AI untuk Pemprosesan Pemulangan: Meramal Pemulangan yang Bersifat Penipuan

Penipuan pemulangan menelan kos peruncit AS dianggarkan $24.5 bilion pada 2025, menurut National Retail Federation. Bagi setiap $100 barangan yang dipulangkan, kira-kira $15.14 adalah penipuan. Masalah ini berkembang lebih cepat daripada e-dagang secara keseluruhan kerana penipu semakin canggih, dan kebanyakan peruncit masih bergantung pada polisi pemulangan menyeluruh yang melayan setiap pelanggan secara sama rata.

Sebuah peruncit barangan sukan yang menjalankan kira-kira $80 juta hasil tahunan dalam talian berkongsi bahawa mereka kehilangan kira-kira $1.9 juta setahun akibat penipuan pemulangan sebelum melaksanakan sistem pengesanan berasaskan AI. Selepas 14 bulan sistem beroperasi, kerugian penipuan yang disahkan menurun kepada kira-kira $620,000. Model tersebut tidak menangkap semuanya, tetapi ia menandakan cukup banyak untuk mengurangkan kerugian sebanyak dua pertiga.

Corak Penipuan yang Lazim

Wardrobing adalah bentuk yang paling berleluasa, di mana pelanggan membeli pakaian atau aksesori, memakainya sekali (sering kali untuk foto media sosial atau acara), dan memulangkannya. Isyarat termasuk pemulangan barangan bernilai tinggi dalam masa 2-3 hari, pemulangan barangan dengan tag yang dipasang semula (kadangkala boleh dikesan melalui data keadaan tag jika gudang anda menjejakinya), dan corak berulang daripada pelanggan yang sama.

Penipuan bracketing adalah apabila pelanggan sengaja memesan pelbagai saiz atau warna dengan merancang untuk memulangkan kebanyakannya. Ini tidak selalu bersifat penipuan (sesetengah peruncit menggalakkannya), tetapi ia menjadi masalah apabila digabungkan dengan wardrobing atau apabila barangan yang dipulangkan menunjukkan tanda-tanda penggunaan. Isyarat pembeza adalah kadar pemulangan: pembeli bracketing yang sah memulangkan 60-70% daripada pesanan berbilang item, manakala pembeli bracketing yang menipu sering memulangkan 90%+ dengan barangan yang tidak boleh dijual semula sebagai baharu.

Penipuan resit dan pertukaran harga melibatkan pemulangan barangan yang dibeli pada harga diskaun untuk kredit harga penuh, atau memulangkan barangan yang lebih murah dalam kotak barangan yang mahal. Ini lebih sukar ditangkap tanpa pemeriksaan fizikal, tetapi AI boleh menandakan corak mencurigakan seperti pelanggan yang secara konsisten memulangkan barangan yang dibeli semasa promosi.

Jenayah runcit terancang menyumbang peratusan yang lebih kecil dari segi jumlah tetapi bahagian yang lebih besar dari segi kerugian dolar. Ini adalah operasi profesional yang membeli barangan dan memulangkannya untuk kredit kedai atau bayaran balik. Isyarat tingkah laku berbeza daripada penipuan individu: pelbagai pemulangan merentasi akaun berbeza menggunakan alamat atau peranti yang serupa, pemulangan barangan permintaan tinggi secara pukal, dan akaun baharu tanpa sejarah pembelian yang membuat pemulangan besar.

Apa yang Sebenarnya Dilihat oleh Model AI

Model pengesanan penipuan yang paling berkesan dalam pemulangan e-dagang tidak melihat satu faktor sahaja. Mereka menilai pemulangan berdasarkan gabungan isyarat berwajaran. Sejarah pemulangan pelanggan adalah peramal terkuat. Pelanggan dengan kadar pemulangan 65% merentasi 30+ pesanan mempunyai profil risiko yang secara asasnya berbeza daripada seseorang yang memulangkan barangan kedua mereka. Model ini menjejaki bukan sahaja kadar pemulangan, tetapi halaju pemulangan (seberapa cepat barangan dipulangkan), taburan nilai pemulangan (sentiasa memulangkan barangan paling mahal dalam pesanan berbilang item), dan corak bermusim.

Data peringkat item juga penting. Kategori produk tertentu mempunyai kadar pemulangan yang lebih tinggi secara semula jadi (pakaian purata 25-30%, manakala elektronik sekitar 8-10%). Model memerlukan garis dasar khusus kategori untuk mengelak menandakan pemulangan sah dalam kategori pemulangan tinggi. Dalam kategori, item tertentu dengan kadar pemulangan luar biasa tinggi daripada segmen pelanggan tertentu boleh menunjukkan corak wardrobing yang disasarkan.

