नेशनल रिटेल फेडरेशन के अनुसार, 2025 में रिटर्न फ्रॉड से अमेरिकी खुदरा विक्रेताओं को अनुमानित $24.5 बिलियन का नुकसान हुआ। हर $100 के रिटर्न किए गए माल में से लगभग $15.14 धोखाधड़ी वाला था। यह समस्या समग्र ईकॉमर्स से तेज़ी से बढ़ रही है क्योंकि धोखेबाज़ अब परिष्कृत हो गए हैं, और अधिकांश खुदरा विक्रेता अभी भी ऐसी सामान्य रिटर्न नीतियों पर निर्भर हैं जो हर ग्राहक के साथ एक जैसा व्यवहार करती हैं।
लगभग $80 मिलियन की वार्षिक ऑनलाइन आय वाले एक स्पोर्टिंग गुड्स रिटेलर ने बताया कि AI-आधारित डिटेक्शन सिस्टम लागू करने से पहले उन्हें रिटर्न फ्रॉड से सालाना लगभग $1.9 मिलियन का नुकसान हो रहा था। सिस्टम चालू होने के 14 महीने बाद, पुष्ट फ्रॉड नुकसान घटकर लगभग $620,000 रह गया। मॉडल ने सब कुछ नहीं पकड़ा, लेकिन इसने इतना फ़्लैग किया कि नुकसान दो-तिहाई कम हो गया।
सामान्य धोखाधड़ी के पैटर्न
वॉर्डरोबिंग सबसे प्रचलित रूप है, जहाँ ग्राहक कपड़े या एक्सेसरीज़ खरीदते हैं, उन्हें एक बार पहनते हैं (अक्सर सोशल मीडिया फोटो या इवेंट के लिए), और फिर रिटर्न कर देते हैं। इसके संकेतों में शामिल हैं: 2-3 दिनों के भीतर उच्च-मूल्य वाली वस्तुओं का रिटर्न, दोबारा लगाए गए टैग वाली वस्तुओं का रिटर्न (कभी-कभी टैग कंडीशन डेटा से पता लगाया जा सकता है अगर आपका वेयरहाउस इसे ट्रैक करता है), और एक ही ग्राहक से बार-बार ऐसे पैटर्न।
ब्रैकेटिंग फ्रॉड तब होता है जब ग्राहक जानबूझकर कई साइज़ या रंगों में ऑर्डर करते हैं और अधिकांश को रिटर्न करने की योजना बनाते हैं। यह हमेशा धोखाधड़ी नहीं होती (कुछ रिटेलर इसे प्रोत्साहित करते हैं), लेकिन यह तब समस्या बन जाती है जब इसे वॉर्डरोबिंग के साथ जोड़ा जाता है या जब रिटर्न की गई वस्तुओं में उपयोग के निशान दिखते हैं। पहचान का संकेत रिटर्न दर है: वैध ब्रैकेटर्स मल्टी-आइटम ऑर्डर का 60-70% रिटर्न करते हैं, जबकि धोखाधड़ी करने वाले ब्रैकेटर्स अक्सर 90%+ रिटर्न करते हैं और वस्तुएँ नई के रूप में दोबारा नहीं बेची जा सकतीं।
रसीद फ्रॉड और प्राइस स्विचिंग में छूट पर खरीदी गई वस्तुओं को पूरी कीमत के क्रेडिट के लिए रिटर्न करना, या महंगी वस्तु के बॉक्स में सस्ती वस्तु रिटर्न करना शामिल है। भौतिक निरीक्षण के बिना इन्हें पकड़ना कठिन है, लेकिन AI संदिग्ध पैटर्न फ़्लैग कर सकता है जैसे ऐसे ग्राहक जो लगातार प्रमोशन के दौरान खरीदी गई वस्तुएँ रिटर्न करते हैं।
संगठित खुदरा अपराध मात्रा के हिसाब से कम प्रतिशत है लेकिन डॉलर नुकसान में बड़ा हिस्सा रखता है। ये पेशेवर ऑपरेशन हैं जो सामान खरीदते हैं और स्टोर क्रेडिट या रिफंड के लिए रिटर्न करते हैं। व्यवहारिक संकेत व्यक्तिगत फ्रॉड से अलग होते हैं: समान पतों या डिवाइसों का उपयोग करने वाले विभिन्न अकाउंट्स से कई रिटर्न, बड़ी मात्रा में उच्च-माँग वाली वस्तुओं का रिटर्न, और बिना खरीद इतिहास वाले नए अकाउंट्स से बड़े रिटर्न।
