Klicka för att lära dig mer om författare Stuart Tarmy.
Pandemin har dramatiskt förändrat ett antal branscher, inklusive internetbank och e-handel. Cirka 86% av amerikanerna använder nu nätbank och e-handel i USA. Detta antal har exploderat av över 44% från förra året.
Tyvärr har bedrägerier tagit på sig den här ökningen av onlineaktivitet för att byta ut företag och konsumenter. Kreditkortsförluster i USA är beräknad att ha nått cirka 11 miljarder dollar i slutet av 2020 och globalt förluster från betalningsbedrägerier har skjutit i höjden från 9.84 miljarder dollar 2011 till 32.39 miljarder dollar 2020. Dessutom förväntas betalningsbedrägerier fortsätta sin uppåtgående bana och kosta 40.62 miljarder dollar 2027, en höjning på 25% från 2020.
Det är inte konstigt att bedrägeribekämpning är det bästa för företagen idag.
Affärsperspektivet
Bedrägeri är dyrt och dess kostnader når ofta utöver vad många organisationer ens anser. Om du till exempel har för många återbetalningar kan kreditkortsföretagen höja dina utbytesavgifter. De kan till och med stryka din förmåga att acceptera kreditkort om de bestämmer att du har för många återbetalningar eller andra bedrägliga aktiviteter.
Sedan finns det kostnader för bedrägeriutredningar, avstämningskostnader och slaget mot ditt rykte om du har för många "falska positiva" som felaktigt anklagar oskyldiga kunder, eller "falska negativ" som gör att bedräglig användning kan fortsätta.
Allt detta är solida skäl att tackla bedrägerier på gång. Men det finns en annan, viktigare anledning att ta itu med det: Det kan hjälpa dig att växa ditt företag.
Specifikt, om du bättre kan förstå dina kunders bedrägeririskprofiler, kommer du att kunna anpassa kunderbjudanden som är skräddarsydda efter dina kunders individuella behov och vinna en större andel av marknaden. Detta gör att du kan uppnå dina strategiska mål som att öka kundnöjdheten, minska kundens churn och uppfylla dina mål för intäkter, lönsamhet och tillväxt.
Ändå kan det största boostet komma från att skilja ditt företag från konkurrenter. Genom att använda bedrägeririsk analytics till din fördel kan du engagera kunder i varje interaktion i deras kundupplevelse.
Låt mig illustrera detta med ett exempel på en verklig användning i kreditkortsindustrin. I juli 1994 beslutade Signet Bank, en liten bank i Richmond, Va, att avskaffa sin kreditkortsavdelning som ett oberoende företag. Detta nya kreditkortsföretag började sitt liv med cirka fyra miljoner kunder och 6.6 miljarder dollar i utestående kreditkortslån - mycket små enligt branschstandard.
De hade mål att växa till ett större företag, och deras VD beslutade att fokusera intensivt på att använda dataanalys för att bättre förstå kunderna, så att de kunde skräddarsy personliga, attraktiva erbjudanden till sina kunder.
Om de till exempel hade en kortinnehavare som ansågs vara ”hög kvalitet” och någon de verkligen ville ha som kund, skulle de skapa ett erbjudande som inkluderade en lägre avgift, en lägre ränta och eventuellt ytterligare fördelar genom deras lojalitetsprogram eller co -märkta partners. Deras mål var tvåfaldigt: Erbjud ett kort så attraktivt att kunden skulle registrera sig för det och också använda det regelbundet över sina andra betalningsalternativ.
Å andra sidan, om de kontaktades av en mindre önskvärd kund som de inte nödvändigtvis värderade lika högt, skulle de skapa ett erbjudande som skulle locka dem att registrera sig, men skulle ha högre avgifter och räntor för att säkerställa att kunden förblir lönsam trots de upplevda riskerna.
Deras intensiva fokus på dataanalysbaserad marknadsföring fungerade oerhört, och deras kreditkortsportfölj har idag över 62 miljoner kreditkortskunder och 107 miljarder dollar i utestående kreditkortslån.
