체크아웃 단계의 자동화된 사기 탐지: 정상 고객을 차단하지 않으면서 부정 주문 차단하기

이커머스 사기는 양면적 문제입니다. 명백한 측면은 도난 신용카드, 계정 탈취, 환불 남용과 같은 부정 주문입니다. 덜 명백하지만 그에 못지않게 피해를 주는 측면은 사기 탐지 시스템이 의심스럽다고 판단하여 정상 고객의 주문을 표시하거나 거절하거나 지연시키는 오탐(false positive)입니다. 너무 적게 차단하면 사기로 돈을 잃고, 너무 많이 차단하면 다른 곳으로 발길을 돌리는 고객 이탈로 돈을 잃게 됩니다.

전통적인 사기 방지는 규칙에 크게 의존했습니다. 청구지 주소가 배송지 주소와 일치하지 않으면 표시하고, 일정 금액 이상의 주문은 검토하고, 고객이 VPN을 사용하면 차단하는 식입니다. 이러한 규칙은 일부 사기를 잡아내지만, 동시에 막대한 양의 정상 거래까지 잡아냅니다.

AI가 사기 탐지의 방정식을 바꾸는 방식

AI 사기 탐지는 규칙 기반 시스템과 다르게 작동합니다. 개별 데이터 포인트에 정적인 규칙을 적용하는 대신, 수백 가지 신호를 동시에 고려하는 종합적인 리스크 모델을 구축합니다. 규칙 기반 시스템이라면 표시했을 청구지-배송지 불일치는 여러 입력 중 하나에 불과하게 됩니다. 동일한 거래에서 디바이스 핑거프린트가 고객 계정과 일치하고, 정상적인 구매 빈도를 보이며, 이전에 성공적으로 사용된 결제 수단이 사용된다면, 주소 불일치에도 불구하고 전체 리스크 점수는 낮게 유지됩니다.

모델은 결과로부터 학습합니다. 확인된 모든 사기 사례와 모든 정상 거래는 시스템이 둘을 더 잘 구별하도록 가르칩니다. 귀하의 특정 거래 데이터로 수개월간 학습한 모델은 귀하의 고객 기반과 상품 카테고리에 정상이 어떤 모습인지를 이해하게 됩니다.

이는 사기 패턴이 산업에 따라 크게 달라지기 때문에 중요합니다. 화물 포워더로 배송되는 3,000달러 상당의 전자제품 주문은 주거지 주소로 배송되는 3,000달러 상당의 맞춤 가구 주문보다 훨씬 의심스럽습니다.

체크아웃 속도를 늦추지 않는 실시간 평가

체크아웃에서는 속도가 매우 중요합니다. 1초의 추가 지연마다 장바구니 이탈률이 증가합니다. AI 사기 평가는 분 단위가 아닌 밀리초 단위로 이루어져야 합니다. 최신 시스템은 모든 거래를 중앙 검토 서버로 전송하는 대신, 거래가 발생하는 곳 가까이에서 경량 평가 모델을 실행함으로써 이를 달성합니다.

평가는 체크아웃 흐름과 병렬로 진행됩니다. 고객이 배송 정보를 입력하는 동안, 시스템은 이미 디바이스 핑거프린트, 세션 행동, 계정 이력을 평가하고 있습니다. 고객이 구매 버튼을 클릭할 때쯤이면 사기 평가의 대부분이 완료되어 있습니다. 최종 점수는 결제 정보를 반영하여 거의 즉시 결정을 반환합니다.

대다수의 거래에서 이는 고객에게 완전히 보이지 않습니다. 고객이 구매 버튼을 클릭하면 시스템은 100밀리초 이내에 거래를 평가하고 주문이 확정됩니다. 모호한 리스크 영역에 속하는 거래만 추가 인증 단계로 라우팅됩니다.

거래 데이터를 넘어선 행동 분석

가장 정교한 AI 사기 시스템은 거래 시점뿐만 아니라 전체 쇼핑 세션에 걸쳐 고객 행동을 분석합니다. 고객이 사이트를 어떻게 탐색했는지, 상품 페이지와 어떻게 상호작용했는지, 마우스 움직임 패턴, 정보 입력 시 타이핑 리듬 등 이 모든 것이 신호를 제공합니다.

