机器学习以降低风险
利用机器学习减少支付欺诈
在当今快速发展的数字经济中，商户面临着双重挑战：既要防止欺诈，又要尽量减少可能疏远真正客户的错误拒绝。我们的机器学习（ML）算法通过在预授权评估阶段对支付进行筛选，提供了一个强大的解决方案。支付处理预授权阶段的 ML 是预防欺诈的关键一步。通过在交易进入授权阶段之前筛选付款和评估风险，ML 算法可提供以下几个关键优势：
早期发现：在交易进行之前，根据交易数据和历史模式主动识别潜在的欺诈活动。这种主动方法可在初始阶段阻止欺诈者，降低欺诈交易被处理并造成财务损失的可能性。
节约成本：在交易过程中及早预防欺诈行为，可降低与拒付、商品丢失以及管理和支付费用相关的成本。此外，通过降低错误拒绝率，商户可以从合法交易中保留更多收入。
此评估利用支付请求的信息以及我们广泛网络的历史数据，生成风险等级分类（极低、低、中、高、极高）。
商户为何应拥抱机器学习
商户通常很难在检测欺诈和避免阻止真实客户之间取得平衡。错误拒绝造成了巨大的经济负担，估计每年给电子商务企业造成 4,430 亿美元的损失，远远超过实际欺诈的成本。
一直以来，Protect 都依赖于人工风险规则；这是一种复杂而耗时的方法，需要持续监控和被动更新，以适应不断变化的欺诈模式。如果不加以认真管理，企业很容易受到欺诈行为的侵害。为了支持商户在预防欺诈与客户体验之间取得平衡，我们最新版本的风险引擎在风险配置文件的核心部分引入了机器学习，目的是减少人工工作量并提高性能。
机器学习在欺诈防范中的优势
利用 Adyen 全球交易数据：从 Adyen 平台检测到的洞察和模式中获益。帮助你更快地识别新的和真实的购买者，减少误报，改善客户体验；
运营效率：减少风险管理团队的手动工作量
增强的欺诈检测：更准确、更主动地捕捉复杂的欺诈模式。
它是如何工作的？
高级层利用交易属性、ShopperDNA 和 Adyen 全球交易数据来识别欺诈活动。它支持两种不同的模型：
机器学习：机器人攻击风险：自动阻止机器人和卡片测试等高速攻击。依靠购买者电子邮件和 IP 地址等关键数据点来检测高速或重复模式。
机器学习：欺诈风险：根据发卡行标签预测欺诈争议的可能性，重点关注有争议的支付方式（卡（借记卡/贷记卡）和 PayPal）。
商户可以根据风险偏好，灵活配置“机器学习：欺诈风险”检查的严格程度。默认设置为“高”阈值，以平衡欺诈防范和客户满意度，确保真正的购买者很少被阻止，同时保持可接受的欺诈水平。不过，商户可以根据自己的具体需求调整该阈值。
必须认识到，某些类型的欺诈超出了我们当前的 ML 模型的范围。我们建议使用领域专业知识创建自定义规则，以提高整体表现。
基础级利用交易和购买者的属性（即购买者电子邮件、IP 地址、卡号段）来识别高速攻击。该版本支持基于规则的模型，旨在为您节省过高的重试费用，且无法进行自定义。