Fraude de baas met razendsnelle experimenten

Betaalfraude tegen gaan kan veeleisender zijn dan je denkt. Het is hard werk om er voor te zorgen dat je klanten een frictieloze betaalervaring hebben. Tegelijkertijd beschikken criminelen over de vaardigheden om zich razendsnel aan te passen en, geholpen door technische kennis, jouw bedrijf tot doelwit te maken.

Een geavanceerd fraudebestrijding-systeem is noodzakelijk. Het is dan ook een serieuze uitdaging om de juiste balans te vinden tussen voortdurend je fraude-bescherming te optimaliseren zonder te veel oprechte bestellingen – die er soms tijdens de betaling zeer verdacht uit kunnen zien – te weigeren.

Een verslag uit 2019 door de Merchant Risk Council[1] schat dat bedrijven online gemiddeld 2.5 % van alle betalingen weigeren op verdenking van fraude. Dit nummer vertaalt zich naar miljoenen euros in verloren omzet door geweigerde betalingen die eigenlijk niets met fraude te maken hebben. Maar hoe waarborg je gezonde groei van je bedrijf terwijl je gelijktijdig beschermt bent tegen fraude en niet te veel legitieme betalingen tegenhoudt? Nu fraude steeds sneller evolueert wordt het cruciaal voor fraudebestrijding-systemen om zo snel mogelijk te detecteren, analyseren en te assimileren.

Het is de moeite waard om de werking achter het voortdurend aanpassen en noodzakelijk kalibreren van fraudebescherming van dichterbij te bekijken. Willekeurig regels en scores aanpassen, het ene model voor het andere vervangen, of een derde partij integreren die je klantdata valideert zijn allemaal opties, maar over het algemeen niet de meest efficiënte.

A/B testing is geen nieuw concept maar een bewezen methode die wordt gebruikt om te toetsten of veranderingen in configuraties de juiste impact hebben, gemeten naar representatieve maatstaven.

In het veld van risico en fraude is het cruciaal om de impact van veranderingen op fout-positieve en fout-negatieve uitslagen bij te kunnen houden. Fout-negatieven zijn de gevallen van daadwerkelijke fraude die je systeem heeft gemist en die inchargebackskunnen resulteren. Fout-positieven zijn legitieme bestellingen die foutief worden geclassificeerd als fraude, en aldus in gemiste omzet resulteren.

Het doel van A/B/ testing is om de impact van veranderingen op deze variabelen te meten om accuraat te kunnen beslissen of de gemeten impact een ‘echte’ verandering weerspiegelt of gewoonweg verklaart kan worden door kans en natuurlijke variatie. Uiteindelijk kan dit als leidraad dienen in het dan wel niet doorvoeren van deze veranderingen voor alle transacties in het systeem.

A/B testing werd vroeg omarmd door marketing en web analytics maar zou gezien de complexiteit en diepgang van de beschikbare data ook als fundamenteel moeten worden beschouwd in fraudebestrijding. Een A/B test is een gecontroleerd experiment met twee varianten, een A en een B, en is een manier om experimenteel de reactie van mensen op twee waardes van een variabele te testen. Op deze manier kan worden gekeken of variabele A of variabele B het meest effectief is.

Intern wordt dit experimentele framework al langere tijd gebruikt door Adyen’s team van wereldwijde risico-experts maar we zijn enthousiast om het nu ook voor merchants beschikbaar te kunnen maken. Recente ontwikkelingen in machine learning hebben een sterk platform voor experimenten mogelijk gemaakt dat in real-time gebruikers inzicht geeft in de impact van aanpassingen; waardoor merchants effectief de volledige controle hebben.

