La demanda de los consumidores está impulsando a los comerciantes a expandirse conjuntamente y ofrecer flujos omnicanal nuevos e innovadores. Y a medida que los negocios cambian, el fraude se vuelve cada vez más enredado. Pero incluso en este panorama en constante cambio, muchos comerciantes todavía usan sistemas obsoletos basados en reglas que luchan por mantenerse al día. Y lo que es peor, están obligando a los comerciantes a desembolsar medios para modificarlos y ajustarlos constantemente.
A diferencia de las reglas oportunas, el enseñanza instintivo hace que la gobierno del fraude sea escalable. Al utilizar esta tecnología, los comerciantes pueden seguir innovando, no solo en el ámbito de la gobierno del fraude, sino incluso alrededor de una mejor experiencia del cliente, lo que puede traducirse en un crecimiento de los ingresos a través del valencia del tiempo de vida del cliente.
En esta publicación, explicaré por qué el enseñanza instintivo supera a los sistemas tradicionales de prevención de fraude basados en reglas.
Toma de decisiones adaptativa
Los millennials siempre están en movimiento, de hecho, la averiguación de consumidores de Riskified encontró que el 45% de ellos usa sus teléfonos inteligentes para comprar en radio. Sin bloqueo, tan solo hace dos primaveras, más del 90 % de los comerciantes todavía usaban una única logística para analizar las transacciones web y móviles. Por lo tanto, una regla diseñada para revisar los pedidos de escritorio no tendría en cuenta los datos geográficos que son exclusivos de las transacciones móviles. Supongamos que un estudiante universitario de EE. UU. que viaja por Europa intenta reservar entradas desde su dispositivo móvil para un próximo concierto en Nueva York, utilizando su maleable de crédito estadounidense: desde la perspectiva de las reglas, esto parecería una discrepancia de IP/BIN y, por lo tanto, una disminución. sería más probable.
¿Cómo puede ayudar el enseñanza instintivo?
Modelos de enseñanza instintivo, no use reglas establecidas. En cambio, los factores de aventura y su relevancia se determinan en función de los patrones más actuales, como se refleja en las enormes cantidades de datos de pedidos en tiempo vivo. Los modelos evalúan miles de puntos de datos, incluidos IP y dispositivos, para refinar la toma de decisiones en función de las combinaciones de datos más influyentes de un pedido en un momento regalado. El resultado es una comprensión más precisa y adaptativa de los patrones de operación.
Mejores datos (con la ayuda de funciones)
La investigación de Riskified reveló que casi un tercio de los compradores que fueron rechazados por error abandonaron su operación por completo o se dirigieron a un competidor. Esto no solo significa una liquidación perdida para el comerciante, sino, lo que es más importante, una pérdida de tiempo y la pérdida de la franqueza de un cliente valioso. Una forma efectiva de contrarrestar esto es dejar de banda las reglas estrictas. Las reglas son esencialmente en blanco y enfadado, y tal rigidez simplemente no puede explicar los cientos de variables involucradas en la identificación del fraude. La razón por la que los modelos pueden evaluar una transacción con tanta precisión y velocidad es el resultado de las características, que son una parte fundamental de los modelos de máquinas.
Las funciones son los nociones de datos utilizados en una tarea de predicción de enseñanza instintivo; pueden ser simples, como el monto del pedido, o más complejos, como una coincidencia entre el idioma del teclado y el país de origen de la maleable de crédito. El valencia o el peso de una característica se correlaciona con su contribución al nivel caudillo de aventura. Este es el núcleo de cómo los modelos ayudan a contextualizar los datos.
¿Qué significa esto para el fraude?
Lo que efectivamente se destaca de las funciones es que pueden ser dinámicas. Las funciones dinámicas permiten que los modelos reaccionen en tiempo vivo a medida que se desarrolla el fraude. Una característica dinámica podría ser una combinación de IP y BIN específicamente riesgosa, por ejemplo, una IP india con una maleable de crédito francesa. Si hay un pico repentino de fraude con esta combinación de IP y BIN, el nivel de aventura se ajustaría inmediatamente en todos los modelos con esta función. El sorpresa de esto es predicciones más rápidas y precisas y menos caídas falsas. Para el comerciante, esto significa que los modelos pueden detectar continuamente el aventura en los esquemas de fraude emergentes.
Formación Contextual
Siempre es importante tener en cuenta la preparación para el futuro cuando se piensa en una alternativa de gobierno del fraude. Las reglas no son fáciles de probar en el tiempo. Requieren importantes medios internos para seguir siendo relevantes. Los modelos de enseñanza instintivo, por otro banda, pueden mejorar la precisión a escalera.
¿Cómo hacen esto los modelos?
A través de un proceso de capacitación, el maniquí se refina utilizando la representación más precisa del panorama flagrante del fraude. Una buena guisa de pensar en esto es mirar la temporada navideña. Los picos en los pedidos internacionales y los envíos acelerados son comunes ya que los compradores se apresuran a obtener las mejores ofertas y sus regalos se entregan a tiempo para amigos y familiares. Estos picos serían muy riesgosos para un maniquí entrenado ayer de las holganza y la precisión se vería comprometida. Es por eso que la capacitación no es igual para todos. Más acertadamente, cada maniquí tiene una forma única de calibrar el éxito según cómo, dónde y cuándo se aplica el maniquí.
Al ampliar los comportamientos de operación únicos, los modelos hacen predicciones más precisas sobre datos no vistos, sin importar la temporada. Para un comerciante, esto significa una alternativa de gobierno de fraude maleable que perfeccionamiento con el tiempo.
La radio de fondo
El enseñanza instintivo puede ayudar a los comerciantes a diligenciar la complejidad del panorama flagrante del comercio electrónico. Para obtener más información sobre nuestros modelos y la pila de tecnología, lea cómo usamos la vinculación elástica como parte de nuestro proceso de revisión.