领先的零售商——如沃尔玛、Stop&Shop和家得宝——正在提高他们的竞争力付款和欺诈检测系统,使用人工智能学习交易规范并从每笔交易的上下文中推断风险。
本文重点介绍两个用于零售欺诈检测的强大AI用例。
- 预测分析–面向大规模客户和交易型客户的分析平台,可检测与过去欺诈案例相关的可疑行为。
- 异常检测–用于检测一段时间内与历史数据相比与正常支付活动的偏差的应用程序,该时间段可按不同比例进行单独调查。
预测分析
人工智能欺诈检测服务-辅助预测分析-可在销售点与零售支付处理系统集成。的机器学习模型授权欺诈检测服务学习发现与欺诈相关的模式。
可预测的欺诈活动的例子:
- 员工盗窃-销售点的折扣和注销可以隐藏欺诈行为。例如,与特定物品类型或个人相关的不规则交易模式可能表明,收银员正在为朋友、家人或化名提供库存。经过训练的算法可以标记匹配高风险模式的交易,以供管理层审查。
- 身份盗窃-在远离正常购物区的地方进行交易可能是欺诈的信号。详细的客户档案,增强交易地理位置数据,增强身份盗窃保护服务。
- 错误的返回–AI算法可以学习使用事务数据实时识别模式,用于高差异活动,如虚假回报。
异常检测
清单用户中包括联合利华、Stop&Shop和家得宝,Profitect索赔这些公司部署他们的规定性分析服务通过平板电脑仪表盘,在实体零售店进行欺诈检测:
规定性分析系统建议在检测后立即采取“下一个最佳行动”。它们在最近交易的稳定的新培训数据流中运行得特别好。
店内欺诈检测的好处包括:
- 可接受偏差的批准约翰应该被允许用他姐姐的零售会员卡进入吗?在实时情况下,管理层可能会收到风险事件的通知,在审查后迅速接受或拒绝行动。管理决策也可以通过反馈来改进机器学习模型。
- 对周期性和每日季节性的认识-人工智能模型可以了解正常模式在日/月/年的变化方式,为定义可调整的风险参数提供基线。例如,零售商可能想要更高级别的保护措施,防止假日期间的虚假退货。
这Anodot演示演示了异常检查、研究和决策的用例。Anodot声称可以服务Lyft在发现异常支付方面。每一个这案例研究,防止了重大损失,并减少了检测次数:
标题图片来源:新经济媒体