كشف الاحتيال الآلي عند إتمام الشراء: حجب الطلبات الاحتيالية دون حجب العملاء الحقيقيين
الاحتيال في التجارة الإلكترونية مشكلة ذات وجهين. الوجه الواضح هو الطلبات الاحتيالية: بطاقات الائتمان المسروقة، واختراق الحسابات، والتلاعب باسترداد الأموال. أما الوجه الأقل وضوحاً والمدمر بالقدر نفسه فهو الإيجابيات الزائفة، أي العملاء الشرعيون الذين تُؤشَّر طلباتهم أو تُرفض أو تتأخر لأن نظام كشف الاحتيال اعتبرهم مشبوهين. الحجب القليل يكلّفك خسائر بسبب الاحتيال، والحجب المفرط يكلّفك خسائر بسبب العملاء الذين يتخلون عن الشراء ويتجهون إلى مكان آخر.
اعتمدت طرق منع الاحتيال التقليدية اعتماداً كبيراً على القواعد. إذا لم يتطابق عنوان الفوترة مع عنوان الشحن، أُشِّر الطلب. إذا تجاوز الطلب مبلغاً معيناً، خضع للمراجعة. إذا استخدم العميل VPN، حُجب. تلتقط هذه القواعد بعض حالات الاحتيال، لكنها تلتقط أيضاً أعداداً هائلة من المعاملات الشرعية. كل من رُفض شراؤه الصحيح يعرف مدى الإحباط الذي يسببه ذلك.
كيف يغيّر الذكاء الاصطناعي معادلة كشف الاحتيال
يعمل كشف الاحتيال بالذكاء الاصطناعي بشكل مختلف عن الأنظمة القائمة على القواعد. فبدلاً من تطبيق قواعد ثابتة على نقاط بيانات منفردة، يبني نموذج مخاطر شاملاً يأخذ في الحسبان مئات الإشارات في وقت واحد. يصبح عدم تطابق عنوان الفوترة والشحن، الذي كان النظام التقليدي ليؤشّره، مجرد مدخل واحد ضمن مدخلات كثيرة. فإذا كانت المعاملة نفسها تحتوي أيضاً على بصمة جهاز متسقة مع حساب العميل، وسرعة شراء طبيعية، ووسيلة دفع استُخدمت بنجاح من قبل، تبقى درجة المخاطر الإجمالية منخفضة رغم عدم تطابق العنوان.
يتعلم النموذج من النتائج. كل حالة احتيال مؤكدة وكل معاملة شرعية مؤكدة تعلّم النظام التمييز بشكل أفضل بينهما. على مدى أشهر من التدريب على بيانات معاملاتك المحددة، يطوّر النموذج فهماً لما يبدو طبيعياً لقاعدة عملائك ولفئات منتجاتك.
هذا الأمر مهم لأن أنماط الاحتيال تتفاوت تفاوتاً كبيراً بين الصناعات. طلب إلكترونيات بقيمة 3,000 دولار يُشحن إلى وكيل شحن أكثر إثارة للشكوك بكثير من طلب أثاث مخصص بقيمة 3,000 دولار يُشحن إلى عنوان سكني. الذكاء الاصطناعي المدرَّب على بيانات معاملاتك يفهم هذه الفروقات السياقية بطرق لا تستطيع مجموعات القواعد العامة فهمها.
تقييم لحظي دون إبطاء عملية الشراء
السرعة مهمة جداً عند إتمام الشراء. كل ثانية إضافية من التأخير تزيد من معدلات التخلي عن السلة. يحتاج تقييم الاحتيال بالذكاء الاصطناعي إلى أن يحدث في أجزاء من الثانية، لا في دقائق. تحقق الأنظمة الحديثة ذلك بتشغيل نماذج تقييم خفيفة على الحافة، قرب موقع نشأة المعاملة، بدلاً من إرسال كل معاملة إلى خادم مراجعة مركزي.
يحدث التقييم بالتوازي مع تدفق إتمام الشراء. بينما يدخل العميل معلومات الشحن، يكون النظام قد بدأ بالفعل في تقييم بصمة جهازه وسلوك جلسته وسجل حسابه. وعندما ينقر زر الشراء، يكون معظم تقييم الاحتيال قد اكتمل. تدمج النتيجة النهائية تفاصيل الدفع وتعيد القرار في وقت شبه فوري.
بالنسبة للغالبية العظمى من المعاملات، يكون ذلك غير مرئي تماماً للعميل. ينقر على الشراء، ويقيّم النظام المعاملة في أقل من 100 جزء من الثانية، ويُؤكَّد الطلب. فقط المعاملات التي تقع في منطقة مخاطر غامضة تُوجَّه إلى خطوات تحقق إضافية.
التحليل السلوكي بما يتجاوز بيانات المعاملة
تحلّل أكثر أنظمة الاحتيال بالذكاء الاصطناعي تطوراً سلوك العميل خلال جلسة التسوق بأكملها، لا عند نقطة المعاملة فحسب. كيف تنقّل العميل في الموقع، وكيف تفاعل مع صفحات المنتجات، وأنماط حركة الفأرة، وإيقاع كتابته عند إدخال المعلومات، كلها توفّر إشارات.
