AI untuk Pemrosesan Pengembalian: Memprediksi Pengembalian yang Bersifat Penipuan

Penipuan pengembalian barang merugikan peritel AS sekitar $24,5 miliar pada tahun 2025, menurut National Retail Federation. Untuk setiap $100 barang yang dikembalikan, sekitar $15,14 di antaranya adalah penipuan. Masalah ini tumbuh lebih cepat dari ecommerce secara keseluruhan karena pelaku penipuan semakin canggih, dan sebagian besar peritel masih mengandalkan kebijakan pengembalian umum yang memperlakukan setiap pelanggan secara identik.

Sebuah peritel peralatan olahraga dengan pendapatan online tahunan sekitar $80 juta mengungkapkan bahwa mereka kehilangan sekitar $1,9 juta per tahun akibat penipuan pengembalian sebelum menerapkan sistem deteksi berbasis AI. Setelah 14 bulan sistem berjalan, kerugian penipuan yang terkonfirmasi turun menjadi sekitar $620.000. Model tersebut tidak menangkap semuanya, tetapi cukup banyak yang ditandai sehingga kerugian berkurang dua pertiga.

Pola Penipuan yang Umum

Wardrobing adalah bentuk yang paling umum, di mana pelanggan membeli pakaian atau aksesori, memakainya sekali (sering kali untuk foto media sosial atau acara), dan mengembalikannya. Sinyalnya meliputi pengembalian barang bernilai tinggi dalam 2-3 hari, pengembalian barang dengan label yang dipasang kembali (terkadang dapat dideteksi melalui data kondisi label jika gudang Anda melacaknya), dan pola berulang dari pelanggan yang sama.

Bracketing fraud adalah ketika pelanggan sengaja memesan beberapa ukuran atau warna dengan rencana mengembalikan sebagian besar. Ini tidak selalu merupakan penipuan (beberapa peritel mendorongnya), tetapi menjadi masalah ketika dikombinasikan dengan wardrobing atau ketika barang yang dikembalikan menunjukkan tanda-tanda penggunaan. Sinyal pembedanya adalah tingkat pengembalian: bracketer yang sah mengembalikan 60-70% dari pesanan multi-item, sementara bracketer yang curang sering mengembalikan 90%+ dengan barang yang tidak dapat dijual kembali sebagai baru.

Penipuan struk dan penukaran harga melibatkan pengembalian barang yang dibeli dengan diskon untuk kredit harga penuh, atau mengembalikan barang yang lebih murah dalam kotak barang yang mahal. Ini lebih sulit ditangkap tanpa inspeksi fisik, tetapi AI dapat menandai pola mencurigakan seperti pelanggan yang secara konsisten mengembalikan barang yang dibeli selama promosi.

Kejahatan ritel terorganisir menyumbang persentase yang lebih kecil berdasarkan volume tetapi porsi kerugian dolar yang lebih besar. Ini adalah operasi profesional yang membeli barang dan mengembalikannya untuk kredit toko atau pengembalian dana. Sinyal perilakunya berbeda dari penipuan individu: beberapa pengembalian di berbagai akun menggunakan alamat atau perangkat yang serupa, pengembalian barang permintaan tinggi dalam jumlah besar, dan akun baru tanpa riwayat pembelian yang melakukan pengembalian besar.

Apa yang Sebenarnya Dilihat Model AI

Model deteksi penipuan yang paling efektif dalam pengembalian ecommerce tidak melihat satu faktor tunggal. Mereka menilai pengembalian berdasarkan kombinasi sinyal berbobot. Riwayat pengembalian pelanggan adalah prediktor terkuat. Pelanggan dengan tingkat pengembalian 65% dari 30+ pesanan memiliki profil risiko yang secara fundamental berbeda dari seseorang yang mengembalikan barang keduanya. Model ini melacak tidak hanya tingkat pengembalian, tetapi juga kecepatan pengembalian (seberapa cepat barang kembali), distribusi nilai pengembalian (selalu mengembalikan barang termahal dalam pesanan multi-item), dan pola musiman.

Data tingkat item juga penting. Kategori produk tertentu memiliki tingkat pengembalian yang secara alami lebih tinggi (pakaian rata-rata 25-30%, sementara elektronik sekitar 8-10%). Model membutuhkan baseline spesifik kategori untuk menghindari penandaan pengembalian yang sah di kategori dengan pengembalian tinggi. Dalam kategori, item tertentu dengan tingkat pengembalian yang luar biasa tinggi dari segmen pelanggan tertentu dapat mengindikasikan pola wardrobing yang ditargetkan.

