Combattere le frodi tramite sperimentazioni rapide

Combattere le frodinel settore dei pagamenti può essere più difficile di quanto si creda. Si lavora sodo per garantire ai clienti autentici un'esperienza di pagamento ottimale, ma i criminali riescono comunque ad adattarsi rapidamente e a prendere di mira l'azienda sfruttando le proprie conoscenze tecniche.

Quello che serve è unsistema di gestione delle frodisofisticato, perché raggiungere un buon equilibrio tra la continua ottimizzazione della protezione dalle frodi e il rischio di rifiutare ordini autentici (che possono apparire sospetti al momento dell'acquisto) può costituire una vera sfida.

Secondo un report del Merchant Risk Council[1] del 2019, le attività online in media rifiutano il 2,5 % dei tentativi di pagamento per sospetta frode, una cifra che potrebbe equivalere a milioni di profitti persi, qualora il pagamento rifiutato non fosse fraudolento.

Ma come fa un'azienda a continuare a crescere rapidamente e a proteggere i propri clienti senza bloccare troppe transazioni autentiche? Con l'evolvere delle frodi, è fondamentale che le soluzioni di rilevamento e gestione in questo campo riescano a individuarle, analizzarle e adattarsi quanto più velocemente possibile.

In questo senso, vale forse la pena di analizzare più da vicino l'esigenza delle aziende di adattare e calibrare la propria strategia antifrode. Modificare in maniera casuale regole e punteggi, passare da un modello all'altro o integrare strumenti di terzi per verificare i dati dei clienti sono sicuramente delle opzioni, ma in genere non sono tra le più efficaci.

Quella degli A/B test non è un'idea nuova, ma una metodologia comprovata, utilizzata per determinare se le modifiche apportate a una certa configurazione hanno o meno un impatto su risultati misurati in base a metriche rappresentative.

Nel campo dei rischi e delle frodi, è fondamentale tenere traccia dell'impatto di qualunque cambiamento e di come influisca sui falsi negativi e sui falsi positivi. I falsi negativi sono le frodi che il sistema non ha individuato e che si trasformano in chargeback. I falsi positivi, invece, sono gli ordini autentici che sono stati classificati come frodi, con un conseguente mancato guadagno legittimo.

L'obiettivo degli A/B test è misurare l'effetto della modifica su tali parametri, per valutare in maniera informata se si tratti di un impatto “reale” o semplicemente dovuto al caso (natural variation) e quindi decidere se applicare o meno determinate modifiche a tutte le transazioni.

Nel marketing e nel web analytics, l'A/B test viene usato già da tempo, ma se si considerano la complessità e la profondità dei dati disponibili nella gestione delle frodi, dovrebbe essere considerata una metodologia fondamentale anche in questo campo. Gli A/B test consistono in esperimenti controllati con due varianti, A e B, che consentono di confrontare due versioni di una singola variabile, verificando la risposta di un soggetto alla variabile A e alla variabile B per determinare quale delle due sia più efficace.

Il team di esperti del global risk di Adyen ha sempre usato questo tipo di sperimentazione internamente, ma siamo felici di rendere questa funzionalità disponibile anche ai nostri merchant.

I nostri recenti progressi nell'uso del machine learning (ML) hanno richiesto una solida piattaforma di sperimentazione per monitorare e mostrare gli effetti complessivi sugli utenti in tempo reale, dando ai commercianti pieno controllo della situazione.

Anche la più piccola modifica a una determinata serie di impostazioni di rischio può essere sottoposta a split testing, anziché sostituire semplicemente la configurazione esistente con una nuova. Adyen esegue tutte le configurazioni che le vengono fornite (la combinazione di determinate impostazioni di rischio è chiamata "profilo") tramite il suo Risk Optimizer basato su ML, così da creare una soluzione ibrida capace di sfruttare il meglio di entrambi i mondi: la trasparenza e il controllo di un approccio basato su regole con le previsioni scalabili e accurate dell'apprendimento automatico.

