Co to jest próg punktacji oszustw SaaS?

Próg wyniku oszustwa w SaaS to numeryczna granica, przy której podejmujesz działania w zależności od poziomu ryzyka wskazanego przez Twoją transakcję. Zazwyczaj, po przeanalizowaniu transakcji przez model uczenia maszynowego, przypisywany jest wynik w oparciu o stopień podobieństwa do oszustwa. Próg wskazuje, jakie działanie należy podjąć w następnej kolejności – czy zatwierdzić zamówienie, poprosić o ręczną weryfikację, czy je odrzucić. Prawidłowe umiejscowienie progu jest kluczowe, ponieważ wpływa zarówno na bezpieczeństwo, jak i na przychody firmy.

Definicja korzystnego wyniku może się różnić, pod wpływem konkretnych kryteriów przyjętych przez każdego dostawcę. Niski wynik ryzyka jest zazwyczaj związany z transakcjami, które nie wykazują znaczących anomalii; wysoki wynik może odpowiadać sytuacjom wymagającym dalszej weryfikacji, takim jak rozbieżności w danych klienta lub konta, nietypowy wolumen transakcji w krótkim czasie, lub źródłowy adres IP, który budzi obawy. 

Sprzedawcy SaaS ustalają własne przedziały; na przykład, 0–30 oznacza “zatwierdzenie”, 31–70 wskazuje na “przegląd”, a 71+ oznacza “odrzucenie”, głównie w zależności od ich tolerancji ryzyka, średniej wartości zamówienia i branży.

Zazwyczaj firmy SaaS stosują następujące podejścia:

• Pojedynczy stały próg — ta technika wykorzystuje pojedynczy stały próg do rozróżnienia statusów zatwierdzonych i odrzuconych, bez pośredniej kategorii.
• Progi warstwowe — punkty są klasyfikowane w wielu kategoriach lub przedziałach (np. “zatwierdź”, “przejrzyj”, “odrzuć”), co umożliwia ręczny proces weryfikacji.
• Dynamiczny próg — poziom graniczny jest kształtowany przez czynniki transakcyjne, takie jak ilość, typ przedmiotu lub historia klienta.
• Segmentowany próg — różne progi są ustalane dla różnych segmentów, takich jak grupy klientów, środki płatności lub lokalizacja (np. geograficznie).
• Progi dostosowane przez uczenie maszynowe — poziom odcięcia nieustannie ewoluuje w miarę pojawiania się nowych schematów oszustw, więc model musi się na bieżąco samodostosowywać.

Znalezienie właściwego progu SaaS opiera się głównie na danych historycznych. Oto kilka kroków, które możesz podjąć, aby to osiągnąć:

1. Sprawdź przeszłe transakcje, aby zlokalizować, gdzie oszustwa i prawdziwe zamówienia koncentrowały się w poszczególnych zakresach punktacji ryzyka.
2. Określ liczbę odrzuconych regularnych klientów oraz liczbę zidentyfikowanych przypadków oszustw na różnych poziomach odcięcia.
3. Zamiast stosować jeden ogólny próg, grupuj klientów według wskaźników ryzyka, takich jak wartość zamówienia, położenie geograficzne lub kategoria produktu.

Sprzedawcy zazwyczaj biorą pod uwagę równowagę między ryzykiem a przychodem, ustalając progi oceny ryzyka oszustwa. Obniżenie punktu odcięcia autoryzacji zazwyczaj wiąże się z większą liczbą zamówień o wewnętrznym ryzyku. Może to wpłynąć na częstotliwość obciążeń zwrotnych, pobieranie opłat, oraz rozpatrywania kar. Dane sugerują związek między wyższym punktem odcięcia a procesem, który zweryfikowani klienci podejmują w związku z konkretnymi wymaganiami, potencjalnie wpływając na konwersję sprzedaży, przychody i zaufanie klientów.

Precyzja stałego progu wykrywania oszustw jest zależna od zmian w taktykach oszustów. Większość dostawców SaaS przegląda swoje progi co najmniej kwartalnie, a także podczas ważnych wydarzeń sprzedażowych, wprowadzania nowych linii produktów lub znacznego wzrostu obciążeń zwrotnych (chargebacks) lub błędnych odrzuceń.

Zanim podejmiesz jakiekolwiek decyzje dotyczące tego, czemu poświęcić swoje wysiłki, uporządkuj kilka swoich myśli.

1.   Jakie aspekty obciążenia zwrotne oraz fałszywe odrzucenia są istotne dla finansowych operacji Twojej firmy?
2.   Przy dużym wolumenie transakcji, czy ocena wykonalności ręcznego przeglądania każdego zamówienia biznesowego jest zasadna?
3.   Czy nastąpiła zmiana w demografii klientów lub ofercie produktów?

Czynniki decyzyjne:

•       Branżowe wskaźniki występowania oszustw
•       zapobieganie oszustwom dostępne metody i zasoby
•       Akceptacja obciążenia pracą przez ludzkich weryfikatorów