电商欺诈造成的严重损失已不容忽视。Juniper Research 的一项新研究发现，2022 年，全球电子商务欺诈对商家造成的总成本为 410 亿美元，预计 2023 年将超过 480 亿美元。

作为跨境电商一年一度的重头戏，今年的 “黑五”、“网一” 刚刚落下帷幕，欧美地区线上消费金额较往年大增，为之后即将到来的圣诞节大采购开了个好头。

但与此同时，对跨境卖家来说，需要时刻警惕的欺诈风险也升至一年中的顶峰，飙升的客诉率、拒付率乃至滥用促销政策、退货政策的现象都威胁着卖家从这一波重要的年末大促中获取的利润。

面对恶意欺诈行为，实用性弱且不再可靠的传统解决方案终究会造成客户流失。电商反欺诈的关键不只是监测正在发生的可疑活动，更包括采取预防措施来降低欺诈风险。基于多维度的数据分析能力，蓬勃发展的机器学习技术正成为电商欺诈行为识别与检测的重要途径。

机器学习如何应用于反欺诈？

机器学习是人工智能的一个重要子集，指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。借助机器学习算法，人工智能不仅能够处理数据，还能在不需要任何额外编程的情况下，利用这些数据进行学习，变得更智能。

在机器学习中，算法会不断进行训练，从大型数据集中发现模式和相关性，然后根据数据分析结果做出最佳决策和预测。机器学习应用具有自我演进能力，其获得的数据越多，准确性会越高。

机器学习包括传统机器学习和深度学习。传统机器学习又分为有监督学习、无监督学习和增强学习。随着计算速度和用于编程的算法的巨大进步与发展，机器学习成长迅速。目前已广泛应用于营销、金融、文本内容分析、图片内容提取等场景。

近些年，机器学习在反欺诈方面的应用越来越广，主要是通过机器学习方法，将用户各个维度的数据和特征，与欺诈建立起关联关系，并给出欺诈的概率。常见的机器学习反欺诈分为有监督和无监督两种。

有监督机器学习反欺诈是目前机器学习反欺诈中较为成熟的一种方法。有监督机器学习的每个样本都有对应的期望值，通过搭建模型，实现从输入特征向量到目标值的映射。有监督机器学习反欺诈通过大量客户的历史表现数据，进行标签化，并利用相关算法，提取特征，发现欺诈行为的共同点，进行识别。

无监督机器学习反欺诈则是近来行业内出现的一种新兴思路。相比之下，无监督机器学习的所有样本没有目标值，期望从数据本身发现一些潜在规律。无监督机器学习反欺诈不需要预先标记欺诈行为，而是通过对所有用户和所有操作行为各维度数据和标签的聚类，找出与大多数用户和行为差异较大的用户和操作请求，并予以拦截。

具体到电商领域，基于机器学习模型的反欺诈解决方案可以处理大量数据，为商户提供批准或者拒绝交易订单的实时分析决策。

购物季的反欺诈攻防战

对于跨境商家来说，购物季是喜忧参半的：一方面，订单量和交易量不断攀升；另一方面，大量订单也容易隐藏难以识别的欺诈和虚假交易的风险。

基于强大的机器学习能力和海量的数据支撑，电商反欺诈风控平台 Riskified 给出了两方面的解决方案：一是帮跨境电商买卖搭建包含交易信息、买家购物行为信息的交易网络，帮助其识别新客户、老客户与欺诈客户；二是实时跟踪与监控。

Riskified 亚太区销售副总裁兼总经理 Tasneen Padiath 表示，欺诈客户有一些典型的行为，比如在几秒钟内横跳于不同的购物网站，表明其真实目的可能不是购物，而是非常典型的欺诈行为，通过对这类购物行为和交易数据的跟踪与判断，可以帮助电商卖家识别这类欺诈客户。此外，在购物季，购物平台访问量飙升，致使传统的人工监控力不从心，Riskified 会用一种自动化的方式抓取数百万交易的移动，确保每一个环节都不给欺诈的行为留出空间。

