随着电商欺诈在2021年给商家带来的损失飙升至200亿美元，较2020年激增18%，面对日益复杂多变的欺诈手段，防范支付欺诈成为商家迫切的需求。幸运的是，一款名为Stripe Radar的产品引起了我们的注意。
Stripe Radar是一款高度集成于Stripe平台的机器学习反欺诈工具，并且近期已将其机器学习模型的更新频率提升至原来的两倍。随着 Stripe 经营网络的扩大，它能够在更多的支付场景中识别关键数据输入，更加敏锐地捕捉欺诈行为。得益于数据积累的增多，该模型的召回率提升了超过20%，意味着Stripe能更有效地识别虚假支付尝试，同时最大限度地减少对正当交易的影响。
"更新后的机器学习模型让欺诈率管理变得更加便捷，无需额外努力，我们在短短几个月内便见证了欺诈率降低了一半。" —— Jeffrey Johnson，Dermalogica 高级商务总监
"借助Stripe的机器学习和定制欺诈规则，我们成功降低了欺诈率和交易争议率，提升了客户满意度，并减少了团队在人工审核流程上的投入，从而更快地解决了客户纠纷。" —— Lourdes García，Ben & Frank 公司产品经理
反欺诈工作繁琐耗时，而全新的Stripe管理平台通过整合反欺诈功能，打造了一个中心化的欺诈管理工作区，使用户能够迅速查看并管理审核、争议、规则、黑名单以及风控机制。借助实时显示的总览图表，用户可以清晰地了解Radar的机器学习决策、风控规则和人工审批流程间的协同运作方式。
三、评估欺诈策略成效，找准优化方向找到预防欺诈与维持良好客户转化率之间的平衡点对于所有商家至关重要。然而，缺乏参照，商家难以得知自身表现如何。Stripe Radar提供的行业基准允许用户通过管理平台将自己的欺诈争议率、误报率和阻止率与其他地区或行业的商家进行对比。这些数据源于匿名聚合的商家群体，为商家提供了明确的改进策略指引。
四、定制精细化规则，强化欺诈防控Stripe为Radar风控团队版增加了丰富的新规则和属性选项，使得用户能够根据自身业务需求，更加精确地定制欺诈防范设定，并明确哪些行为需重点关注。举例而言，用户可基于银行卡关联的姓名数量、平均授权尝试次数，甚至是首次看到某客户电子邮件地址或银行卡的时间等条件制定规则。
五、深入分析规则效能，优化反欺诈策略Radar风控团队版现支持用户详细考察各项自定义规则的效果，包括被阻止的支付数量和误报情况，以便找出最具效果的规则。新增的规则性能指标则有助于用户进一步优化规则配置，有效阻止欺诈行为的同时，最大程度减少对正常交易的影响。
"欣喜地看到Radar的持续改进，它为我们省下了大量时间和精力，同时也带来了更好的成果。Stripe的欺诈防御方案深思熟虑，我们的欺诈率始终呈现下降态势。" —— Janie Cormier，Glossier 客户体验
关于 Stripe 公司
作为全球网络支付基础设施提供商，Stripe致力于为全球各地胸怀壮志的企业提供简单、无边界、编程式的资金流转服务。公司团队遍布全球几十个办公室，每年协助从初创企业到财富500强的各类企业处理数千亿美元的业务流量。
信息来源：Stripe官方微信公众号
文章内容来源于网络，不代表本站立场，若侵犯到您的权益，可联系多特删除。（联系邮箱：[email protected]）
近期热点
最新资讯
举报
