Podvody v hodnote 362 miliárd dolárov: Ako môžu poznatky pomôcť znížiť straty a zlepšiť digitálny zážitok

S rastúcim vplyvom podvodov sú spotrebitelia pochopiteľne opatrnejší. Podľa nedávnej správy spoločnosti Mastercard až 91 % opýtaných uviedlo, že by zvážili úplné opustenie spoločnosti, ak by sa pri nákupe stretli s podvodom.

Aj obchodníci sú opatrní: Ten istý výskum zistil, že takmer štyria z desiatich obchodníkov sa obávajú, že budú klasifikovaní ako vysoko rizikoví z hľadiska podvodov, pretože finančné inštitúcie si v reakcii na to často účtujú vyššie poplatky.

Rastúci počet podvodov komplikuje fakt, že pohodlie je stále dôležité – a to veľmi dôležité.

Náš výskum ukazuje, že viac ako štvrtina (28 %) spotrebiteľov zrušila transakciu z frustrácie z toho, ako dlho trvalo zadanie ich údajov. A ich očakávania týkajúce sa agility pravdepodobne zostanú vysoké: spotrebitelia generácie Z majú takmer 2,5-krát vyššiu pravdepodobnosť, že si budú želať rýchly online nákup ako napríklad generácia Baby Boomers.

Napriek tomu, dosiahnutie správnej rovnováhy medzi bezpečnosťou a pohodlím nie je jednoduché rozdelenie 50/50. Tá istá správa naznačuje, že väčšina nakupujúcich (77 %) uprednostňuje bezpečnosť pred rýchlosťou počas online transakcií.

Ako teda môžu firmy poskytnúť inteligentnejší a bezpečnejší používateľský zážitok? Najprogresívnejšie organizácie využívajú a konajú na základe údajov a poznatkov na zlepšenie svojich taktík predchádzania podvodom.

Pre dnešné podniky pramení skutočná konkurenčná výhoda z inteligentného využívania poznatkov a nastavenia správnych parametrov na bezproblémové overovanie skutočných transakcií.

Keďže podvodníci používajú čoraz sofistikovanejšie metódy – vrátane tých, ktoré využívajú umelú inteligenciu, ktorá môže pre zlých aktérov vytvoriť nové vektory útoku – podniky sa musia spoliehať na viac než len na stanovené pravidlá, ktoré fungovali v minulosti. Budúcnosť spočíva v kontextovej inteligencii a poznatkoch o identite: v pochopení toho, ako sa jednotlivé informácie prepájajú, ako sa vzory odchyľujú od normy a ako interpretovať jemné signály v reálnom čase.

Vykonajte transakciu s e-mailovou adresou john.doe@gmail.com. Na základe poznatkov z predchádzajúcich transakcií dokáže systém s umelou inteligenciou identifikovať, či bol e-mail vytvorený nedávno, čo naznačuje možnú podvodnú aktivitu, alebo či ide o dlhodobú a dôveryhodnejšiu e-mailovú adresu.

Aby firmy vytvorili bezpečnejší transakčný zážitok bez toho, aby obetovali agilitu, musia využiť kombináciu strojového učenia, historických vzorcov a prehľadov v reálnom čase. Tu je niekoľko bežných typov poznatkov, ktoré vám môžu pomôcť dosiahnuť tento cieľ:

1. Osobné schopnosti: Analýzou bežných identifikátorov, ako sú mená, e-maily, adresy a telefónne čísla, v správnom kontexte môžu firmy získať prehľad o týchto identifikátoroch, ktorý im môže pomôcť pri rozhodovaní o tom, či pokračovať a potvrdiť digitálnu interakciu. Tu sú tri dôležité veci, ktoré treba zvážiť, najmä pokiaľ ide o nových používateľov: 

• E-mail: Bola e-mailová adresa nedávno vytvorená alebo sa už predtým objavila v legitímnych transakciách. 
• Meno: Bolo meno tejto osoby už predtým prepojené s týmto e-mailom alebo dodacou adresou? 
• Telefónne číslo: Je telefónne číslo v súlade s predchádzajúcim správaním pri nákupoch alebo bolo označené pri predchádzajúcich pokusoch o podvod? 

