IA per la gestione dei resi: prevedere quali resi sono fraudolenti

Le frodi sui resi sono costate ai retailer statunitensi circa 24,5 miliardi di dollari nel 2025, secondo la National Retail Federation. Per ogni 100 dollari di merce restituita, circa 15,14 dollari erano fraudolenti. Il problema cresce più velocemente dell'ecommerce nel suo complesso perché i truffatori sono diventati sofisticati e la maggior parte dei retailer si affida ancora a politiche di reso generiche che trattano ogni cliente in modo identico.

Un retailer di articoli sportivi con circa 80 milioni di dollari di fatturato annuo online ha condiviso che stava perdendo circa 1,9 milioni di dollari all'anno a causa delle frodi sui resi prima di implementare un sistema di rilevamento basato sull'IA. Dopo 14 mesi di funzionamento del sistema, le perdite confermate per frode sono scese a circa 620.000 dollari. Il modello non ha intercettato tutto, ma ha segnalato abbastanza da ridurre le perdite di due terzi.

I pattern di frode più comuni

Il wardrobing è la forma più diffusa: i clienti acquistano abbigliamento o accessori, li indossano una volta (spesso per una foto sui social media o un evento) e li restituiscono. I segnali includono resi di articoli di alto valore entro 2-3 giorni, resi di articoli con etichette riattaccate (a volte rilevabili attraverso i dati sullo stato delle etichette se il magazzino li traccia) e pattern ripetuti dallo stesso cliente.

La frode da bracketing si verifica quando i clienti ordinano intenzionalmente più taglie o colori con l'intenzione di restituire la maggior parte degli articoli. Non è sempre fraudolento (alcuni retailer lo incoraggiano), ma diventa un problema quando è combinato con il wardrobing o quando gli articoli restituiti mostrano segni di utilizzo. Il segnale distintivo è il tasso di reso: chi fa bracketing legittimamente restituisce il 60-70% degli ordini multi-articolo, mentre chi lo fa in modo fraudolento restituisce spesso il 90%+ con articoli che non possono essere rivenduti come nuovi.

Le frodi sugli scontrini e la sostituzione di prezzo comportano la restituzione di articoli acquistati in sconto per ottenere un credito a prezzo pieno, o la restituzione di un articolo più economico nella confezione di uno costoso. Sono più difficili da individuare senza ispezione fisica, ma l'IA può segnalare pattern sospetti come clienti che restituiscono costantemente articoli acquistati durante le promozioni.

La criminalità organizzata nel retail rappresenta una percentuale minore per volume ma una quota maggiore in termini di perdite economiche. Si tratta di operazioni professionali che acquistano merce e la restituiscono per crediti in negozio o rimborsi. I segnali comportamentali sono diversi dalla frode individuale: resi multipli da account diversi che utilizzano indirizzi o dispositivi simili, resi di articoli ad alta domanda in grandi quantità e account nuovi senza storico di acquisti che effettuano resi consistenti.

Cosa analizzano effettivamente i modelli di IA

I modelli di rilevamento frodi che funzionano meglio nei resi ecommerce non si basano su un singolo fattore. Assegnano un punteggio ai resi basandosi su una combinazione ponderata di segnali. Lo storico dei resi del cliente è il predittore più forte. Un cliente con un tasso di reso del 65% su oltre 30 ordini ha un profilo di rischio fondamentalmente diverso da qualcuno che restituisce il suo secondo articolo in assoluto. Il modello traccia non solo il tasso di reso, ma anche la velocità di reso (quanto rapidamente gli articoli tornano indietro), la distribuzione del valore dei resi (restituire sempre l'articolo più costoso in un ordine multi-articolo) e i pattern stagionali.

Anche i dati a livello di articolo contano. Alcune categorie di prodotto hanno tassi di reso naturalmente più alti (l'abbigliamento ha una media del 25-30%, mentre l'elettronica si attesta intorno all'8-10%). Il modello necessita di baseline specifiche per categoria per evitare di segnalare resi legittimi in categorie ad alto tasso di reso. All'interno delle categorie, articoli specifici con tassi di reso insolitamente alti da segmenti di clienti specifici possono indicare un pattern di wardrobing mirato.

