우호적 사기 탐지: ML 및 행동 분석
우호적 사기, 즉 1인칭 사기는 기업에게 점점 더 큰 도전 과제가 되고 있습니다. 이 글에서는 머신러닝과 행동 분석이 효과적인 우호적 사기 탐지를 위한 중요한 도구이며, 합법적인 오류나 정당한 고객 분쟁과 구별하는 데 어떻게 도움이 되는지 살펴봅니다.
우호적 사기 탐지는 머신러닝과 행동 분석을 결합하여 1인칭 사기를 나타내는 패턴을 식별하고, 이를 실제 오류나 합법적인 고객 분쟁과 구별할 때 가장 잘 달성됩니다.
우호적 사기(1인칭 사기)란 무엇인가요?
우호적 사기(Friendly fraud)는 1인칭 사기(first-party fraud)라고도 불리며, 고객이 합법적인 구매를 한 후 은행이나 카드 발급사에 해당 청구를 이의 제기하여 승인하지 않았거나 상품/서비스를 받지 못했다고 주장하는 경우 발생합니다. 도난당한 정보를 사용하는 승인되지 않은 제3자가 관련된 전통적인 사기와 달리, 우호적 사기에는 실제 카드 소지자 또는 계정 소유자가 관련됩니다. 이는 종종 차지백(chargeback)으로 이어지는데, 이는 수익 손실뿐만 아니라 수수료 및 관리 간접비 측면에서도 기업에 큰 비용을 초래합니다. 문제는 이러한 기만적인 차지백을 합법적인 고객 서비스 문제 또는 실제 제3자 사기와 구별하는 것입니다.
우호적 사기의 일반적인 시나리오는 다음과 같습니다.
- 구매 후회: 고객이 구매를 후회하고 상품을 반품하거나 비용을 지불하지 않기 위해 이의를 제기합니다.
- 가족 사기: 가족 구성원(예: 자녀)이 카드 소지자 모르게 구매를 하고, 카드 소지자가 내부적으로 해결하기보다 이의를 제기합니다.
- "받지 못함" 주장: 고객이 실제로 배송된 상품을 받지 못했다고 주장합니다.
- "설명과 다름" 주장: 고객이 제품이나 서비스가 광고와 다르다고 주장하며 청구에 이의를 제기합니다. 실제로는 광고와 같았음에도 불구하고 말입니다.
전통적인 사기 탐지 방법의 한계
전통적인 사기 탐지 시스템은 주로 비정상적인 거래 위치, 신규 고객의 고액 구매, 여러 번의 결제 실패 시도와 같은 제3자 사기와 관련된 이상 징후를 식별하는 데 중점을 둡니다. 이러한 규칙 기반 시스템은 의도된 목적에는 효과적이지만, 다음과 같은 이유로 우호적 사기 탐지에는 종종 미흡합니다.
- 합법적인 자격 증명: 우호적 사기 거래는 고객의 실제 결제 정보를 사용하며 종종 평소 사용하는 기기 및 위치에서 발생하므로 기본적인 규칙에는 합법적으로 보입니다.
- 명백한 위험 신호 부족: 도난당한 카드 번호나 의심스러운 IP 주소가 없습니다. "사기꾼"은 합법적인 고객입니다.
- 정적 규칙: 규칙 기반 시스템은 기만적인 행동 패턴의 진화에 적응하는 데 어려움을 겪으며, 우호적 사기꾼은 종종 이를 우회하는 방법을 배웁니다.
이것이 바로 머신러닝 및 행동 분석과 같은 고급 기술이 필수적인 이유입니다.
머신러닝이 우호적 사기 탐지를 향상시키는 방법
머신러닝(ML)은 우호적 사기 탐지에 유능하고 적응력 있는 접근 방식을 제공합니다. ML 알고리즘은 정적 규칙에 의존하는 대신 방대한 과거 거래 데이터 세트에서 학습하여 인간 분석가나 간단한 규칙으로는 놓칠 수 있는 미묘한 패턴과 상관관계를 식별할 수 있습니다.
우호적 사기 탐지를 위한 주요 ML 기술:
- 지도 학습: 알고리즘은 합법적인 거래와 알려진 우호적 사기 사례를 모두 포함하는 레이블이 지정된 데이터 세트에서 훈련됩니다. 모델은 거래 내역, 고객 행동, 제품 유형과 같은 특징을 기반으로 우호적 사기 발생 가능성을 예측하는 방법을 학습합니다. 로지스틱 회귀, 서포트 벡터 머신, 그라디언트 부스팅 등이 그 예입니다.
