كيف يقوم الذكاء الاصطناعي بتحويل منع الاحتيال في التجارة الإلكترونية
يعمل الذكاء الاصطناعي (AI) على تحويل جميع الصناعات تقريبًا، والتجارة الإلكترونية ليست استثناءً.
أحد المجالات التي تستخدم فيها الشركات الذكية عبر الإنترنت الذكاء الاصطناعي لتبسيط العمليات هو اكتشاف الاحتيال.
حيث استخدم التجار في السابق جحافل من الموظفين المكرسين لمراجعة المعاملات، يمكن للخوارزميات الآن تحليل ملايين نقاط البيانات للإبلاغ عن المخالفات والسلوك الاحتيالي.
يتطلب اكتشاف الاحتيال الناجح توازنًا دقيقًا ودقة قصوى. من ناحية أخرى، يحتاج التجار إلى رفض المعاملات الاحتيالية، والتي قد تكون باهظة الثمن.
من ناحية أخرى، لا يمكنهم إنكار المعاملات المشروعة، التي تسبب اضطرابًا وتضرًا بالسمعة.
وبالطبع، لا توجد طريقة سهلة للتمييز بين الخير والشر. ونتيجة لذلك، فقد ما يقدر بنحو 600 مليار دولار من عائدات التجارة الإلكترونية العالمية بسبب انخفاض المدفوعات في عام 2020.
ووجدت دراسة مخاطرة أيضًا أن 28٪ من العملاء سيتخلون تمامًا عن الشراء بعد تعرضهم لانخفاض في الدفع وأن 14٪ آخرين سيتسوقون مع منافس بدلاً من ذلك.
يتطلب تحقيق هذا التوازن ذكاءً اصطناعيًا مُعايرًا بعناية يمكنه التنبؤ بالسلوك المتزايد التعقيد لقاعدة المستهلكين العالمية.
محاربة الاحتيال في الدفع
الاحتيال في الدفع عبر الإنترنت في ارتفاع مستمر. وجدت دراسة حديثة من Juniper Research أن الخسائر التجارية المتراكمة بسبب الاحتيال في الدفع عبر الإنترنت ستتجاوز 343 مليار دولار على مستوى العالم بحلول عام 2027.
طرق الكشف عن الاحتيال التقليدية، التي غالبًا ما تستند إلى القواعد التي وضعها الإنسان والتي تحدد ما قد يؤدي إلى رفض المعاملة، تفسح المجال أمام اكتشاف احتيال أكثر كفاءة يعتمد على الذكاء الاصطناعي.
يعتمد اكتشاف الاحتيال المستند إلى القواعد على السياسات التي يجب أن تتنبأ مستقبليًا بسلوك العميل غير المسموح به. هذا أمر مرهق وغير مرن وغير دقيق في كثير من الأحيان.
من ناحية أخرى، يعتمد الذكاء الاصطناعي للكشف عن الاحتيال في الغالب على نماذج التعلم غير الخاضعة للإشراف، حيث يتم تحليل مجموعات البيانات الكبيرة من البائعين المتعددين والملايين من المعاملات بواسطة خوارزمية.
لم يتم تعليم الخوارزمية ما الذي يجب البحث عنه مسبقًا؛ بدلاً من ذلك، يجد النظام أنماطًا تستند إلى الأنماط السلوكية في البيانات.
يضيف الذكاء الاصطناعي مرونة لمنع الاحتيال ويمكنه اكتشاف الانحرافات والسلوك المشبوه دون استخدام قواعد محددة مسبقًا. يمكن للذكاء الاصطناعي أيضًا توفير القرارات على الفور.
وبهذه الطريقة، تمكّن تقنيات الكشف عن الاحتيال التابعة لجهات خارجية المزيد من التجار من التنافس مع الأسواق الضخمة مثل Amazon وAlibaba.
تعمل تقنيات الكشف عن الاحتيال على تجميع البيانات من آلاف التجار وملايين المعاملات، مما يضع الجميع على قدم المساواة مع الأسواق العملاقة، سواء من حيث اكتشاف الاحتيال أو تجربة السداد السلس.
عندما تتغير أنماط التسوق
يمكن لأنظمة الكشف عن الاحتيال القائمة على الذكاء الاصطناعي أن تتكيف وتتخذ قرارات تتباين بشكل متزايد مع ظهور أنماط سلوك جديدة.
على سبيل المثال، في الأيام الأولى للإغلاق الوبائي، كان الأشخاص الذين لم يشتروا أبدًا عناصر أو أدوات تحسين المنزل يقومون فجأة بعمليات شراء مرتفعة الدولار في هذه الفئات.
كان على تجار التجارة الإلكترونية أن يتكيفوا لتجنب عمليات الشراء الزائفة مثل هذه التي كانت ستبدو احتيالية قبل الوباء. لحسن الحظ، يمكن للذكاء الاصطناعي التكيف مع ظروف السوق المتغيرة مثل هذه في الوقت الفعلي تقريبًا.