Du kanske känner till detta företag med det nya namnet de meddelade i oktober 1994: Capital One!
Idag förblir Capital One intensivt fokuserad på data och hävdar att de utför mer än 80,000 XNUMX analytiska experiment per år för att testa potentiella erbjudanden.
Analys av bedrägerier
När chipkreditkort gjorde det mycket svårt för brottslingar att använda dem bedrägligt, vände de dåliga aktörerna sig till enklare mål som identitetsbedrägeri och kort-inte-närvarande (CNP) -transaktioner, vanligtvis i antingen online- eller telefoninköp. År 2018 var 24.26 miljarder dollar förlorat i kreditkortsbedrägerier över hela världen. USA - det mest bedrägliga landet - upplevde 38.6% av dessa förluster.
Den växande sofistikeringen av brottslingar har också fått företag att utveckla mer sofistikerade bedrägerilösningar. Medan de tidigaste systemen för att upptäcka bedrägerier var regelbaserade använder nyare lösningar artificiell intelligens (AI) och maskininlärning (ML), som har visat sig vara mer exakta och leda till bättre resultat. Vanligtvis använder AI / ML-baserade system cirka 10 till 100 attribut för att titta på stora datamängder. Vissa företag går till och med bortom AI / ML för att utveckla bedrägerilösningar baserade på neurala nätverk och djupt lärande.
PayPal har till exempel börjat använda neurala nät och djupinlärning för att identifiera och bekämpa bedrägerier. Dessa system kan analysera mellan 1 och 10 miljoner attribut, som måste bearbetas mycket snabbt (<30 ms) för att ge en köpupplevelse i realtid. Neurala nät / djupinlärningslösningar har visat sig vara upp till 30% effektivare än traditionella AI / ML-baserade system.
Om det inte räckte, finns det ett nytt, nytt område för att förbättra bedrägeri och analytiska system som kallas "förklarbar AI." Detta är ett slags expertsystem - ovanpå ett expertsystem - som hjälper till att förklara hur AI / ML-systemet fungerar faktiskt och fattar beslut. Detta är användbart eftersom ju bättre du förstår hur den “svarta rutan” fungerar, desto bättre kan du göra mer meningsfulla tweaks för att förbättra systemet, och du kommer också att bättre kunna förklara för kunderna hur deras data används. Dessa förklaringar är också mycket viktiga för kunderna att följa dataskyddsbestämmelser som GDPR och CCPA, som kräver att du kan berätta för kunderna hur du använder deras data och hur du fattar beslut, till exempel varför du kan ha avvisat dem för ett kreditkort.
Det är viktigt att komma ihåg att oavsett var du befinner dig på din resa - oavsett om du för närvarande använder ett regelbaserat system eller flyttar till AI / ML-baserade lösningar - så kommer du att behöva en tekniklösning som ger möjlighet till bästa möjliga klassprestanda, t.ex. möjligheten att bearbeta data extremt snabbt (<20 ms) över extremt stora datamängder (Tbytes, PBytes), och kunna göra detta med en reducerad TCO. Detta är viktigt för att säkerställa att ditt företag kan växa idag men ger också en väg till framtiden.
Det senaste året har en explosion av tillväxt i e-handel och onlinebanker, men onlinebedrägerier sprider sig också i takt. Ett av de mest effektiva sätten som företag kan anpassa sig till denna nya verklighet är att använda sofistikerad bedrägeri-analys som körs på en modern teknikplattform för att ge bästa resultat. Detta ger företag ett sätt att inte bara motverka bedragare utan också bättre förstå kunden, tillhandahålla mer riktade tjänster, förbättra intäkterna och sticka ut från konkurrenterna.
Coinsmart. Bästa Bitcoin-Börse i Europa
Källa: https://www.dataversity.net/best-practices-to-utilize-your-customers-risk-profiles-to-increase-revenue-and-customer-experience/