促销政策的滥用构成了跨境电商卖家在购物季的又一重困扰，这本应是各大电商平台吸引客户、增强客户留存度的一个重要手段，但若消费者使用多个账户来获取不当奖励、销售或其他促销活动的不当利益，既浪费了电商平台的营销预算，又影响了正常用户在使用消费券时的体验感。

Tasneen 表示，解决这一问题的关键是身份识别，即识别出谁在刷单、谁在滥用这些促销政策跨境 电商，并将其与优质的客户、正常购物的客户区别开来。对此，Riskified应用机器学习技术，从用户身份、消费行为、平台产品三方面数据切入，分析平台上产品相应的促销政策推出的时间、历史上曾推出的促销政策跨境 电商，产品本身的生命周期等数据信息；查看用户过去的消费行为，包括其在上一个优惠的周期或大促期间，其是否有类似的滥用政策刷单的行为。

从结果来看，这种机器学习工具不仅能够识别出曾经出现过滥用促销政策的刷单客户，阻止他们再次滥用促销政策；也可以通过相应的历史数据和购物行为分析，去预防用户可能即将进行的第一次恶意刷单；还可在大促末期，即兑换优惠券、返利金的时候，识别出有可疑行为的恶意用户并进行阻拦。

防范日常交易中的恶意拒付与政策滥用

除了购物季的欺诈交易，在日常的经营中，“拒付率” 是跨境人都会接触的一个词。拒付是指在结算过程中，付款方对款项的支付有异议而不同意付款。拒付率一定程度上也代表着独立站的产品质量，影响着卖家的支付表现和收益。

除去产品本身及物流等问题，拒付情况的出现还有两方面的原因：一是商家端的误判，由于人工审查或僵化的系统规则致使优质客户被拒单。数据显示，这类的订单会导致电商商家年收入减少 5.5%，商家每年会因这类误判拒单而损失超过 4400 多亿美元；二是买家恶意拒付，在亚太地区，这类欺诈行为会影响商家 4.3% 的年营业额，为此，商家需拿出年营收的 9% 进行风控和反欺诈应对。

如何在保证消费者体验与交易安全的基础上实现自身利润的快速增长，已成为令跨境商家头疼的难题。而在机器学习和大数据等技术的赋能下，商家就可以在降低反欺诈成本的同时提升消费的转化率。

以上述风控平台 Riskified 的业务实践为例，其首先通过上百万的海量订单信息训练平台的模型，教会其如何分辨哪些是真实的订单，哪些是虚假和欺诈性订单；然后通过来自全球各大电商平台的数据和订单情况，教会机器习得上述辨别本领。

退货政策滥用与物品未收到 (INR) 滥用也是跨境卖家经营中常见的政策滥用行为：前者表现为空包裹退货及退回不符合退货条件的物品；后者则是虚假提交货品被盗或未交付。

数据显示，2021 年销售旺季时，跨境商家承受的退货成本同比增长了 59%，这不仅增加了商家的无谓支出，也为其售后带来了更大的压力。传统的解决方案不仅效率较低，也无法识别新客户的恶意退货行为。

而基于身份的复杂机器学习平台可以分析多个数据点，并将任何滥用政策的账户识别为一个特定实体。Riskified 会使用机器学习和大数据技术对提出退货需求的消费者进行相应的识别，并建立起相应的数据模型。对于第一次消费的用户，会整合分析其在全网不同电商平台的交易数据，对其是否为欺诈者做出判别，并将数据给予电商平台或独立站商家进行参考，使其做出快速回应，包括设置门槛拒绝消费、推荐其到线下门店退货等应对方案。

小结

除了上述跨境电商反欺诈场景，机器学习还可应用于电商购物中针对数字钱包支付所实施的账户欺诈骗局，分析并识别账户登陆行为中的各种异常现象，帮助商家拒单止损。

总的来说，通过将欺诈行为拒之门外，基于机器学习的电商风控服务既保障了在商家的网站上消费的安全性，维护了电商平台的声誉和品牌影响力；也给予了优质消费者流畅、无摩擦的购物体验，提高了客户转化率；更降低了不必要的损失和成本支出，使平台和商家能更专注于产品销售与营收增长。