반품 처리를 위한 AI: 어떤 반품이 사기인지 예측하기

미국소매협회(National Retail Federation)에 따르면, 2025년 미국 소매업체의 반품 사기 피해액은 약 245억 달러로 추정됩니다. 반품된 상품 100달러당 약 15.14달러가 사기성 반품이었습니다. 사기범들이 점점 정교해지고 대부분의 소매업체가 여전히 모든 고객을 동일하게 취급하는 일괄적인 반품 정책에 의존하고 있기 때문에, 이 문제는 전체 이커머스 성장 속도보다 더 빠르게 증가하고 있습니다.

연간 약 8,000만 달러의 온라인 매출을 올리는 한 스포츠용품 소매업체는 AI 기반 탐지 시스템을 도입하기 전까지 연간 약 190만 달러를 반품 사기로 잃고 있었다고 밝혔습니다. 시스템 운영 14개월 후, 확인된 사기 손실은 약 62만 달러로 줄었습니다. 모델이 모든 것을 잡아낸 것은 아니었지만, 손실을 3분의 2로 줄일 만큼 충분히 플래그를 걸었습니다.

일반적인 사기 패턴

워드로빙(Wardrobing)은 가장 흔한 형태로, 고객이 의류나 액세서리를 구매한 후 한 번 착용하고(종종 소셜 미디어 사진이나 행사를 위해) 반품하는 것입니다. 신호로는 고가 상품의 2~3일 이내 반품, 태그가 다시 부착된 상태의 반품(창고에서 태그 상태 데이터를 추적하는 경우 감지 가능), 동일 고객의 반복적인 패턴 등이 있습니다.

브래킷팅 사기(Bracketing fraud)는 고객이 의도적으로 여러 사이즈나 색상을 주문한 후 대부분을 반품할 계획을 세우는 것입니다. 이것이 항상 사기는 아니지만(일부 소매업체는 이를 권장하기도 합니다), 워드로빙과 결합되거나 반품된 상품에 사용 흔적이 있을 때 문제가 됩니다. 구별 신호는 반품률입니다: 정당한 브래킷팅 고객은 다중 상품 주문의 60~70%를 반품하는 반면, 사기성 브래킷팅 고객은 새 상품으로 재판매할 수 없는 상품을 90% 이상 반품하는 경우가 많습니다.

영수증 사기와 가격 바꿔치기는 할인가로 구매한 상품을 정가로 환불받거나, 비싼 상품 박스에 저렴한 상품을 넣어 반품하는 것입니다. 이는 물리적 검사 없이는 잡기 어렵지만, AI는 프로모션 기간에 구매한 상품을 지속적으로 반품하는 고객과 같은 의심스러운 패턴을 플래그할 수 있습니다.

조직적 소매 범죄(Organized retail crime)는 건수 비율은 적지만 금액 기준 손실 비중은 더 큽니다. 이들은 상품을 구매한 후 스토어 크레딧이나 환불을 받기 위해 반품하는 전문적인 조직입니다. 행동 신호는 개인 사기와 다릅니다: 유사한 주소나 기기를 사용하는 여러 계정에서의 다중 반품, 고수요 상품의 대량 반품, 구매 이력이 없는 신규 계정에서의 대규모 반품 등이 있습니다.

AI 모델이 실제로 분석하는 것

이커머스 반품에서 가장 잘 작동하는 사기 탐지 모델은 단일 요소만 보지 않습니다. 신호의 가중 조합을 기반으로 반품에 점수를 매깁니다. 고객 반품 이력이 가장 강력한 예측 변수입니다. 30건 이상의 주문에서 65% 반품률을 보이는 고객은 두 번째 상품을 처음 반품하는 사람과 근본적으로 다른 위험 프로필을 가집니다. 모델은 반품률뿐만 아니라 반품 속도(상품이 얼마나 빨리 돌아오는지), 반품 금액 분포(다중 상품 주문에서 항상 가장 비싼 상품을 반품하는지), 계절적 패턴도 추적합니다.

상품 수준 데이터도 중요합니다. 특정 상품 카테고리는 자연적으로 더 높은 반품률을 보입니다(의류 평균 25~30%, 전자제품은 약 8~10%). 모델은 높은 반품률 카테고리에서 정당한 반품을 잘못 플래그하지 않도록 카테고리별 기준선이 필요합니다. 카테고리 내에서 특정 고객 세그먼트로부터 비정상적으로 높은 반품률을 보이는 특정 상품은 타겟 워드로빙 패턴을 나타낼 수 있습니다.

