Maschinelles Lernen vs. Zahlungsbetrug: Transparenz und Menschen auf dem Laufenden, um Kundenbeleidigungen zu minimieren

Fehlalarme oder Kundenbeleidigungen? Welches klingt besser? Es ist eine Fangfrage – es ist dasselbe, aber anders formuliert. Bei der binären Klassifikation a Falsch positiv ist ein Fehler in der Datenmeldung bei dem ein Testergebnis fälschlicherweise auf das Vorliegen einer Erkrankung hinweist (das Ergebnis ist positiv), obwohl diese in Wirklichkeit nicht vorliegt.

Selbst in unserem datengesteuerten Zeitalter könnte diese Definition für manche jedoch etwas trocken oder verwirrend klingen. Daher war die „Kundenbeleidigung“ geboren. In der Betrugsprävention wird der Begriff „Kundenbeleidigung“ verwendet, um ein falsch positives Ergebnis zu beschreiben: Eine Transaktion, die nicht betrügerisch ist, aber dennoch als verdächtig markiert wird.

Das kommt häufig vor und stellt ein größeres Problem dar, als Sie vielleicht denken. Eine aktuelle Umfrage von Sieben Bei einer Untersuchung von 1.000 Verbrauchern in den USA wurde festgestellt, dass bei 36 % der Befragten eine Transaktion aufgrund eines Betrugsverdachts fälschlicherweise abgelehnt wurde. Ein anderer

Studie von PwC fanden heraus, dass bereits ein einziges negatives Kundenerlebnis erhebliche Auswirkungen auf Einzelhändler haben kann.

Was kann also getan werden?

Die Betrugsbekämpfung basiert weitgehend auf maschinellem Lernen

Kevin Lee, Trust & Safety Architect bei Sift, leitete das Risk Ops-Team bei Quadrat zurück im Jahr 2013. Während seiner Zeit dort konzentrierten sie sich auf die Schadensverhütung, aber ebenso, wenn nicht sogar noch mehr, auf Benutzerwachstum und -akzeptanz. Lee hat nicht definitiv gesagt, dass Square den Begriff „Kundenbeleidigung“ erfunden hat. Aber er erwähnte, dass sie eine Möglichkeit brauchten, falsch positive Ergebnisse zu messen, und wollte es viszeraler beschreiben.

Daher begannen sie, den Begriff „Beleidigung“ zu verwenden. Der Begriff blieb hängen und ist seitdem Teil der Nomenklatur für Betrugs-, Risiko- und Vertrauens- und Sicherheitsteams geworden. Heute gab Sift die Einführung von Insult Monitor bekannt, einer Funktion für Online-Unternehmen, die ihren Umsatz durch die Reduzierung von Fehlalarmen steigern möchten. ZDNet Ich habe mich mit Lee in Verbindung gesetzt, um zu besprechen, wie das funktioniert und was es mit sich bringt.

Der Insult Monitor von Sift verspricht, den Umsatz von Online-Unternehmen zu maximieren, indem er die Falsch-Positiv-Raten bei Betrug misst und es diesen Unternehmen ermöglicht, Reibungsverluste bei legitimen Käufen zu reduzieren. Insult Monitor ist integriert mit Das Zahlungsschutzprodukt von Sift. Kunden können Beleidigungsmonitor in ihrer Sift-Konsole einrichten und Gruppen einrichten, um mit dem Testen der Kundenbeleidigungsraten zu beginnen.

Nach dem Test können die Teams für Betrug oder Vertrauen und Sicherheit die Schwellenwerte anpassen, um mehr legitime Bestellungen durchzulassen (Beleidigungsraten zu reduzieren) und gleichzeitig Betrug zu blockieren. Die große Frage ist, wie das funktioniert. Um das zu beantworten, müssen wir uns noch einmal mit der Frage befassen Grundlagen der Betrugsprävention im Allgemeinen und die Lösung von Sift im Besonderen. Beide basieren weitgehend auf maschinellem Lernen.

Lee gab an, dass Sift überwachtes maschinelles Lernen verwendet, weil es schneller ansteigt als unüberwacht – es sind nicht so viele Daten zum Lernen erforderlich. Sift nutzt sein globales Modell, das von über 34.000 Websites verwendet wird.