In plaats van een bestaande configuratie te vervangen voor een nieuwe kan zo elke verandering aan een set risico-regels afzonderlijk worden getest. Adyen draait alle gespecificeerde configuraties (we refereren aan de combinatie van een gegeven set risico instellingen als een risk-profile) door onze machine learning gestuurde Risk Optimizer. Dit is in essentie een hybride oplossing die het beste van twee werelden combineert – de transparantie en controle van een rule-based benadering samengevoegd met de schaalbare en nauwkeurige voorspellingen van machine learning. De eerste versies die we met merchants hebben getest in de pilot-study focusten zich vooral op belangrijke statistieken zoals autorisatie- en fraud rates maar het bleek al snel dat een gedetailleerd overzicht van de veranderingen een centraal onderdeel van het geheel moest worden.

Ondersteund door ruwe data, evenals real-time grafieken, kunnen gebruikers nu op de kern van de zaak focussen, zoals bijvoorbeeld de exacte redenen waarom card-issuing banken betalingen weigeren, om op die manier de impact van toegepaste veranderingen te kunnen beoordelen.

We willen iedereen dan ook aanmoedigen om niet alleen voortdurend nieuwe risico-configuraties te blijven testen, we geloven er ook sterk in dat succesvol fraudebeleid draait om sterke data-gestuurde keuzes maken in plaats van gevoel te laten beslissen.Adyens benaderingvan de experimenten maakt deel uit van deze filosofie en zal merchants helpen om vooruitstrevend te blijven.

Nu de mogelijkheden van onze nieuwe Experiment functie zijn belicht kunnen we naar een echte case study kijken.

Met haar zeer hoge transactievolume is OLX Brazil één van de grootste marktplaatsen ter wereld. Het bedrijf heeftrisico managementvan betalingen altijd als een grote uitdaging gezien.

Samen hebben OLX en Adyen hiervoor een strategie ontwikkeld die gebaseerd is op machine learning en intelligent datagebruik.Door alle beschikbare betalingsdata te analyseren begreep het algoritme consumentengedrag beter en beter en kon het geoptimaliseerde inzichten bieden over conversies, goedgekeurde transacties, en hoe je het beste de ‘ideale klantervaring’ benadert.

Met deze nieuwe kennis was de volgende stap om de risicoprofielen van OLXs anti-fraude bescherming onder de loep te nemen. Zo’n profiel bestaat uit verschillende data velden zoals locatie, email adres, kaart data, producten in winkelwagen, gebruikersgeschiedenis, en meer. Elk veld krijgt een score die overeenkomt met het risico op fraude dat het met zich meebrengt. Dit is profiel ‘A’.

Daarna is een tweede risicoprofiel, profiel ‘B’, gemaakt door een nieuwe set regels bij elkaar te voegen. Door machine learning werden de scores van ieder profiel gekalibreerd met de data die door de verkoopgeschiedenis van het bedrijf werd gegenereerd. “Omdat we genoeg data hadden, een krachtige tool en klanten die altijd open staan voor het testen van nieuwe oplossingen konden begonnen we aan een A/B test,” vertelt Ligia Pires, de Trust & Safety Manager van OLX Brazil. “De test bestond uit oude en nieuwe anti-fraude profielen parallel laten lopen en te testen welke de beste resultaten had.”

De eerste fase van de testperiode duurde vier weken, waarin 10% van het transactievolume naar het nieuwe anti-fraude profiel werd gestuurd. Toen de resultaten hiervan positief waren werd het volume de twee weken daarna opgevoerd tot 25% en in de weken daarop volgend tot 50%.

“Adyen ondersteunt ons met nieuwe initiatieven en helpt ons met hun technologie om het beste van twee werelden te combineren: goedgekeurde valide transacties en een robuust anti-fraude systeem dat frauduleuze aankopen blokkeert,” concludeert Pires.

Deze nieuwe experiment feature wordt een premium add-on van Adyen’s RevenueProtect zodra de beta testing is afgerond. Als je interesse hebt om mee te doen met het pilot programma om het nu al in actie te zien,neem dan contact met ons op.

Voor nu kun je zien hoe de kracht van Adyen’s end-to-end betaalsysteem je met al je data op één plek in staat stelt om te testen, leren en optimaliseren met experimenten.

Referenties:

[1]  2019 MRC Global Fraud Survey