الشحن السريع هو مثال جيد آخر. تميل طريقة الشحن هذه إلى أن تكون علامة حمراء في اكتشاف الاحتيال لأنها تقلل من مقدار الوقت الذي يتعين على التاجر فيه إلغاء الطلب.
لكن الشحن السريع أصبح أكثر شيوعًا أثناء الوباء، وأصبحت هذه الممارسة آمنة بشكل متزايد مع مرور الوقت. وفقًا لبيانات Riskified، زادت الطلبات المقدمة من خلال الشحن السريع بنسبة 140٪ من يناير إلى ديسمبر من عام 2020، بينما انخفضت مستويات الاحتيال بنسبة 45٪ خلال نفس الفترة.
اتجاهات جديدة وصعبة
قد يكون من الصعب على وجه الخصوص اكتشاف نشاط الدفع المشبوه إذا تم ارتكابه من قبل عملاء شرعيين تاريخيًا.
“الاحتيال الودي” هو مثال شائع، ويعتمد التجار بشكل متزايد على الذكاء الاصطناعي للتعامل مع المواقف التي يتنازع فيها العميل مع شركة بطاقات الائتمان الخاصة بهم في التهمة لتجنب الدفع مقابل شيء اشتروه بالفعل من بائع تجزئة للسلع المادية.
في هذه الحالات، سيدعي العميل أن عنصرًا لم يتم استلامه عن طريق تقديم طلب استرداد “عنصر لم يتم استلامه” من البنك أو شركة بطاقة الائتمان التي يتعامل معها.
حتى أن بعض المحتالين ينخرطون في عمليات رد المبالغ المدفوعة على نطاق واسع، ثم يبيعون العناصر في السوق السوداء.
يكلف هذا تجار التجزئة ملايين الدولارات كل عام، وإذا حدث في متجر فعلي، فسيتم تصنيفه على أنه سرقة من المتاجر.
هناك أيضًا اتجاه سريع النمو للعميل في شكل إساءة استخدام السياسة، والذي يحدث عندما يخالف العملاء المنتظمون شروط وأحكام بائع التجزئة – عادةً بدافع الادخار أو جني الأموال.
هناك أنواع متعددة من إساءة استخدام السياسة: أحد أكثرها شيوعًا هو عمليات الاسترداد والمرتجعات.
على سبيل المثال، يمكن للعميل الاتصال ببائع التجزئة للإبلاغ عن عنصر مفقود بشكل خاطئ، مما يؤدي إلى استرداد المبلغ أو إرسال نسخة مكررة.
وبالمثل، قد ينشر العميل عائدًا إلى بائع التجزئة باستخدام صندوق فارغ (مع الاحتفاظ بالمنتج الأصلي) أو إعادة العناصر المستخدمة أو البالية والتي يشار إليها عادةً باسم “خزانة الملابس”.
إن إساءة استخدام السياسة ليست مثل الاحتيال التقليدي ولكن لها عواقب مماثلة على بائع التجزئة من حيث احتمالية الخسارة المالية – وهي حقيقة يمكن أن تمر أحيانًا دون أن يلاحظها أحد من قبل تجار التجزئة المعنيين.
في هذه الحالات، يمكن للذكاء الاصطناعي تحديد الاتجاهات والأنماط المعقدة في عملية الشراء للسماح لتجار التجزئة باتخاذ الإجراءات.
المزيد من الاحتيال المتطور لرد المبالغ المدفوعة
بالإضافة إلى ذلك، تستخدم “خدمات نزاعات رد المبالغ المدفوعة” الذكاء الاصطناعي لجمع البيانات مثل عناوين IP، وبصمات الجهاز والتحليلات السلوكية، ثم الرجوع إلى ذلك عبر الطلبات السابقة في شبكات التجار.
إذا ادعى العميل أن الطلب كان احتياليًا ولم يقدمه، فيمكن للنظام التحقق من أنه تم تقديمه باستخدام نفس عنوان IP والجهاز الذي قدم فيه المتسوق الطلبات في الماضي.
يساعد هذا التجار على تحديد كيفية ترتيب النزاعات حسب الأولوية ومعالجة إساءة استخدام السياسة من أكبر المخالفين. تعمل هذه الخدمات أيضًا على أتمتة عملية النزاع للتجار لجعلها قابلة للتطوير وأكثر كفاءة.
نظرًا لأن تكتيكات الاحتيال أصبحت أكثر تعقيدًا، فقد أصبحت طرق اكتشاف الاحتيال أيضًا أكثر تعقيدًا، والتي ستتجاوز قريبًا أنماط الشراء لتحليل الجوانب البيومترية للتجارة الإلكترونية، مثل “البصمة الصوتية” أو الزاوية التي يحتفظ بها الهاتف المحمول. ستصبح هذه التطورات ضرورية بشكل متزايد لحماية حسابات العملاء من الاحتيال.
TR Newcomb هو نائب الرئيس للاستراتيجية في خطر.
المصدر: venturebeat
شاهد المزيد:
