Verilerinizde Gizlenen İade Dolandırıcılığı Sinyalleri

Şu anda RMA tablonuzun bir yerinde, düğün için elbise sipariş edip fotoğrafını çektikten sonra ertesi sabah iade eden bir müşteri var. Başka bir yerde, her ay aynı ceketin üç bedenini sipariş edip hiçbirini tutmayan bir alıcı var. Ve gürültünün içine gömülü, iade tutarınızın orantısız bir bölümünden sorumlu küçük bir hesap kümesi bulunuyor. Çoğu satıcı bu örüntüleri hiç bulamaz çünkü iadelere tek tek bakar, veri kümesi olarak değil. İade dolandırıcılığı ve istismarı kendini tek bir şüpheli siparişle göstermez — çoğu ekibin zaten topladığı ama hiç birleştirmediği zamanlama, sıklık ve durum alanlarında istatistiksel aykırı değerler olarak ortaya çıkar.

Sorunun ölçeği küçümsenecek gibi değil. Sektör tahminleri, iade dolandırıcılığı ve politika istismarının perakendede yıllık milyarlarca dolara ulaştığını gösteriyor ve NRF bunu e-ticaret iadelerinin büyümesine bağlı en hızlı büyüyen kayıp kategorilerinden biri olarak işaretledi. Yine de çoğu satıcı iadeleri hâlâ manuel olarak ayırıyor, depo personelinin sezgisine güveniyor; oysa sipariş yönetim sisteminde zaten oturan veriler var. Bu yazı, gerçekten dolandırıcılığı öngören sinyallerin ne kadar isabetli olduklarına göre sıralanmış çalışan bir katalog — çünkü çok fazla dürüst müşteriyi işaretleyen bir iade dolandırıcılığı programı, hiç program olmamasından daha kötüdür.

Sinyal isabeti neden sinyal sayısından daha önemli

Yirmi girdili bir puanlama modeli kurup toplamın dolandırıcılığı yakalamasını ummak cazip gelebilir. Pratikte bu geri tepiyor. "Müşteri daha önce iade yapmış" gibi düşük isabetli sinyaller sürekli tetiklenir ve çoğunlukla sadece birden fazla bedende alışveriş yapan sadık, yüksek değerli alıcılarda tetiklenir. Dolandırıcılık ekibiniz gürültülü sinyallere göre hareket ederse, gerçek kötü niyetli aktörler daha dikkatli davrandığı için sızarken, en iyi müşterilerinizi sorgulamış olursunuz. Bunu doğru yapan ekipler, iade dolandırıcılığı tespitini bir seri iadeci puanlama sorunu gibi ele alır: sinyalleri isabete göre sıralayın, en güçlü olanlara yüksek ağırlık verin, zayıf sinyalleri ise sadece eşitlik bozucu olarak kullanın, asla tek başına tetikleyici olarak değil.

İsabete göre sıralanmış sinyal kataloğu

Aşağıda iade sahtekârlığı pratiğinde sık bildirilen örüntülere dayanan çalışan bir sıralama var. Yüksek isabetli sinyaller, tetiklendiklerinde nadiren meşru müşterilerde tetiklenir. Düşük isabetli sinyaller sık tetiklenir ve doğrulama gerektirir.

Zamanlama sinyalleri: zaten sahip olduğunuz en az kullanılan veri

Her RMA kaydında bir teslimat zaman damgası ve bir iade başlatma zaman damgası vardır. Neredeyse hiçbir satıcı aradaki farkı bir dağılım olarak analiz etmez. Grafiğini çizdiğinizde, dürüst iadeler beklenebilir bir çan eğrisinde kümelenir — beden ve pişmanlıktan kaynaklanan birkaç gün ile birkaç hafta arası. Dolandırıcılık amaçlı gardırop kullanımı iadeleri ise çok daha dar, daha erken bir pencerede kümelenir, genellikle 48 saatin altında, özellikle abiye giyim, kostüm ve davetlik elbise gibi kategorilerde. İade zamanlama histogramınızı kategoriye göre segmentlere ayırmadıysanız, bu çeyrekte yapabileceğiniz en yüksek etkili analiz budur.

Yapılandırılmış veri olarak durum ve inceleme notları

Depo personeli, neredeyse hiç sorgulanabilir bir alana girmeyen serbest metin durum notları yazar. Bu kaçırılmış bir fırsat. Etiket çıkarılmış, görünür kullanım izi, koku var, ambalaj eksik, ürün siparişle eşleşmiyor gibi kısa bir durum kodu seti standartlaştırmak, inceleme sürecinizi bir dolandırıcılık sinyali üreticisine dönüştürür. Durum kodlarını müşteri geçmişiyle çapraz referanslayın; küçük bir hesap yüzdesinin "etiket çıkarılmış" işaretlerinin büyük bir kısmından sorumlu olduğunu göreceksiniz.

