AI在零售中欺诈检测 - 2强大的用例

尼科洛梅加
头像

Niccolo是EMERJ的内容作家和初级分析师,开发网上内容并帮助定量研究。他拥有艾默生学院的书面,文学和出版学士学位。

用于零售业欺诈检测的人工智能

领先的零售商——如沃尔玛、Stop&Shop和家得宝——正在提高他们的竞争力支付和欺诈检测系统,使用人工智能学习交易规范并从每笔交易的上下文中推断风险。

本文重点介绍两个用于零售欺诈检测的强大AI用例。

  • 预测分析–面向大规模客户和交易型客户的分析平台,可检测与过去欺诈案例相关的可疑行为。
  • 异常检测–用于检测一段时间内与历史数据相比与正常支付活动的偏差的应用程序,该时间段可按不同比例进行单独调查。

预测分析

AI欺诈检测服务 - 辅助预测分析- 可以在销售点与零售付款处理系统集成。这机器学习模型授权欺诈检测服务学习发现与欺诈相关的模式。

可预测的欺诈活动的例子:

  • 员工盗窃- 销售点的折扣和休息可以隐藏欺诈。例如,与某些项目类型或个人相关联的不规则事务模式可以发信号通知收银员正在为朋友,家庭或假名提供清单。训练有素的算法可以旗帜符合高风险模式以供管理审查。
  • 身份盗窃- 远离正常购物区的交易可能会发出欺诈。详细的客户配置文件,通过交易地理位置数据增强,Empower身份盗窃保护服务。
  • 假回报–AI算法可以学习使用事务数据实时识别模式,用于高差异活动,如虚假回报。

异常检测

清单用户中包括联合利华、Stop&Shop和家得宝,PROFITED索赔这些公司部署了他们的规定性分析服务对于砖块和砂浆零售地点的欺诈检测,通过平板电脑仪表板:

来自PROFITET的屏幕截图
资料来源:Profitect

规定性分析系统建议在检测后立即采取“下一个最佳行动”。它们在最近交易的稳定的新培训数据流中运行得特别好。

店内欺诈检测的好处包括:

  • 可接受偏差的批准- John是否允许与他姐姐的零售会员卡进入?实时,管理层可能会通知风险事件,快速接受或拒绝审查时的行动。管理决策也可能被反馈以改善机器学习模型。
  • 对周期性和每日季节性的认识- AI模型可以学习正常模式在整个日/月/年内变化的方式,为定义可调风险参数提供基线。例如,零售商可能希望在假日季节期间对错误返回的保护程度更高。

anodot.演示通过使用案例进行异常审查,研究和决策。anodot声称提供服务Lyft.在检测异常付款时。这样案例研究,预防显着的损失,检测时间减少:

0:55 – 11:17

标题图像信用:Newcononomy Media

保持领先于AI曲线

发现在未来业务中区分赢家和输家的关键AI趋势和应用程序。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅图像
保持机器学习曲线的领先地位

加入20000多名专注于人工智能的商业领袖,接受我们每周发布的最新人工智能研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。