リスクを軽減するための機械学習
機械学習で支払いの不正利用を軽減する
今日の急速に進化するデジタル経済において、業者は不正利用を防止しつつ、本物の顧客を遠ざける可能性のある誤った拒否を最小限に抑えるという二重の課題に直面しています。当社の機械学習(ML)アルゴリズムは、オーソリゼーション前評価中に支払いをスクリーニングすることで、堅牢なソリューションを提供します。決済処理のオーソリゼーション前フェーズにおける機械学習は、不正利用防止の重要なステップです。支払いを審査し、取引が認証段階に進む前にリスクを評価することにより、機械学習アルゴリズムは以下のいくつかの重要な利点を提供します:
早期検出:取引データと過去のパターンに基づいて、取引が進行する前に疑わしい不正利用を事前に特定します。この積極的なアプローチにより、不正利用犯を初期段階で阻止でき、不正取引が処理されて財務的な損害を引き起こす可能性が減少します。
コスト削減:取引プロセスの早い段階で不正行為を防止することで、チャージバック、商品の紛失、管理手数料や決済手数料に関連するコストが削減されます。さらに、誤った拒否を減らすことで、マーチャントは正当な取引からより多くの収益を確保できます。
この評価は、支払いリクエストの情報と広範なネットワークの履歴データを利用して、リスクの分類(非常に低い、低い、中程度、高い、非常に高い)を生成します。
マーチャントが機械学習を採用すべき理由
マーチャントは、不正利用を検出しつつ、本当の顧客を不正利用として阻止してしまう事態を避けることにしばしば苦労します。誤った拒否は、eコマースビジネスにとって大きな財務的負担となり、年間で推定$443億のコストがかかるとされています。これは実際の不正利用によるコストをはるかに超えています。
従来、Protectは主にリスクルールを手動で設定していました。これは、不正利用のパターンの進化に先んじるために、常に監視と反応的な更新を行う必要があり、複雑で時間がかかるアプローチです。厳重に管理しない場合、企業は不正の被害に遭う可能性があります。マーチャントが不正利用防止と顧客体験のバランスを取るために、リスクエンジンの最新バージョンでは、リスクプロフィールの中心に機械学習を導入しました。これにより、手動作業の負担を減らし、パフォーマンスの向上を目指しています。
不正防止における機械学習の利点
Adyenのグローバルな取引データを活用することで、Adyenプラットフォーム全体で検出されたインサイトやパターンからメリットを得ることができます。新規かつ正当な購入者をより早く認識できるように支援し、誤検知を減らし、顧客体験を向上させます。
運用効率:リスク管理チームの手動作業負担を軽減
不正検知の強化:複雑な不正パターンをより正確かつ積極的にキャプチャ
Protectの仕組み
プレミアムプランでは、取引属性、ShopperDNA、Adyenのグローバル取引データを活用して不正行為を検出し、2つの異なるモデルをサポートしています。
機械学習: ボット攻撃リスク: ボットやカードテストなどの高速攻撃を自動的にブロックします。購入者のメールアドレスやIPアドレスなどの重要なデータポイントを活用して、高速または繰り返しのパターンを検出します。
機械学習:不正利用リスク:発行者ラベルに基づいて不正利用の可能性を予測し、異議申立てが起こる可能性のある支払い方法(デビットカード、クレジットカード、PayPal)に焦点を当てます。
マーチャントは、自身のリスク許容度に基づいて「機械学習:不正利用リスク」チェックの厳格さを柔軟に設定することができます。デフォルト設定は、不正防止と顧客満足度のバランスをとるため「高」しきい値に設定されており、許容可能な不正レベルを維持しつつ、正当な購入者がほとんどブロックされないようにしています。しかし、マーチャントは特定のニーズに合わせてこのしきい値を調整することができます。
特定の種類の詐欺は、現在の機械学習モデルの範囲を超えていることを認識することが重要です。全体的なパフォーマンスを向上させるために、ドメインの専門知識を活用してカスタムルールを作成することをお勧めします。
ベーシックプランでは、高速攻撃を特定するために取引と購入者の属性(すなわち、購入者のメールアドレス、IPアドレス、カード情報)を使用します。このバージョンは、過剰な再試行手数料を節約することを目的としたルールベースのモデルをサポートしており、カスタマイズはできません。