- 비지도 학습: 사전 레이블링 없이 이상 징후 또는 비정상적인 행동 클러스터를 탐지하는 데 사용됩니다. 이는 아직 명확하게 정의되지 않은 새로운 우호적 사기 패턴을 밝혀낼 수 있습니다. K-평균과 같은 클러스터링 알고리즘 또는 이상 탐지 기술이 여기에 해당합니다.
- 딥러닝: 신경망은 기기 지문 또는 고객 서비스 상호 작용의 텍스트와 같이 매우 복잡하고 비정형적인 데이터를 처리하여 정교한 우호적 사기 계획을 식별할 수 있습니다.
ML 모델이 사용하는 특징:
ML 모델은 포괄적인 위험 프로필을 구축하기 위해 다양한 특징을 분석합니다.
- 거래 세부 정보: 금액, 빈도, 제품 유형, 배송 주소 대 청구 주소, 시간.
- 고객 내역: 이전 차지백, 환불 요청, 구매 패턴, 계정 연령, 고객 지원 상호 작용.
- 기기 정보: 기기 ID, 운영 체제, 브라우저 유형, IP 주소, 기기 위치, 기기 사용 일관성.
- 행동 데이터: 사용자가 웹사이트를 탐색하는 속도, 타이핑 속도, 마우스 움직임, 제품 페이지에서 보낸 시간, 장바구니에 추가했다가 제거한 항목 수.
1인칭 사기 발견에 있어 행동 분석의 역할
행동 분석은 웹사이트, 애플리케이션 또는 서비스와의 상호 작용을 분석하여 사용자 행동을 이해하고 예측하는 데 중점을 둡니다. 우호적 사기 탐지의 경우, 이는 거래 자체를 넘어 사용자가 참여하는 방식을 살펴보는 것을 의미합니다.
행동 분석이 밝혀내는 것:
- 비정상적인 탐색 경로: 사용자가 다른 페이지를 탐색하지 않고 빠르게 결제로 이동하거나, 최종 구매 전에 장바구니에 항목을 반복적으로 추가했다가 제거합니까?
- 타이핑 및 마우스 패턴: 일관성 없는 타이핑 속도, 비정상적인 마우스 움직임 또는 정보 복사-붙여넣기는 자동화된 스크립트 또는 사용자가 자신의 신원을 숨기려는 시도를 나타낼 수 있습니다.
- 기기 지문: 사용자 기기의 고유한 특성(예: 화면 해상도, 플러그인, 글꼴)을 식별하면 세션 간 활동을 연결하고 동일한 기기에서 여러 계정에 액세스하는지 감지하는 데 도움이 됩니다.
- 세션 지속 시간 및 참여: 고액 구매로 이어지는 매우 짧은 세션 또는 반대로 명확한 구매 의도 없이 비정상적으로 긴 세션은 위험 신호일 수 있습니다.
- 반복적인 시도/실패: 여러 번의 로그인 실패 후 성공, 또는 다른 결제 방법을 사용하려는 반복적인 시도.
행동 분석을 전통적인 데이터 포인트와 결합함으로써 기업은 각 거래에 대한 더 풍부한 맥락을 구축할 수 있습니다. 예를 들어, 낯선 기기에서 대규모 구매를 하는 첫 구매 고객이 망설이는 탐색 패턴을 보인다면, 평소 사용하는 기기에서 충성 고객이 동일한 구매를 하는 것보다 더 높은 위험 신호를 보낼 수 있습니다.
포괄적인 사기 인프라를 위한 ML 및 행동 분석 통합
머신러닝과 행동 분석 간의 시너지는 우호적 사기에 대한 유능한 방어를 만듭니다. 행동 데이터는 ML 모델이 기만적인 행동의 미묘한 패턴을 합법적인 패턴과 구별하는 데 필요한 미묘한 입력을 제공합니다.
Didit의 신원 및 사기 인프라는 이러한 통합을 활용합니다. 고객이 거래를 시작하면 당사 시스템은 다음을 포함한 실시간 및 과거 데이터를 분석할 수 있습니다.
- 사용자 확인(KYC): 온보딩 중 초기 신원 확인(고객 알기)은 신뢰의 기준을 설정합니다. 여기에는 문서 확인, 생체 인식 검사 및 생체 감지가 포함됩니다. Didit은 220개 이상의 국가 및 지역에서 14,000개 이상의 문서 유형을 지원하며, 확인은 $0.30부터 시작합니다.
