全米小売業協会によると、2025年に返品詐欺は米国の小売業者に推定245億ドルの損害を与えました。返品された商品100ドルあたり、約15.14ドルが不正なものでした。詐欺師の手口が巧妙化している一方、ほとんどの小売業者は依然としてすべての顧客を同一に扱う画一的な返品ポリシーに頼っているため、この問題はEコマース全体の成長を上回るペースで拡大しています。
年間約8,000万ドルのオンライン売上を持つあるスポーツ用品小売業者は、AIベースの検出システムを導入する前、返品詐欺により年間約190万ドルの損失を被っていたと明かしました。システム稼働から14か月後、確認された詐欺損失は約62万ドルにまで減少しました。モデルがすべてを捕捉したわけではありませんが、十分な件数をフラグ付けし、損失を3分の2削減しました。
よくある詐欺パターン
ワードローピングは最も一般的な形態で、顧客が衣類やアクセサリーを購入し、一度だけ着用（多くの場合、SNSの写真やイベントのため）してから返品するものです。シグナルとしては、高額商品の2〜3日以内の返品、タグが再取り付けされた商品の返品（倉庫がタグの状態データを追跡している場合は検出可能な場合あり）、同一顧客からの繰り返しパターンなどがあります。
ブラケティング詐欺は、顧客が意図的に複数のサイズや色を注文し、そのほとんどを返品する計画で購入するものです。これは必ずしも不正とは限りません（一部の小売業者はこれを推奨しています）が、ワードローピングと組み合わされたり、返品商品に使用の痕跡がある場合に問題となります。見分けるシグナルは返品率です。正当なブラケティング利用者は複数商品注文の60〜70%を返品しますが、不正なブラケティング利用者は90%以上を返品し、商品は新品として再販できない状態であることが多いです。
レシート詐欺と価格すり替えは、割引で購入した商品を定価でクレジット返金してもらったり、高額商品の箱に安価な商品を入れて返品するものです。これらは物理的な検査なしでは発見が難しいですが、AIはプロモーション期間中に購入した商品を一貫して返品する顧客などの疑わしいパターンをフラグ付けできます。
組織的小売犯罪は件数の割合は小さいものの、金額ベースの損失では大きな割合を占めます。これらは商品を購入し、ストアクレジットや返金のために返品するプロの犯行です。行動シグナルは個人の詐欺とは異なります。類似の住所やデバイスを使用した異なるアカウントでの複数の返品、需要の高い商品の大量返品、購入履歴のない新規アカウントによる高額返品などです。
AIモデルが実際に分析するもの
Eコマースの返品で最も効果的な詐欺検出モデルは、単一の要素だけを見ているわけではありません。シグナルの加重組み合わせに基づいて返品をスコアリングします。顧客の返品履歴が最も強力な予測因子です。30件以上の注文で65%の返品率を持つ顧客は、2回目の返品をしているだけの人とは根本的に異なるリスクプロファイルを持っています。モデルは返品率だけでなく、返品速度（商品がどれだけ早く戻ってくるか）、返品金額の分布（複数商品注文で常に最も高額な商品を返品する）、季節パターンも追跡します。
商品レベルのデータも重要です。特定の商品カテゴリは自然に高い返品率を持っています（アパレルは平均25〜30%、電子機器は約8〜10%）。モデルは、高返品率カテゴリでの正当な返品を誤ってフラグ付けしないよう、カテゴリ固有のベースラインが必要です。カテゴリ内では、特定の顧客セグメントから異常に高い返品率を示す特定の商品が、標的型ワードローピングパターンを示している可能性があります。
デバイスとセッションデータはさらなるレイヤーを追加します。同じデバイスフィンガープリントが、すべて高返品行動を示す複数のアカウントに関連付けられている場合、それは組織的詐欺の強力なシグナルです。IPアドレスパターン、ブラウザフィンガープリント、アカウント作成のタイムラインはすべてリスクスコアに反映されます。
タイミングパターンは驚くほど有益な情報を提供します。不正な返品は特定のウィンドウに集中します。返品ポリシーの期限直前、主要なイベントや祝日の直後（イベントのためのワードローピングを示唆）、そして配達後に疑わしいほど早い返品（注文、受取、48時間以内に明確な理由なく返品）です。
返品詐欺システムの構築 vs 購入
Riskified、Signifyd、Forterなどの企業が提供する既製ソリューションは、より広範な不正防止プラットフォームの一部として返品詐欺スコアリングを提供しています。これらは数百の加盟店のデータで訓練されているため、単一の小売業者が独自に開発できるよりも広範な詐欺パターンの視野をモデルに与えており、中規模市場の小売業者に適しています。一般的なコストは、システムを通じて処理される返品額の0.5〜1.5%です。
社内構築は、独自の詐欺パターンを持つ大規模小売業者や、自社モデルを効果的に訓練するのに十分な返品（月50,000件以上）を処理している企業に適しています。構築には通常、上述のシグナルを抽出する特徴量エンジニアリングパイプライン、不正または正当とラベル付けされた過去の返品データで訓練された勾配ブースティングまたはニューラルネットワークモデル、各返品リクエストをリアルタイムで評価するスコアリングAPIが含まれます。
社内構築で最も難しいのはラベリングの問題です。ほとんどの小売業者は、どの返品が実際に不正であったかについてのクリーンな過去データを持っていません。多くの場合、ルールベースのシステム（特定の基準を満たす返品を手動レビュー用にフラグ付け）から始め、手動レビューの結果を使用してラベル付きデータセットを構築し、そのラベル付きデータでモデルを訓練する必要があります。このブートストラッププロセスは、信頼性の高いモデルに十分なラベル付き例を生成するまでに6〜12か月かかります。
詐欺スコアの活用方法
モデルはリスクスコア（通常0〜100）を出力します。問題はそれをどう活用するかです。ほとんどの小売業者は3段階のアプローチを実施しています。低リスクの返品（スコア30未満）は摩擦なく自動処理されます。中リスクの返品（30〜70）は通常のプロセスを経ますが、事後処理レビュー用にフラグ付けされます。高リスクの返品（70超）は、返金が発行される前に追加の確認ステップがトリガーされます。
追加ステップには、返品ラベルが生成される前に商品の写真を要求すること、返品を倉庫の専門検査チームにルーティングすること、商品が受領・検査されるまで返金を遅延させること、または極端な場合には、現在のポリシーでは返品の対象外であることを丁寧に顧客に通知することが含まれます。
重要なのは閾値の調整です。高リスクの閾値を低く設定しすぎると、正当な顧客に摩擦を加え、満足度と生涯価値を損ないます。高く設定しすぎると、詐欺を見逃します。ほとんどの小売業者は保守的に開始し（閾値80〜85）、モデルの精度に対する信頼が高まるにつれて徐々に下げていきます。
返品量の増加に直面しているEコマース・小売ビジネスにとって、最も明白なパターンを捕捉する基本的な詐欺スコアリングシステムでさえ、返品関連損失の1〜3%を回収できます。データ収集とモデル訓練が高度になるほど、回収率は上昇します。最も良い結果を出している小売業者は、返品詐欺検出を一度きりのプロジェクトとしてではなく、継続的な最適化として扱い、詐欺パターンが各シーズンごとに変化・進化するのに合わせて定期的にモデルを再訓練しています。