Tieto poznatky, keď sa skombinujú a analyzujú, môžu priradiť skóre, ktoré odráža celkové riziko transakcie. Vyššie skóre rizika nemusí nevyhnutne znamenať výskyt niečoho škodlivého – ale mohlo by si to vyžadovať bližší pohľad na poznatky použité na toto určenie. Dobrou správou je, že obchodníci môžu na základe každého skóre vytvárať automatizované akcie, čo znamená, že prechádzajú bezpečnejšie transakcie, zatiaľ čo potenciálni podvodníci sa stretávajú s ďalšími kolami overovania.

2. Schopnosti správania: Tento typ informácií sa vzťahuje na to, ako niekto interaguje so stránkou alebo službou. So správnymi nástrojmi to môže byť často výpovednejšie ako priame informácie, ktoré poskytujú. Tu je potenciálny varovný signál, na ktorý si treba dať pozor:

• Hodnota a objem transakcií: Je veľkosť alebo frekvencia transakcií pre tohto konkrétneho používateľa netypická?

Modely umelej inteligencie a strojového učenia sa učia z týchto vzorcov a označujú správanie, ktoré sa výrazne odchyľuje od očakávaných noriem. Postupom času sa stávajú múdrejšími – rozlišujú medzi darčekom kúpeným neskoro v noci a podvodníkom konajúcim s falošnou identitou.

3. Možnosti zariadenia: Typ zariadenia, ktoré spotrebiteľ používa na prístup k službám firmy, ako napríklad telefón, tablet alebo počítač, môže poskytnúť kľúčový prehľad o legitímnosti. Firmy by mali sledovať:

• Konzistentnosť: Je zariadenie spotrebiteľa to, ktoré tento účet zvyčajne používa?
• Typ zariadenia: Je operačný systém alebo prehliadač zastaraný, rootnutý alebo je o ňom známe, že je spojený s podvodnou aktivitou? Napríklad zariadenie so systémom Android, ktoré zobrazuje používateľského agenta s prehliadačom Safari v systéme Apple iOS, by mohlo byť dôvodom na obavy.

Tieto typy poznatkov možno spoločne začleniť do modelu rizika v reálnom čase. Menšia nezrovnalosť môže zostať nepovšimnutá – ale ak sa nahromadí dostatok nezrovnalostí, prejavia sa v skóre rizika.

Firmy sa musia v konečnom dôsledku rozhodnúť, ako tieto poznatky implementujú, aby obohatili svoje rozhodovanie o podvodoch. Napríklad nezhoda telefónneho čísla a IP adresy – čo je relatívne bežný jav – by nezabránila bežnému priebehu transakcie, zatiaľ čo určité vzorce podvodov by mohli spustiť dvojfaktorové overenie alebo dočasné zablokovanie.

Tieto vrstvy inteligencie umožňujú firmám vybudovať bezproblémový zážitok, ktorý je bezpečný aj efektívny. Namiesto toho, aby moderné nástroje na boj proti podvodom prenášali záťaž na zákazníkov, využívajú prehľady na overenie legitimity v zákulisí – zabezpečujú skutočné transakcie s rýchlejšími platbami a zároveň zastavujú zlých aktérov skôr, ako spôsobia škodu.

Vzhľadom na prepojenosť dnešných ekosystémov, sofistikovanosť útokov, dostupnosť služieb na riešenie podvodov a vierohodnosť schém a podvodov sa firmy môžu cítiť, akoby kráčali po lane medzi bezpečnosťou a pohodlím. Je však zodpovednosťou všetkých podnikov chrániť spotrebiteľov a ekosystémy vo veľkom meradle – a môžu to urobiť, pokiaľ sú vybavené správnymi stratégiami.

Využitím komplexnejších poznatkov z online interakcií môžu firmy zefektívniť používateľskú skúsenosť od prihlásenia až po odhlásenie. Tieto presnejšie a merateľné dátové poznatky môžu tiež viesť k rýchlejšiemu schvaľovaniu transakcií, vyšším príjmom a lepším zákazníckym skúsenostiam, ktoré inšpirujú k lojalite.

Príležitosť je jasná, riešenia existujú a čas sa kráti. Nie je lepší čas začať ako teraz. Využite naše zdroje pre dôveryhodné transakcie, ktoré vám pomôžu minimalizovať podvody, maximalizovať mieru schválenia a zabezpečiť lepšie rozhodovanie.