Sift wiederum nutzt diese Websites, um sich gegenseitig zu schützen, sagte Lee:

„Wir verfügen über Anpassungsfähigkeit und Anomalieerkennung in Echtzeit, was bedeutet, dass wir neue Formen von Bösem stoppen können, sobald sie auftauchen.“ Wir müssen nicht auf eine Modellaktualisierung oder die Generierung einer Regel warten. Dies verringert die Gesamtrisikoquote eines Unternehmens gegenüber Betrug.

Wir praktizieren dynamische Reibung, was bedeutet, dass maschinelles Lernen es uns/Händlern ermöglicht, bekannten, vertrauenswürdigen Kunden erstaunliche Benutzererlebnisse zu bieten. Dies ermöglicht es Händlern, die größeren/Amazon-ähnlichen Transaktionen mit mehr Tools abzuwickeln. Wir gleichen die Wettbewerbsbedingungen ein wenig aus.

Der heilige Gral für eine wirksame Betrugsbekämpfung: Transparenz und Menschen auf dem Laufenden

Was Fehlalarme betrifft, scheint jedoch ein großer Teil des Problems in der mangelnden Sichtbarkeit zu liegen. Entsprechend CNPs Betrugsbekämpfungsstudie 201842 % der Unternehmen kennen nicht einmal ihre False-Positive-Raten. Dies ist ein sehr hoher Prozentsatz, wenn man bedenkt, welche Auswirkungen Fehlalarme haben können. Liegt es daran, dass die Unternehmen es nicht besser wissen oder dass ihnen die Möglichkeit fehlt, dies zu überprüfen?

Bisher, so Lee, seien Unternehmen nicht in der Lage gewesen, ihre Falsch-Positiv-Raten zu messen, da dies die einzige Möglichkeit sei Sie würden wissen, ob eine Transaktion zu Unrecht abgelehnt wurde, wenn der Kunde sich an sie gewandt hätte, um dies zuzulassen wissen. Diejenigen, die sagen, dass sie ihre Falsch-Positiv-Raten kennen, stützen sich wahrscheinlich auf Kundenbeschwerden oder Schätzungen.

Dies, fügte Lee hinzu, ist einer der Unterschiede von Insult Monitor: Es bietet eine konkrete, quantitative Möglichkeit, Fehlalarme zu messen. Sift hat ein Sampling-Framework entwickelt, das es Händlern ermöglicht, eine Teilmenge der Bestellungen auszuwählen, die normalerweise abgelehnt würden. Unternehmen können sie entsprechend kennzeichnen und entweder loslassen oder einer zusätzlichen Überprüfung unterziehen, um festzustellen, welche tatsächlich betrügerisch sind und welche legitim sein könnten.

Sift behauptet, dass Unternehmen Insult Monitor sofort einrichten können, ohne dass Entwicklerressourcen erforderlich sind. Diese Funktion ist nicht auf maschinelles Lernen angewiesen. Vielmehr handelt es sich um ein Experimentier-Framework, das in die Arbeitsabläufe von Sift integriert ist. Sift habe Insult Monitor entwickelt, fügte Lee hinzu, weil viele Kunden ein Problem verspürten und fragten, ob es eine Möglichkeit gäbe, die Falsch-Positiv-Raten herauszufinden.

Dies sei in vielerlei Hinsicht der „heilige Gral“ zur Messung der Wirksamkeit von Betrugsbekämpfungsteams, sagte Lee Jetzt konnten sie lediglich nachverfolgen, wie sehr sie das Risiko mindern, und nicht, wie stark sie das Geschäft ausbauen.

Wir wissen nicht, wie gut sich das auswirken wird, aber der Ansatz scheint auf Best Practices aufzubauen: Einführung von Transparenz, damit Benutzer wissen, was im System vor sich geht, und Kontrolle, damit sie dies können eingreifen. Human-in-the-Loop-Ansätze für maschinelles Lernen gewinnen an Boden.

Unsere Erkenntnis: Je anspruchsvoller Unternehmen beim Einsatz von maschinellem Lernen werden, desto deutlicher werden die Einschränkungen und Abhilfemaßnahmen.

HINWEIS: Der Artikel wurde am 12. März 2020 aktualisiert, um die Anzahl der Websites anzuzeigen, die Sift verwenden.