Wat is een SaaS Fraudescore-drempelwaarde?

De SaaS-fraudescoredrempel is een numerieke grens waarbij u actie onderneemt afhankelijk van het risiconiveau dat door uw transactie wordt aangegeven. Meestal, nadat een machine learning-model een transactie heeft geanalyseerd, wordt een score toegekend op basis van de mate van gelijkenis met fraude. De drempelwaarde geeft aan welke actie vervolgens moet worden ondernomen: de bestelling goedkeuren, om een handmatige beoordeling vragen of deze weigeren. De juiste plaatsing van de drempel is cruciaal, aangezien deze zowel de beveiliging als de omzet van het bedrijf beïnvloedt.

De definitie van een gunstige score kan variëren, beïnvloed door de specifieke criteria die elke verkoper hanteert. Een lage risicoscore wordt doorgaans geassocieerd met transacties die geen significante afwijkingen vertonen; een hoge score kan overeenkomen met situaties die verdere beoordeling vereisen, zoals discrepanties in klant- of accountgegevens, een atypisch transactievolume binnen een kort tijdsbestek, of een IP-adres van herkomst dat bedenkingen oproept. 

SaaS-verkopers stellen hun eigen bereiken in; bijvoorbeeld, 0–30 betekent “goedkeuring,” 31–70 duidt op “beoordeling,” en 71+ betekent “afwijzing,” voornamelijk afhankelijk van hun risicotolerantie, gemiddelde orderwaarde en de branche.

Gewoonlijk gebruiken SaaS-bedrijven deze methoden:

• Enkele vaste drempelwaarde — deze techniek maakt gebruik van één enkele vaste drempelwaarde om onderscheid te maken tussen goedgekeurde en afgewezen statussen, zonder een tussenliggende categorie.
• Gelaagde drempelwaarden — scores worden onderverdeeld in meerdere categorieën of banden (bijv. “goedkeuren”, “beoordelen”, “afwijzen”), waardoor het handmatige beoordelingsaspect mogelijk wordt.
• Dynamische drempel — de grenswaarde wordt beïnvloed door transactiefactoren zoals kwantiteit, artikeltype of klantgeschiedenis.
• Gesegmenteerde drempelwaarde — verschillende drempelwaarden worden ingesteld voor verschillende segmenten, zoals klantgroepen, betaalmiddelen of locatie (bijv. geografisch).
• Met machine learning aangepaste drempelwaarden — de grenswaarde evolueert voortdurend naarmate nieuwe fraudepatronen verschijnen, waardoor het model zich onmiddellijk moet aanpassen.

Het vinden van de juiste SaaS-drempel is voornamelijk gebaseerd op historische gegevens. Hier zijn enkele stappen die u kunt volgen om dat te bereiken:

1. Controleer eerdere transacties om te bepalen waar fraude en legitieme bestellingen zich hebben gegroepeerd binnen risicoscorebereiken.
2. Bepaal het aantal afgewezen reguliere klanten en het aantal geïdentificeerde fraudegevallen over de verschillende drempelwaarden.
3. In plaats van één algemene drempelwaarde te hanteren, groepeert u klanten op basis van risico-indicatoren zoals orderwaarde, geografie of productcategorie.

Handelaren overwegen doorgaans de balans tussen risico en omzet bij het vaststellen van drempelwaarden voor fraudescores. Een verlaging van het autorisatie-afkappunt komt doorgaans overeen met een groter aantal bestellingen die inherente risico's met zich meebrengen. Dit kan de frequentie van terugboekingen beïnvloeden, Kosteninning, en de afhandeling van sancties. Data suggereren een verband tussen een hogere afkapgrens en het proces dat geverifieerde klanten doorlopen voor specifieke vereisten, wat mogelijk van invloed is op de verkoopconversie, omzet en het klantvertrouwen.

De precisie van een vaste drempel voor fraudedetectie wordt beïnvloed door veranderingen in fraudetactieken. Het merendeel van de SaaS-aanbieders herziet hun drempels minstens elk kwartaal, en wanneer grote verkoopevenementen, nieuwe productlijnen worden gelanceerd, of er een aanzienlijke toename is van terugboekingen of onterechte afwijzingen.

Voordat u beslissingen neemt over waar u uw inspanningen op richt, zet eerst een paar gedachten op een rij.

1.   Welke aspecten van chargebacks en Onterechte afwijzingen zijn relevant voor de financiële bedrijfsvoering van uw onderneming?
2.   Is het, met een hoog transactievolume, relevant om de haalbaarheid van het handmatig controleren van elke zakelijke bestelling te evalueren?
3.   Is er een verandering geweest in de klantdemografie of het productaanbod?

Beslissingsfactoren:

•       Branchespecifieke meetgegevens voor de prevalentie van fraude
•       fraudepreventie beschikbare methoden en middelen
•       Acceptatie van de werkdruk door menselijke beoordelaars