AI मॉडल वास्तव में क्या देखते हैं
ईकॉमर्स रिटर्न में सबसे अच्छा काम करने वाले फ्रॉड डिटेक्शन मॉडल किसी एक कारक को नहीं देखते। वे संकेतों के भारित संयोजन के आधार पर रिटर्न को स्कोर करते हैं। ग्राहक रिटर्न इतिहास सबसे मजबूत भविष्यवक्ता है। 30+ ऑर्डर में 65% रिटर्न दर वाले ग्राहक का जोखिम प्रोफ़ाइल उस व्यक्ति से मौलिक रूप से अलग है जो अपनी दूसरी वस्तु रिटर्न कर रहा है। मॉडल सिर्फ रिटर्न दर ही नहीं, बल्कि रिटर्न वेलोसिटी (वस्तुएँ कितनी जल्दी वापस आती हैं), रिटर्न वैल्यू डिस्ट्रीब्यूशन (मल्टी-आइटम ऑर्डर में हमेशा सबसे महंगी वस्तु रिटर्न करना), और मौसमी पैटर्न भी ट्रैक करता है।
आइटम-स्तरीय डेटा भी मायने रखता है। कुछ उत्पाद श्रेणियों में स्वाभाविक रूप से उच्च रिटर्न दर होती है (परिधान औसतन 25-30%, जबकि इलेक्ट्रॉनिक्स लगभग 8-10% पर है)। उच्च-रिटर्न श्रेणियों में वैध रिटर्न को फ़्लैग करने से बचने के लिए मॉडल को श्रेणी-विशिष्ट बेसलाइन की आवश्यकता होती है। श्रेणियों के भीतर, विशिष्ट ग्राहक सेगमेंट से असामान्य रूप से उच्च रिटर्न दर वाली विशिष्ट वस्तुएँ लक्षित वॉर्डरोबिंग पैटर्न का संकेत दे सकती हैं।
डिवाइस और सेशन डेटा एक और परत जोड़ता है। यदि एक ही डिवाइस फिंगरप्रिंट कई अकाउंट्स से जुड़ा है जो सभी उच्च-रिटर्न व्यवहार दिखाते हैं, तो यह संगठित फ्रॉड का मजबूत संकेत है। IP एड्रेस पैटर्न, ब्राउज़र फिंगरप्रिंट, और अकाउंट निर्माण टाइमलाइन सभी जोखिम स्कोर में फीड होते हैं।
टाइमिंग पैटर्न आश्चर्यजनक रूप से जानकारीपूर्ण होते हैं। धोखाधड़ी वाले रिटर्न विशिष्ट विंडो के आसपास क्लस्टर होते हैं: रिटर्न पॉलिसी की डेडलाइन से ठीक पहले, प्रमुख इवेंट या छुट्टियों के तुरंत बाद (इवेंट के लिए वॉर्डरोबिंग का सुझाव देते हुए), और डिलीवरी के बाद संदेहास्पद रूप से जल्दी (ऑर्डर किया, प्राप्त किया, 48 घंटों के भीतर बिना किसी स्पष्ट कारण के रिटर्न किया)।
रिटर्न फ्रॉड सिस्टम बनाना बनाम खरीदना
Riskified, Signifyd, और Forter जैसी कंपनियों के रेडीमेड समाधान अपने व्यापक फ्रॉड प्रिवेंशन प्लेटफॉर्म के हिस्से के रूप में रिटर्न फ्रॉड स्कोरिंग प्रदान करते हैं। ये मिड-मार्केट रिटेलर्स के लिए अच्छा काम करते हैं क्योंकि इन्हें सैकड़ों मर्चेंट्स के डेटा पर प्रशिक्षित किया गया है, जो उनके मॉडल को फ्रॉड पैटर्न का व्यापक दृश्य देता है जो कोई भी एकल रिटेलर अकेले विकसित नहीं कर सकता। सामान्य लागत सिस्टम के माध्यम से प्रोसेस किए गए रिटर्न मूल्य का 0.5-1.5% होती है।
इन-हाउस बनाना बड़े रिटेलर्स के लिए समझदारी है जिनके पास अद्वितीय फ्रॉड पैटर्न हैं या जो पर्याप्त रिटर्न (प्रति माह 50,000+) प्रोसेस करते हैं ताकि अपने मॉडल को प्रभावी ढंग से प्रशिक्षित कर सकें। बिल्ड में आमतौर पर एक फीचर इंजीनियरिंग पाइपलाइन शामिल होती है जो ऊपर वर्णित संकेतों को निकालती है, एक ग्रेडिएंट बूस्टिंग या न्यूरल नेटवर्क मॉडल जो धोखाधड़ी या वैध के रूप में लेबल किए गए ऐतिहासिक रिटर्न पर प्रशिक्षित होता है, और एक स्कोरिंग API जो प्रत्येक रिटर्न अनुरोध का रियल टाइम में मूल्यांकन करती है।