Le versioni iniziali che abbiamo testato con alcuni commercianti campione si sono concentrate su parametri chiave come i tassi di autorizzazione e di frode, ma ben presto ci siamo resi conto di dover aggiungere anche dati più approfonditi.

Con il supporto di dati grezzi, affiancati a grafici in tempo reale, gli utenti possono approfondire nel dettaglio, ad esempio, perché le banche emittenti delle carte rifiutano le transazioni, per valutare gli effetti delle modifiche applicate.

Oltre a voler incoraggiare il collaudo continuo di nuove configurazioni antirischio, crediamo fermamente che una gestione efficace delle frodi si basi sul saper prendere solide decisioni basate sui dati, invece che limitarsi a semplici opinioni. La funzionalità di sperimentazione di Adyen segue questo stesso approccio e aiuterà i commercianti a mantenersi sempre all'avanguardia.

Ora che conosci le funzioni della nostra Experiments feature, esaminiamo un caso di studio reale.

Con un volume elevato di transazioni, OLX Brazil è uno dei più grandi mercati al mondo. La società ha sempre visto la gestione del rischio nei pagamenti come una sfida.

Insieme, OLX e Adyen hanno sviluppato una strategia basata sulle tecnologie di machine learning e sull'intelligent data usage. Analizzando i dati raccolti sui pagamenti, l'algoritmo ha ampliato la propria comprensione del comportamento dei consumatori e fornito informazioni ottimizzate su conversione, approvazione delle transazioni e come ottenere una migliore esperienza del cliente.

Grazie alle nuove conoscenze acquisite, il passo successivo è stato rivedere il profilo di rischio utilizzato nello strumento antifrode di protezione dei pagamenti di OLX, un profilo costituito da diversi campi di dati, come posizione, e-mail, importo medio della fattura, dati della carta, prodotti nel carrello, cronologia dell'utente e simili. Ognuno riceve un punteggio in base al rischio di frode che rappresenta e lo abbiamo chiamato profilo "A".

Il secondo profilo di rischio nei pagamenti, il profilo "B", è stato creato mettendo insieme un nuovo set di regole. Il motore di machine learning ha calibrato i punteggi di ciascun profilo in base ai dati generati dalla cronologia delle vendite dell'azienda. "Dal momento che disponevamo di dati a sufficienza, di uno strumento potente e di clienti sempre pronti a sperimentare nuove soluzioni, abbiamo avviato i test A/B", ha dichiarato Ligia Pires, Trust and Safety Manager di OLX Brazil. "Il test consiste nell'applicare in parallelo il vecchio e il nuovo profilo antifrode, verificando quale ha i risultati migliori".

La prima fase di test è durata quattro settimane. In quel periodo, solo il 10 % del volume delle vendite è stato inviato al nuovo profilo antifrode per i pagamenti. Dati i buoni risultati ottenuti, nelle due settimane successive tale volume è passato al 25 % e quindi al 50 % nelle ultime due settimane.

"Oggi Adyen ci supporta nelle nostre iniziative di pagamento e la sua tecnologia ci consente di sfruttare tutto il meglio dei due mondi: transazioni finanziarie autentiche approvate e un valido sistema antifrode che blocca gli acquisti illegittimi", conclude Pires.

Una volta completato il beta testing, il prodotto RevenueProtectdi Adyen sarà dotato della nuova funzionalità di sperimentazione come componente aggiuntivo premium contro i rischi. Se ti interessa prendere parte al nostro programma pilota per scoprire come può esserti utile,contattaci.

Per ora, scopri come la potenza del sistema di pagamento end-to-end di Adyen ti dà più dati in un unico posto, oltre al controllo per effettuare test, imparare e ottimizzare le tue pratiche tramite la sperimentazione.

Referenze:

[1]  2019 MRC Global Fraud Survey