Data peranti dan sesi menambah lapisan lain. Jika cap jari peranti yang sama dikaitkan dengan pelbagai akaun yang semuanya menunjukkan tingkah laku pemulangan tinggi, itu adalah isyarat kuat penipuan terancang. Corak alamat IP, cap jari pelayar, dan garis masa penciptaan akaun semuanya dimasukkan ke dalam skor risiko.

Corak masa sangat bermaklumat. Pemulangan penipuan berkumpul di sekitar tetingkap tertentu: sejurus sebelum tarikh akhir polisi pemulangan, sejurus selepas acara besar atau cuti (menunjukkan wardrobing untuk acara tersebut), dan dengan cepat yang mencurigakan selepas penghantaran (dipesan, diterima, dipulangkan dalam masa 48 jam tanpa sebab yang jelas).

Membina vs. Membeli Sistem Penipuan Pemulangan

Penyelesaian siap pakai daripada syarikat seperti Riskified, Signifyd, dan Forter menawarkan pemarkahan penipuan pemulangan sebagai sebahagian daripada platform pencegahan penipuan mereka yang lebih luas. Ini berfungsi dengan baik untuk peruncit pasaran pertengahan kerana ia telah dilatih menggunakan data daripada ratusan pedagang, memberikan model mereka pandangan yang lebih luas tentang corak penipuan berbanding mana-mana peruncit tunggal yang boleh bangunkan sendiri. Kos biasa adalah 0.5-1.5% daripada nilai pemulangan yang diproses melalui sistem.

Membina secara dalaman lebih sesuai untuk peruncit besar dengan corak penipuan yang unik atau mereka yang memproses cukup banyak pemulangan (50,000+ sebulan) untuk melatih model mereka sendiri dengan berkesan. Pembinaan biasanya melibatkan saluran kejuruteraan ciri yang mengekstrak isyarat yang diterangkan di atas, model gradient boosting atau rangkaian neural yang dilatih pada pemulangan sejarah yang dilabel sebagai penipuan atau sah, dan API pemarkahan yang menilai setiap permintaan pemulangan dalam masa nyata.

Masalah pelabelan adalah bahagian paling sukar dalam pembinaan dalaman. Kebanyakan peruncit tidak mempunyai data sejarah yang bersih tentang pemulangan mana yang sebenarnya penipuan. Anda sering perlu bermula dengan sistem berasaskan peraturan (menandakan pemulangan yang memenuhi kriteria tertentu untuk semakan manual), menggunakan hasil semakan manual untuk membina set data berlabel, dan kemudian melatih model pada data berlabel tersebut. Proses bootstrap ini mengambil masa 6-12 bulan untuk menjana contoh berlabel yang mencukupi bagi model yang boleh dipercayai.

Apa yang Perlu Dilakukan dengan Skor Penipuan

Model menghasilkan skor risiko, biasanya 0-100. Persoalannya adalah apa yang perlu dilakukan dengannya. Kebanyakan peruncit melaksanakan pendekatan tiga peringkat. Pemulangan berisiko rendah (skor di bawah 30) diproses secara automatik tanpa halangan. Pemulangan berisiko sederhana (30-70) melalui proses biasa tetapi ditandakan untuk semakan pasca pemprosesan. Pemulangan berisiko tinggi (melebihi 70) mencetuskan langkah pengesahan tambahan sebelum bayaran balik dikeluarkan.

Langkah tambahan tersebut mungkin termasuk memerlukan foto barangan sebelum label pemulangan dijana, menghalakan pemulangan kepada pasukan pemeriksaan khusus di gudang, menangguhkan bayaran balik sehingga barangan diterima dan diperiksa, atau dalam kes yang melampau, memaklumkan pelanggan dengan sopan bahawa pemulangan tidak layak di bawah polisi semasa.

Kuncinya adalah menentukur ambang. Tetapkan ambang berisiko tinggi terlalu rendah dan anda menambah halangan untuk pelanggan yang sah, merosakkan kepuasan dan nilai seumur hidup. Tetapkan terlalu tinggi dan anda terlepas penipuan. Kebanyakan peruncit bermula secara konservatif (ambang pada 80-85) dan menurunkannya secara beransur-ansur apabila mereka membina keyakinan terhadap ketepatan model.

Untuk perniagaan e-dagang dan runcit yang berhadapan dengan jumlah pemulangan yang semakin meningkat, sistem pemarkahan penipuan asas yang menangkap corak paling jelas pun boleh memulihkan 1-3% daripada kerugian berkaitan pemulangan. Semakin canggih pengumpulan data dan latihan model anda, semakin tinggi kadar pemulihan tersebut. Peruncit yang melihat hasil terbaik adalah mereka yang menganggap pengesanan penipuan pemulangan bukan sebagai projek sekali sahaja tetapi sebagai pengoptimuman berterusan, melatih semula model mereka secara berkala apabila corak penipuan berubah dan berkembang setiap musim.