इन-हाउस बनाने में लेबलिंग समस्या सबसे कठिन हिस्सा है। अधिकांश रिटेलर्स के पास इस बारे में स्वच्छ ऐतिहासिक डेटा नहीं है कि कौन से रिटर्न वास्तव में धोखाधड़ी वाले थे। आपको अक्सर एक नियम-आधारित सिस्टम से शुरू करना होता है (कुछ मानदंडों को पूरा करने वाले रिटर्न को मैनुअल रिव्यू के लिए फ़्लैग करना), मैनुअल रिव्यू परिणामों का उपयोग करके एक लेबल किया गया डेटासेट बनाना होता है, और फिर उस लेबल किए गए डेटा पर एक मॉडल को प्रशिक्षित करना होता है। इस बूटस्ट्रैप प्रक्रिया में एक विश्वसनीय मॉडल के लिए पर्याप्त लेबल किए गए उदाहरण उत्पन्न करने में 6-12 महीने लगते हैं।
फ्रॉड स्कोर के साथ क्या करें
मॉडल एक जोखिम स्कोर आउटपुट करता है, आमतौर पर 0-100। सवाल यह है कि इसके साथ क्या करें। अधिकांश रिटेलर तीन-स्तरीय दृष्टिकोण लागू करते हैं। कम-जोखिम वाले रिटर्न (30 से नीचे स्कोर) बिना किसी बाधा के स्वचालित रूप से प्रोसेस होते हैं। मध्यम-जोखिम वाले रिटर्न (30-70) सामान्य प्रक्रिया से गुज़रते हैं लेकिन पोस्ट-प्रोसेसिंग रिव्यू के लिए फ़्लैग किए जाते हैं। उच्च-जोखिम वाले रिटर्न (70 से ऊपर) रिफंड जारी होने से पहले अतिरिक्त सत्यापन चरणों को ट्रिगर करते हैं।
उन अतिरिक्त चरणों में शामिल हो सकता है: रिटर्न लेबल जनरेट होने से पहले वस्तु की फोटो की आवश्यकता, रिटर्न को वेयरहाउस में एक समर्पित निरीक्षण टीम को रूट करना, वस्तु प्राप्त होने और निरीक्षण होने तक रिफंड में देरी करना, या चरम मामलों में, ग्राहक को विनम्रता से सूचित करना कि रिटर्न वर्तमान नीति के तहत योग्य नहीं है।
मुख्य बात थ्रेशोल्ड को कैलिब्रेट करना है। उच्च-जोखिम थ्रेशोल्ड बहुत कम सेट करें और आप वैध ग्राहकों के लिए बाधा बढ़ाते हैं, जिससे संतुष्टि और लाइफटाइम वैल्यू को नुकसान होता है। बहुत ऊँचा सेट करें और आप फ्रॉड चूक जाते हैं। अधिकांश रिटेलर रूढ़िवादी शुरुआत करते हैं (थ्रेशोल्ड 80-85 पर) और जैसे-जैसे मॉडल सटीकता में विश्वास बढ़ता है, धीरे-धीरे इसे कम करते हैं।
बढ़ती रिटर्न मात्रा से जूझ रहे ईकॉमर्स और रिटेल व्यवसायों के लिए, एक बुनियादी फ्रॉड स्कोरिंग सिस्टम भी जो सबसे स्पष्ट पैटर्न पकड़ता है, रिटर्न-संबंधित नुकसान का 1-3% रिकवर कर सकता है। आपका डेटा संग्रह और मॉडल प्रशिक्षण जितना अधिक परिष्कृत होता जाता है, रिकवरी दर उतनी ही बढ़ती है। सबसे अच्छे परिणाम देखने वाले रिटेलर वे हैं जो रिटर्न फ्रॉड डिटेक्शन को एक बार के प्रोजेक्ट के रूप में नहीं बल्कि एक निरंतर अनुकूलन के रूप में मानते हैं, जो हर सीज़न में फ्रॉड पैटर्न बदलने और विकसित होने पर नियमित रूप से अपने मॉडल को फिर से प्रशिक्षित करते हैं।