يميل المحتالون الذين يستخدمون بيانات اعتماد مسروقة إلى التصرف بطريقة تختلف عن المالك الشرعي للحساب. فهم ينتقلون مباشرة إلى المنتجات عالية القيمة بدلاً من التصفح. وقد يلصقون (بدلاً من كتابة) عناوين الشحن وتفاصيل الدفع. تبدو أنماط جلستهم مختلفة عن السلوك التاريخي المرتبط بذلك الحساب.
تلتقط هذه الطبقة السلوكية الاحتيالات التي قد يفوّتها التحليل على مستوى المعاملة وحده. يمكن للمحتال الذي يمتلك جميع بيانات الاعتماد الصحيحة وعناوين متطابقة أن يُكتشف من خلال طريقة تفاعله مع الموقع، لأن أنماط السلوك البشري يصعب تزويرها على نطاق واسع.
العتبات التكيّفية والمراجعة اليدوية
لا تحصل كل معاملة على قرار قبول أو رفض واضح. تصنّف أنظمة الذكاء الاصطناعي عادةً المعاملات إلى ثلاث فئات: قبول (مخاطر منخفضة)، ورفض (مخاطر مرتفعة)، ومراجعة (غامضة). تُحدَّد أحجام هذه الفئات بعتبات يمكن للأعمال تعديلها بناء على درجة تحملها للمخاطر.
قد يضع تاجر تجزئة فاخر بهوامش ربح عالية عتباتٍ صارمة ترفض المعاملات الحدّية، متقبلاً إيجابيات زائفة أعلى لأن تكلفة طلب احتيالي واحد كبيرة. وقد يضع تاجر تجزئة بهوامش منخفضة وحجم بيع كبير عتباتٍ متساهلة تقبل المعاملات الحدّية، متقبلاً بعض الاحتيال لأن تكلفة المبيعات الشرعية المفقودة تفوق خسائر الاحتيال.
طابور المراجعة اليدوية هو المكان الذي لا يزال فيه الحكم البشري مهماً. يبرز الذكاء الاصطناعي أهم المعلومات لكل معاملة مؤشَّرة: تفصيل درجة المخاطر، والإشارات المحددة التي أثارت التأشير، وسجل العميل، والمعاملات السابقة المماثلة التي تبيّن أنها احتيالية أو شرعية. يمنح هذا المراجع كل ما يحتاجه لاتخاذ قرار سريع ومدروس.
إدارة الاسترجاعات وحلقات التغذية الراجعة
الاسترجاعات هي المؤشر المتأخر للاحتيال الذي مرّ. عندما يصل استرجاع، يقدّم تغذية راجعة قاطعة تساعد على تحسين نموذج الذكاء الاصطناعي. لكن الاسترجاعات قد تستغرق أسابيع أو أشهراً لتصل، لذلك لا يمكن للنظام أن يعتمد عليها إشارة تغذية راجعة وحيدة.
تدمج أنظمة الاحتيال الجيدة بالذكاء الاصطناعي إشارات أبكر أيضاً: نزاعات العملاء، وأنماط الاسترداد، وتقارير اختراق الحسابات من العملاء، والاحتيال الذي تبلّغ عنه شبكات الدفع. تُبقي هذه التغذية الراجعة متعددة المصادر النموذجَ مواكباً لأساليب الاحتيال المتطورة بدلاً من انتظار حلقة الاسترجاع البطيئة.
يتعلم الذكاء الاصطناعي أيضاً تحديد عصابات الاحتيال والهجمات المنسقة. عندما يكتشف أن معاملات متعددة تشترك في خصائص (بصمة جهاز نفسها، أنماط سلوكية متشابهة، عناوين شحن مرتبطة)، يمكنه رفع درجة المخاطر للمجموعة بأكملها بدلاً من تقييم كل معاملة بمعزل عن غيرها.
موازنة الأرقام
المقياس النهائي لكشف الاحتيال ليس معدل التقاط الاحتيال أو معدل الإيجابيات الزائفة بمعزل عن غيره. إنه التأثير المالي الإجمالي: خسائر الاحتيال التي تم منعها مطروحاً منها الإيرادات المفقودة بسبب الرفض الخاطئ مطروحاً منها تكلفة تشغيل النظام. يمكن لأدوات تحسين الذكاء الاصطناعي نمذجة هذه المقايضات والتوصية بإعدادات عتبات تعظّم صافي الإيرادات.
تشهد معظم الأعمال التي تطبّق كشف الاحتيال بالذكاء الاصطناعي تحسناً على الجبهتين في وقت واحد: خسائر احتيال أقل ورفض خاطئ أقل. قد تبدو هذه التركيبة جميلة جداً لتكون حقيقية، لكنها تعكس الميزة الأساسية لتقييم مئات الإشارات بشكل شامل بدلاً من تطبيق قواعد فجّة على نقاط بيانات منفردة. للمزيد عن حماية أعمال التجارة الإلكترونية الخاصة بك، تفضل بزيارة صفحة قطاع التجارة الإلكترونية والتجزئة.