도난 자격 증명을 사용하는 사기범은 정당한 계정 소유자와 다르게 행동하는 경향이 있습니다. 그들은 둘러보지 않고 고가 상품으로 직접 이동합니다. 배송 주소와 결제 정보를 타이핑하지 않고 붙여넣을 가능성이 높습니다. 그들의 세션 패턴은 해당 계정과 연관된 과거 행동과 다르게 보입니다.

이 행동 계층은 거래 수준 분석만으로는 놓칠 사기를 잡아냅니다. 모든 자격 증명과 일치하는 주소를 가진 사기범도 사이트와 상호작용하는 방식으로 식별될 수 있는데, 인간의 행동 패턴은 대규모로 위조하기가 매우 어렵기 때문입니다.

적응형 임계값과 수동 검토

모든 거래가 명확한 승인 또는 거부 결정을 받는 것은 아닙니다. AI 시스템은 일반적으로 거래를 세 가지 범주로 분류합니다: 승인(낮은 리스크), 거부(높은 리스크), 검토(모호함). 이러한 범주의 크기는 비즈니스가 자체 리스크 허용 범위에 따라 조정할 수 있는 임계값에 의해 통제됩니다.

마진이 높은 럭셔리 소매업체는 단일 부정 주문의 비용이 크기 때문에 더 많은 경계 거래를 거부하는 공격적인 임계값을 설정하여 더 높은 오탐을 수용할 수 있습니다. 마진이 낮고 거래량이 많은 소매업체는 정상 매출 손실 비용이 사기 손실보다 크기 때문에 일부 사기를 수용하면서 더 많은 경계 사례를 승인하는 관대한 임계값을 설정할 수 있습니다.

수동 검토 큐는 인간의 판단이 여전히 중요한 곳입니다. AI는 표시된 각 거래에 대해 가장 관련성 있는 정보를 표면화합니다: 리스크 점수 분석, 표시를 유발한 특정 신호, 고객 이력, 그리고 사기 또는 정상으로 판명된 유사한 과거 거래. 이를 통해 검토자는 빠르고 정보에 기반한 결정을 내리는 데 필요한 모든 것을 갖게 됩니다.

차지백 관리와 피드백 루프

차지백은 통과된 사기의 후행 지표입니다. 차지백이 발생하면 AI 모델 개선에 도움이 되는 명확한 피드백을 제공합니다. 그러나 차지백은 도착하는 데 몇 주 또는 몇 달이 걸릴 수 있으므로, 시스템은 이를 유일한 피드백 신호로 의존할 수 없습니다.

좋은 AI 사기 시스템은 더 빠른 신호도 통합합니다: 고객 분쟁, 환불 패턴, 고객으로부터의 계정 탈취 보고, 결제 네트워크에서 가맹점이 보고한 사기 등입니다. 이러한 다중 소스 피드백은 느린 차지백 피드백 루프를 기다리지 않고 모델이 진화하는 사기 전술과 함께 최신 상태를 유지하도록 합니다.

AI는 또한 사기 조직과 협동 공격을 식별하는 방법을 학습합니다. 여러 거래가 특성을 공유하는 것을 감지하면(동일한 디바이스 핑거프린트, 유사한 행동 패턴, 관련된 배송 주소), 각 거래를 개별적으로 평가하는 대신 전체 클러스터에 대한 리스크 점수를 높일 수 있습니다.

숫자의 균형 맞추기

사기 탐지의 궁극적인 지표는 사기 적발률이나 오탐률 단독이 아닙니다. 그것은 총 재무적 영향입니다: 예방된 사기 손실에서 잘못된 거절로 인한 매출 손실과 시스템 운영 비용을 뺀 값. AI 최적화 도구는 이러한 트레이드오프를 모델링하고 순매출을 극대화하는 임계값 설정을 권장할 수 있습니다.

AI 사기 탐지를 도입한 대부분의 비즈니스는 양쪽 모두에서 동시에 개선을 보게 됩니다: 더 낮은 사기 손실과 더 적은 잘못된 거절. 이커머스 비즈니스 보호에 대한 자세한 내용은 이커머스 및 소매 산업 페이지를 방문해 주세요.