Machine learning pour atténuer les risques
Utiliser le machine learning pour réduire la fraude aux paiements
Dans l'économie numérique moderne à l'évolution rapide, les commerçants doivent relever le double défi de prévenir la fraude tout en réduisant les faux refus qui peuvent éloigner les clients légitimes. Notre algorithme de machine learning offre une solution robuste en filtrant les paiements lors de l'évaluation de pré-autorisation. Dans la phase de pré-autorisation du traitement des paiements, le machine learning constitue une étape cruciale de la prévention de la fraude. En filtrant les paiements et en évaluant les risques avant que les transactions n'atteignent l'étape d'autorisation, les algorithmes de machine learning offrent plusieurs avantages clés :
Détection précoce : identifiez de manière proactive les potentielles activités frauduleuses sur la base des données de transaction et des schémas historiques avant qu'elles ne soient finalisées. Cette approche proactive interrompt les fraudeurs dès le début, réduisant ainsi la probabilité que des transactions frauduleuses soient traitées et entraînent des pertes financières.
Économies : prévenir la fraude dès le début d'une transaction réduit les coûts liés aux rétrofacturations, à la perte de marchandises, à l'administratif et aux paiements. De plus, en réduisant les faux refus, les marchands peuvent conserver davantage de revenus provenant de transactions légitimes.
Cette évaluation utilise les informations des demandes de transaction ainsi que les données historiques de notre vaste réseau, pour générer une classification du risque (Very Low (Très faible), Low (Faible), Medium (Moyen), High (Élevé), Very High (Très élevé)).
Pourquoi adopter le machine learning en tant que marchand
Les marchands ont souvent du mal à trouver un équilibre entre détecter la fraude et éviter de bloquer des clients légitimes. Les faux refus représentent un fardeau financier important, coûtant aux entreprises de e-commerce environ 443 milliards de dollars par an, ce qui dépasse de loin le coût de la fraude réelle.
Jusqu'à maintenant, Protect s'appuyait sur des règles de risque manuelles. Cette approche complexe et chronophage nécessitait une surveillance constante et des mises à jour réactives pour garder une longueur d'avance sur l'évolution des schémas de fraude. Cela peut exposer les entreprises à la fraude si elles ne sont pas assidûment gérées. Pour aider les marchands à équilibrer prévention de la fraude et expérience client, notre dernière version du moteur de risque introduit le machine learning au cœur du profil de risque, dans le but de réduire la charge de travail manuelle et d'améliorer les performances.
Avantages du ML dans la prévention des fraudes
Exploitez les données de transaction mondiales d'Adyen : profitez des informations et des tendances détectées sur la plateforme Adyen. Reconnaissez plus rapidement les nouveaux acheteurs authentiques, réduisant ainsi les faux positifs tout en améliorant l'expérience client.
Efficacité opérationnelle : réduisez la charge de travail manuel pour les équipes de gestion des risques.
Détection améliorée de la fraude : capturez les schémas de fraude complexes de manière plus précise et proactive.
Comment ça marche ?
Le niveau Premium s'appuie sur les attributs de transaction, Shopper DNA et les données de transaction mondiales d'Adyen pour identifier les activités frauduleuses. Il prend en charge deux modèles distincts :
Machine learning : risque d'attaque de bot : bloque automatiquement les attaques à haute vitesse, telles que les attaques de bots et les tests de cartes. S'appuie sur des données cruciales, comme l'adresse e-mail et l'adresse IP de l'acheteur, pour détecter des schémas à haute vélocité ou répétitifs.
Machine learning : risque de fraude : prédit la probabilité de litiges frauduleux en fonction des libellés des émetteurs, en se concentrant sur les moyens de paiement contestables (cartes (débit/crédit) et PayPal)
Les marchands ont la possibilité de configurer la rigueur du contrôle « Machine Learning: Fraud Risk (Machine learning : risque de fraude) en fonction de leur appétence au risque. Le paramètre par défaut est réglé sur le seuil « High » (Élevé) pour équilibrer la prévention de la fraude et la satisfaction des clients. Ainsi, les acheteurs légitimes sont rarement bloqués et les niveaux de fraude restent acceptables. Cependant, les marchands peuvent ajuster ce seuil en fonction de leurs besoins spécifiques.
Il est crucial de comprendre que certains types de fraude échappent à la portée de nos modèles de machine learning actuels. Nous recommandons de créer des règles personnalisées en utilisant l'expertise du domaine pour améliorer les performances globales.
Le niveau Basique utilise les attributs de la transaction et de l'acheteur (c.-à-d. e-mail de l'acheteur, adresse IP, segment de carte) pour identifier les attaques à haute vitesse. Cette version accepte un modèle basé sur des règles visant à vous faire économiser sur des frais excessifs liés aux nouvelles tentatives, et ne peut pas être personnalisée.