기기 및 세션 데이터는 또 다른 레이어를 추가합니다. 동일한 기기 핑거프린트가 모두 높은 반품 행동을 보이는 여러 계정과 연결되어 있다면, 이는 조직적 사기의 강력한 신호입니다. IP 주소 패턴, 브라우저 핑거프린트, 계정 생성 타임라인 모두 위험 점수에 반영됩니다.

타이밍 패턴은 놀라울 정도로 유용한 정보를 제공합니다. 사기성 반품은 특정 시점에 집중됩니다: 반품 정책 마감일 직전, 주요 행사나 공휴일 직후(행사를 위한 워드로빙 시사), 배송 후 의심스러울 정도로 빠른 시점(주문, 수령, 48시간 이내 명확한 이유 없이 반품).

반품 사기 시스템: 구축 vs. 구매

Riskified, Signifyd, Forter와 같은 기업의 기성 솔루션은 광범위한 사기 방지 플랫폼의 일부로 반품 사기 점수를 제공합니다. 이들은 수백 개 판매업체의 데이터로 학습되어 단일 소매업체가 독자적으로 개발할 수 있는 것보다 더 넓은 사기 패턴 시야를 제공하므로 중견 소매업체에 적합합니다. 일반적인 비용은 시스템을 통해 처리되는 반품 금액의 0.5~1.5%입니다.

자체 구축은 고유한 사기 패턴을 가진 대형 소매업체나 자체 모델을 효과적으로 학습시킬 수 있을 만큼 충분한 반품(월 50,000건 이상)을 처리하는 업체에 적합합니다. 구축에는 일반적으로 위에서 설명한 신호를 추출하는 피처 엔지니어링 파이프라인, 사기 또는 정당으로 라벨링된 과거 반품 데이터로 학습된 그래디언트 부스팅 또는 신경망 모델, 각 반품 요청을 실시간으로 평가하는 스코어링 API가 포함됩니다.

라벨링 문제가 자체 구축에서 가장 어려운 부분입니다. 대부분의 소매업체는 어떤 반품이 실제로 사기였는지에 대한 깨끗한 과거 데이터를 보유하고 있지 않습니다. 일반적으로 규칙 기반 시스템(특정 기준을 충족하는 반품을 수동 검토용으로 플래그)으로 시작하고, 수동 검토 결과를 사용하여 라벨링된 데이터셋을 구축한 다음, 해당 라벨링 데이터로 모델을 학습시켜야 합니다. 이 부트스트랩 과정은 신뢰할 수 있는 모델을 위한 충분한 라벨링 예시를 생성하는 데 6~12개월이 소요됩니다.

사기 점수를 어떻게 활용할 것인가

모델은 일반적으로 0~100의 위험 점수를 출력합니다. 문제는 이를 어떻게 활용하느냐입니다. 대부분의 소매업체는 3단계 접근 방식을 구현합니다. 저위험 반품(점수 30 미만)은 마찰 없이 자동으로 처리됩니다. 중위험 반품(30~70)은 정상 프로세스를 거치되 사후 검토를 위해 플래그됩니다. 고위험 반품(70 초과)은 환불이 처리되기 전에 추가 확인 단계를 거칩니다.

추가 단계에는 반품 라벨이 생성되기 전 상품 사진 요구, 창고의 전담 검사팀으로 반품 라우팅, 상품이 수령되고 검사될 때까지 환불 지연, 극단적인 경우 현재 정책에 따라 반품이 해당되지 않음을 정중하게 고객에게 안내하는 것 등이 포함될 수 있습니다.

핵심은 임계값을 보정하는 것입니다. 고위험 임계값을 너무 낮게 설정하면 정당한 고객에게 마찰을 추가하여 만족도와 고객 생애 가치를 손상시킵니다. 너무 높게 설정하면 사기를 놓칩니다. 대부분의 소매업체는 보수적으로 시작하여(임계값 80~85) 모델 정확도에 대한 신뢰가 쌓이면서 점차 낮춥니다.

증가하는 반품 물량에 대응하는 이커머스 및 리테일 비즈니스의 경우, 가장 명백한 패턴을 잡아내는 기본적인 사기 점수 시스템만으로도 반품 관련 손실의 1~3%를 회수할 수 있습니다. 데이터 수집과 모델 학습이 정교해질수록 회수율은 더 높아집니다. 최고의 성과를 내는 소매업체들은 반품 사기 탐지를 일회성 프로젝트가 아닌 지속적인 최적화로 취급하며, 매 시즌 사기 패턴이 변화하고 진화함에 따라 정기적으로 모델을 재학습시키고 있습니다.