- 행동 모니터링: 세션 동안 Didit의 모듈은 행동 데이터 포인트를 수집 및 분석하여 ML 모델에 공급할 수 있습니다.
- 거래 모니터링: 거래 후 지속적인 거래 모니터링은 설정된 위험 프로필, 과거 데이터 및 실시간 행동 통찰력에 대해 각 구매를 평가합니다.
이러한 지속적인 피드백 루프를 통해 시스템은 시간이 지남에 따라 우호적 사기 탐지 기능을 조정하고 개선할 수 있습니다. 새로운 우호적 사기 전술이 등장함에 따라, 새로운 데이터로 지속적으로 훈련되는 ML 모델은 이를 식별하는 방법을 학습하여 오탐을 줄이고 정확도를 향상시킬 수 있습니다.
예를 들어, 차지백 이력이 있는 고객이 비정상적인 탐색 행동(예: 장바구니에 항목을 추가한 다음 다른 페이지를 보지 않고 즉시 결제로 진행)을 보이는 경우, 결합된 시스템은 더 높은 위험 점수를 할당할 수 있습니다. 이를 통해 기업은 추가 인증 요청, 배송 지연 또는 수동 검토를 위한 거래 플래그 지정과 같은 동적 응답을 구현할 수 있습니다.
주요 내용
- 우호적 사기(1인칭 사기)는 전통적인 사기 탐지 방법이 종종 놓치는 중요하고 증가하는 문제입니다.
- 머신러닝은 방대한 데이터 세트를 분석하여 미묘하고 진화하는 기만적인 행동 패턴을 식별하는 데 매우 중요합니다.
- 행동 분석은 사용자 상호 작용에 대한 심층적인 통찰력을 제공하여 합법적인 사용자와 우호적 사기꾼을 구별하는 이상 징후를 밝혀냅니다.
- ML과 행동 분석을 결합하면 신뢰할 수 있고 적응력 있는 우호적 사기 탐지 시스템이 생성됩니다.
- Didit은 사용자 확인(KYC), 거래 모니터링 및 다양한 형태의 사기(우호적 사기 포함)에 대처하기 위한 모듈의 개방형 마켓플레이스를 통합하는 포괄적인 신원 및 사기 인프라를 제공합니다.
자주 묻는 질문
Q: 우호적 사기와 전통적인 사기의 주요 차이점은 무엇인가요?
A: 우호적 사기는 합법적인 카드 소지자가 자신이 구매한 청구에 대해 이의를 제기하는 반면, 전통적인 사기는 승인되지 않은 제3자가 도난당한 결제 정보를 사용하는 것을 포함합니다.
Q: 머신러닝과 행동 분석이 우호적 사기 탐지에 왜 그렇게 효과적인가요?
A: 이들은 방대한 양의 데이터를 분석하여 정적 규칙이나 인간의 검토로는 종종 놓치는 미묘하고 진화하는 기만적인 행동 패턴을 식별할 수 있습니다. 이는 거래 세부 정보와 사용자가 시스템과 상호 작용하는 방식을 모두 살펴봄으로써 가능합니다.
Q: 우호적 사기를 완전히 제거할 수 있나요?
A: 본질적인 특성으로 인해 완전한 제거는 어렵지만, 고급 우호적 사기 탐지 기술은 사기꾼이 성공하기 어렵게 만들고 의심스러운 활동을 정확하게 식별함으로써 발생률과 영향을 크게 줄일 수 있습니다.
Q: Didit은 우호적 사기 탐지에 어떻게 도움이 되나요?
A: Didit은 사용자 확인(Know Your Customer), 기업 확인(Know Your Business) 및 거래 모니터링을 포함한 신원 및 사기 인프라를 제공합니다. 당사의 개방형 모듈 마켓플레이스를 통해 기업은 통합된 위험 평가에 공급되는 고급 ML 및 행동 분석 도구를 통합하여 우호적 사기를 식별하고 완화하는 데 도움을 받을 수 있습니다.
Q: Didit을 사기 방지 및 신원 확인에 사용하는 비용은 얼마인가요?
A: Didit은 최소 금액 없이 공개적인 종량제 가격을 제공합니다. 전체 신원 확인은 $0.30부터 시작하며, 매월 500건의 무료 확인을 제공하여 기업이 선불 약정 없이 서비스를 통합하고 테스트할 수 있도록 합니다.
Didit 시작하기
Didit은 신원 및 사기 인프라입니다. 하나의 API, 공개 종량제 가격, 매월 500건의 무료 확인을 제공합니다. 사용자 확인을 워크플로에 추가하고 5분 안에 통합하세요.