CEO Maxpay
Борьба с мошенничеством становится все более актуальной темой. В первую очередь это касается сегмента e-commerce.
Как компаниям бороться с онлайн-фродом: советы эксперта
Недавно стало известно от том, что от махинаций пострадала одна из крупнейших платежных компаний — Western Union. Компания была оштрафована на $586 миллионов за то, что проигнорировала использование своего сервиса третьими лицами в преступных целях, а именно для отмывания денежных средств и онлайн-мошенничества.
Но как, открыв бизнес в сети, защитить себя от мошенников? Для стартапов существует несколько простых шагов для минимизации потерь от онлайн-фрода.
Для начала необходимо создать алгоритм работы компании, который позволит противостоять мошенникам:
- Анализировать все критические действия пользователей на вашем сайте, такие как регистрация, IP, логин, имя карты и другие.
- Проводить перекрёстный анализ данных пользователей, используя человеческие ресурсы и алгоритм машинного обучения.
- Использовать самообучающиеся программы для анализа данных потребителей.
Создание и обучение системы займет немало времени, но принесет значительный результат. Такие скоринговые системы с автоматизированным процессом принятия решений позволят существенно сократить эксплуатационные накладные расходы на защиту от мошенников. Но с чего начать?
ШАГ 1 — Первоначальная проверка. Создание траст-листа (списка доверия).
- Проверка потенциального клиента по глобальной базе мошеннических идентификаторов.
Ряд онлайн-сервисов (например, этот) могут проверить, попадался ли тот или иной покупатель на мошенничестве при покупке контента, товара, услуги.
Дополнительную пользу в первоначальной настройке программы могут принести:
- объединение нескольких поставщиков для создания единой базы и принятия более точных решений
- партнерство с Ethoca повысит вероятность предупредить появление возвратных платежей.
Для того, чтобы создать базу на сайте, необходимо ввести обязательное требование аутентификации: адрес электронной почты, номер телефона, IP-адрес, запрос отпечатков пальцев с устройства и другие.
ШАГ 2 — ПОДСЧЕТ РИСКОВ
- Создание скоринговых моделей, которые формируются с помощью «дерева решений» («ЕСЛИ — ТО»). Таким образом можно проанализировать данные потребителя.
ЕСЛИ карта клиента не именная, имя не совпадает с регистрационным на сайте, ТО начисляются баллы. Чем больше количество баллов, тем выше риск быть обманутым покупателем.
Система должна учитывать множество факторов: пол, карта какого банка (именная/неименная), адрес, страна, где зарегистрирован IP и т. д. Все эти факторы необходимо учитывать при расчете потенциальных рисков.
На основе полученных данных составляется сценарий работы с клиентом. База подсчитывает суммарное количество баллов и составляет оценку рисков.
ШАГ З — РЕШЕНИЕ
- Система, анализирующая данные, принимает решение.
Каждый потребитель получает баллы в оценке рисков. Например:
оценка риска> = 80 – отклонить запрос (черный список)
оценка риска> от 60 до 80 – запрос требует повышенного внимания (серый список)
оценка риска <60 – принятие запроса (белый список)
Создав подобную систему, можно отслеживать нежелательных клиентов и отсеивать их. Часть запросов программа будет отсеивать самостоятельно, часть потребует внимания со стороны человека.
В процессе работы необходимо точечно отслеживать и обучать программу, ведь в черный список могут попасть и безопасные клиенты. Но создав или воспользовавшись уже готовой программой, возможно на порядок сократить связанные эксплуатационные накладные расходы на защиту от мошенников.
