另一些企业则为保障转化率，采取偏保守的评分方式。

• 量表差异：一个系统中的“高”评分在另一个系统中可能代表中等风险。

• 时间差异：后期生成的评分可能包含结账时不可用的信号。

欺诈评分是欺诈的证据还是风险指标？

欺诈评分是决策工具。高分表示风险升高，而非确认欺诈。合法客户在行为异常时仍可能获得高分，甚至看似安全的交易后来也可能被证明存在欺诈行为。

评分在与企业规则、人工审核或额外检查结合时效果最佳。它们的价值在于帮助企业及早采取行动，防止欺诈演变为损失或争议。虽然单个决策不一定完美，但欺诈评分能提升大量活动的整体结果。例如，Stripe Radar 平均将公司欺诈率降低 38%。

Stripe Radar 如何提供帮助

Stripe Radar 使用 AI 模型来检测和预防欺诈，这些模型基于 Stripe 全球网络的数据进行训练。随着欺诈手段的不断演变，它会根据最新的欺诈趋势不断更新模型，从而保护您的业务。

Stripe 还提供 Radar 风控团队版，让用户能够制定自定义规则以应对其业务特有的欺诈情境，并获取更深入的欺诈洞察。

Radar 能在以下方面助您一臂之力：

• 避免欺诈损失：Stripe 每年处理超过 1 万亿美元的支付交易。这种庞大的规模赋予了 Radar 独特的能力，使其能够精准地检测并预防欺诈行为，为您节省资金。

• 增加收入：Radar 的 AI 模型基于真实的争议数据、客户信息、浏览数据等多维度信息进行训练。这使得 Radar 能够识别高风险交易并减少误报，从而提升您的收入。

• 节省时间：Radar 内置在 Stripe 中，无需编写任何代码即可启用。您还可以在同一个平台上监控反欺诈表现、编写规则等，从而提高效率。

进一步了解 Stripe Radar，或立即开始使用。