I dati su dispositivo e sessione aggiungono un ulteriore livello. Se la stessa impronta digitale del dispositivo è associata a più account che mostrano tutti un comportamento ad alto tasso di reso, è un segnale forte di frode organizzata. I pattern degli indirizzi IP, le impronte digitali del browser e le tempistiche di creazione degli account alimentano tutti il punteggio di rischio.

I pattern temporali sono sorprendentemente informativi. I resi fraudolenti si concentrano in finestre specifiche: poco prima della scadenza della politica di reso, subito dopo eventi importanti o festività (suggerendo wardrobing per l'evento) e sospettosamente in fretta dopo la consegna (ordinato, ricevuto, restituito entro 48 ore senza motivo apparente).

Costruire o acquistare un sistema antifrode per i resi

Le soluzioni pronte all'uso di aziende come Riskified, Signifyd e Forter offrono il punteggio di frode sui resi come parte delle loro piattaforme più ampie di prevenzione frodi. Funzionano bene per i retailer di fascia media perché sono state addestrate su dati di centinaia di merchant, dando ai loro modelli una visione più ampia dei pattern di frode rispetto a quella che qualsiasi singolo retailer potrebbe sviluppare da solo. I costi tipici vanno dallo 0,5 all'1,5% del valore dei resi elaborati attraverso il sistema.

Costruire internamente ha senso per i grandi retailer con pattern di frode unici o per quelli che elaborano abbastanza resi (oltre 50.000 al mese) da addestrare efficacemente i propri modelli. La costruzione tipicamente prevede una pipeline di feature engineering che estrae i segnali descritti sopra, un modello di gradient boosting o rete neurale addestrato su resi storici etichettati come fraudolenti o legittimi, e un'API di scoring che valuta ogni richiesta di reso in tempo reale.

Il problema dell'etichettatura è la parte più difficile della costruzione interna. La maggior parte dei retailer non dispone di dati storici puliti su quali resi fossero effettivamente fraudolenti. Spesso è necessario iniziare con un sistema basato su regole (segnalando i resi che soddisfano determinati criteri per la revisione manuale), utilizzare i risultati della revisione manuale per costruire un dataset etichettato e poi addestrare un modello su quei dati etichettati. Questo processo di bootstrap richiede 6-12 mesi per generare abbastanza esempi etichettati per un modello affidabile.

Cosa fare con i punteggi di frode

Il modello produce un punteggio di rischio, tipicamente da 0 a 100. La domanda è cosa farne. La maggior parte dei retailer implementa un approccio a tre livelli. I resi a basso rischio (punteggio inferiore a 30) vengono elaborati automaticamente senza alcuna frizione. I resi a rischio medio (30-70) seguono il processo normale ma vengono segnalati per una revisione post-elaborazione. I resi ad alto rischio (superiore a 70) attivano passaggi di verifica aggiuntivi prima dell'emissione del rimborso.

Questi passaggi aggiuntivi possono includere la richiesta di foto dell'articolo prima della generazione dell'etichetta di reso, l'instradamento del reso a un team di ispezione dedicato nel magazzino, il ritardo del rimborso fino alla ricezione e ispezione dell'articolo o, nei casi estremi, informare cortesemente il cliente che il reso non è idoneo secondo la politica vigente.

La chiave è calibrare le soglie. Se la soglia di alto rischio è troppo bassa, si aggiunge frizione per i clienti legittimi, danneggiando la soddisfazione e il valore nel tempo. Se è troppo alta, si perdono le frodi. La maggior parte dei retailer inizia in modo conservativo (soglia a 80-85) e la abbassa gradualmente man mano che acquisisce fiducia nell'accuratezza del modello.

Per le aziende ecommerce e retail che affrontano volumi di resi in crescita, anche un sistema base di scoring delle frodi che intercetta i pattern più evidenti può recuperare l'1-3% delle perdite legate ai resi. Più la raccolta dati e l'addestramento del modello diventano sofisticati, più il tasso di recupero aumenta. I retailer che ottengono i migliori risultati sono quelli che trattano il rilevamento delle frodi sui resi non come un progetto una tantum ma come un'ottimizzazione continua, riaddestrando regolarmente i propri modelli man mano che i pattern di frode cambiano e si evolvono a ogni stagione.