Data perangkat dan sesi menambahkan lapisan lain. Jika sidik jari perangkat yang sama terkait dengan beberapa akun yang semuanya menunjukkan perilaku pengembalian tinggi, itu adalah sinyal kuat penipuan terorganisir. Pola alamat IP, sidik jari browser, dan timeline pembuatan akun semuanya masuk ke dalam skor risiko.

Pola waktu ternyata sangat informatif. Pengembalian yang bersifat penipuan mengelompok di sekitar jendela waktu tertentu: tepat sebelum batas waktu kebijakan pengembalian, segera setelah acara besar atau hari libur (menunjukkan wardrobing untuk acara tersebut), dan sangat cepat setelah pengiriman (dipesan, diterima, dikembalikan dalam 48 jam tanpa alasan yang jelas).

Membangun vs. Membeli Sistem Penipuan Pengembalian

Solusi siap pakai dari perusahaan seperti Riskified, Signifyd, dan Forter menawarkan penilaian penipuan pengembalian sebagai bagian dari platform pencegahan penipuan mereka yang lebih luas. Ini bekerja dengan baik untuk peritel menengah karena telah dilatih dengan data dari ratusan merchant, memberikan model mereka pandangan yang lebih luas tentang pola penipuan daripada yang bisa dikembangkan oleh satu peritel saja. Biaya tipikal berkisar 0,5-1,5% dari nilai pengembalian yang diproses melalui sistem.

Membangun sendiri masuk akal untuk peritel besar dengan pola penipuan yang unik atau yang memproses cukup banyak pengembalian (50.000+ per bulan) untuk melatih model mereka sendiri secara efektif. Pembangunan biasanya melibatkan pipeline rekayasa fitur yang mengekstrak sinyal-sinyal yang dijelaskan di atas, model gradient boosting atau neural network yang dilatih pada pengembalian historis yang dilabeli sebagai penipuan atau sah, dan API penilaian yang mengevaluasi setiap permintaan pengembalian secara real time.

Masalah pelabelan adalah bagian tersulit dari pembangunan internal. Sebagian besar peritel tidak memiliki data historis yang bersih tentang pengembalian mana yang benar-benar merupakan penipuan. Anda sering perlu memulai dengan sistem berbasis aturan (menandai pengembalian yang memenuhi kriteria tertentu untuk tinjauan manual), menggunakan hasil tinjauan manual untuk membangun dataset berlabel, dan kemudian melatih model pada data berlabel tersebut. Proses bootstrap ini membutuhkan 6-12 bulan untuk menghasilkan cukup contoh berlabel untuk model yang andal.

Apa yang Harus Dilakukan dengan Skor Penipuan

Model menghasilkan skor risiko, biasanya 0-100. Pertanyaannya adalah apa yang harus dilakukan dengannya. Sebagian besar peritel menerapkan pendekatan tiga tingkat. Pengembalian berisiko rendah (skor di bawah 30) diproses secara otomatis tanpa hambatan. Pengembalian berisiko menengah (30-70) melalui proses normal tetapi ditandai untuk tinjauan pasca-pemrosesan. Pengembalian berisiko tinggi (di atas 70) memicu langkah verifikasi tambahan sebelum pengembalian dana diterbitkan.

Langkah-langkah tambahan tersebut mungkin termasuk meminta foto barang sebelum label pengembalian dibuat, mengarahkan pengembalian ke tim inspeksi khusus di gudang, menunda pengembalian dana sampai barang diterima dan diperiksa, atau dalam kasus ekstrem, dengan sopan menginformasikan pelanggan bahwa pengembalian tidak memenuhi syarat berdasarkan kebijakan saat ini.

Kuncinya adalah mengkalibrasi ambang batas. Tetapkan ambang batas risiko tinggi terlalu rendah dan Anda menambahkan hambatan bagi pelanggan yang sah, merusak kepuasan dan nilai seumur hidup. Tetapkan terlalu tinggi dan Anda melewatkan penipuan. Sebagian besar peritel memulai secara konservatif (ambang batas di 80-85) dan secara bertahap menurunkannya seiring mereka membangun kepercayaan terhadap akurasi model.

Untuk bisnis ecommerce dan ritel yang menghadapi volume pengembalian yang terus meningkat, bahkan sistem penilaian penipuan dasar yang menangkap pola paling jelas dapat memulihkan 1-3% dari kerugian terkait pengembalian. Semakin canggih pengumpulan data dan pelatihan model Anda, semakin tinggi tingkat pemulihan tersebut. Peritel yang melihat hasil terbaik adalah mereka yang memperlakukan deteksi penipuan pengembalian bukan sebagai proyek satu kali tetapi sebagai optimasi berkelanjutan, secara rutin melatih ulang model mereka seiring pola penipuan bergeser dan berkembang setiap musim.