Kimlik ve ağ sinyalleri

Dolandırıcılık çeteleri nadiren tek bir hesap kullanır. Başka türlü ilgisiz görünen hesaplar arasında paylaşılan gönderim adresleri, paylaşılan cihaz parmak izleri veya paylaşılan ödeme araçlarına bakın. Burada ters ibraz ile iade önleme düşüncesi de devreye giriyor — aynı siparişte hem ters ibraz açan hem de iade başlatan bir müşteri, ikisinden birinden çok daha güçlü bir sinyaldir ve bu iki veri akışını uzlaştırmak çoğu satıcının hâlâ manuel yaptığı, hatta hiç yapmadığı bir şey.

Çoğu ekibin daha fazla veriye ihtiyacı yok. Zaten sahip oldukları veriyi — teslimat zaman damgaları, durum kodları ve ödeme yöntemi değişiklikleri — üç ayrı sistem yerine müşteri başına tek bir görünümde birleştirmeleri gerekiyor.

İyi müşterileri küstürmeden bileşik puan oluşturmak

Amaç iadeleri engellemek değil. En yüksek riskli hesapların en üstteki %1-3'ünü manuel incelemeye yönlendirirken diğer %97'sinin öz-hizmetten mümkün olduğunca hızlı geçmesini sağlamak. İyi kurulmuş bir bileşik puan şunları yapmalı:

• Yüksek isabetli sinyallere (zamanlama, fiş tekrarı, durum işaretleri) tek başına sıklıktan çok daha fazla ağırlık verin
• Tek bir düşük isabetli sinyale, örneğin iade sayısına dayanarak asla otomatik ret vermeyin
• Puanları zamanla azaltın, böylece bir müşterinin kötü bir sezonu onu kalıcı olarak takip etmesin
• Sadece kara kutu bir puan değil, işaretlemeyi tetikleyen belirli sinyalleri gösterin, böylece operasyon ekibiniz sağlaması yapabilsin
• Sadece işaret hacmine değil, gerçek doğrulanmış dolandırıcılık sonuçlarına karşı üç ayda bir doğrulayın

Daha geniş bir iade dolandırıcılığı önleme programının değerini kanıtladığı yer de burası — puanlama modeli, sadece kimsenin bakmadığı bir panoda oturmak yerine, iadeyi beklemede tutmak, fotoğraf kanıtı istemek veya bir insana yönlendirmek gibi gerçek iş akışı eylemlerine bağlıysa faydalıdır.

Pratikte iyi uygulama nasıl görünür

Bunu iyi yapan satıcılar tipik olarak sadece iki veya üç sinyalle başlar — iade zamanlaması ve fiş/takip tekrarı, hem yüksek isabetli hem de zaten mevcut sistemlerde oturuyor olduğu için en yüksek etkili başlangıç noktalarıdır. Oradan, depo personeli standart bir taksonomi kullanmaya eğitildikten sonra durum kodlarını katmanlarlar ve ancak daha sonra, güvenilir hesaplamak için daha fazla mühendislik gerektiren paylaşılan adresler veya cihazlar gibi ağ düzeyi sinyalleri eklerler. Sekiz sinyal türünü hepsini birden başlatmaya çalışmak, kimsenin güvenmediği gürültülü bir model üretme eğilimindedir, bu da amacı tamamen boşa çıkarır. McKinsey tarafından referans verilen e-ticaret operasyonları araştırmasına göre, artımlı analitik uygulamaları perakende operasyon bağlamlarında büyük patlama uygulamalarından tutarlı biçimde daha iyi performans gösteriyor, büyük ölçüde çünkü personelin önerilerine göre hareket etmeden önce yeni bir puanlama sistemine güven inşa etmesi zaman alıyor.

1. 1Mevcut RMA şemanızı, zaten yakaladığınız ama analiz etmediğiniz zaman damgası, durum ve ödeme alanları için denetleyin
2. 2Gardırop kullanımı penceresinizi bulmak için kategoriye göre segmentlenmiş bir zamanlama histogramı oluşturun
3. 3Depoda durum kodlarını standartlaştırın ve incelenen her iadede zorunlu kılın
4. 4Bileşik puanı sadece en yüksek isabetli iki sinyalinizle başlatın
5. 5İlk iki çeyrek için işaretlenen hesapları otomatik ret yerine manuel incelemeye yönlendirin
6. 6Üç ayda bir doğrulanmış dolandırıcılık vakalarına karşı doğrulayın ve sinyalleri buna göre yeniden ağırlıklandırın

Sık Sorulan Sorular