<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">

Der er ikke noget mere generende ved onlineshopping end at få afvist sit betalingskort eller ikke at kunne gennemføre købet, fordi systemet nægter at acceptere ens brugerdata.

Nogle prøver måske igen og kontakter i yderste fald onlinebutikken direkte for at få styr på tingene. Men de fleste giver hurtigt op og køber varen et andet sted – for aldrig at vende tilbage; ingen har trods alt lyst til at gentage en skidt oplevelse. Det er et forløb, hvor både onlineshop og kunde taber.

Massiv onlinesvindel øger behovet for beskyttelse

Udfordringen er todelt: På den ene side vil onlineshoppen gerne gøre det så nemt som muligt for kunderne at bruge penge i butikken. På den anden side er man nødt til at tage hensyn til, at identitets- og kortsvindel er ganske udbredt. Alene i Europa svindles der for over 13,5 mia. danske kroner om året, hvoraf Danmark står for ca. en halv milliard.

Derfor vil man minimere risikoen for at komme til at sende et – måske endda kostbart! – produkt til en svindler, der f.eks. har nået at bestille på et stjålent eller kopieret kort. I dette tilfælde må vare og forsendelse betragtes som rent tab, hvortil kommer arbejdet med at rede trådene ud i forhold til det offer, hvis betalingsinfo blev misbrugt. Andre butikker eller services har mekanismer, der skal forhindre kunder i at misbruge sign-up rabatter ved f.eks. at bruge forskellige mailkonti.

Tilmeld dig vores webinar: "What is Fraud and how do you deal with it?"

Statiske anti-fraud-systemer kan koste kunder

Når kunders kort eller kontaktinfo afvises online, sker det sædvanligvis fordi onlineshoppens eksisterende detektionssystem har reageret på en potentiel uoverensstemmelse mellem faktorer som f.eks. IP-adresse, hjemadresse, mailkonti eller andre forhold. Systemerne er ret statiske, og ofte skal der ikke meget til for at udløse dem. Det øger risikoen for at afvise legitime kunder.

Det korte af det lange er imidlertid, at des større den potentielle gevinst er ved at svindle, des flere vil gøre forsøget. Det øger behovet for endnu skrappere regler – som igen uvægerligt vil afvise endnu flere regulære kunder med helt reelle hensigter. Det er en ond cirkel.

Tilmeld dig vores webinar: "What is Fraud and how do you deal with it?"

Kunstig intelligens gav Microsoft gevinst på 76 mio. US-dollars

Selv de største virksomheder plages af fænomenet, blandt andet Microsofts egen webshop. Derfor besluttede man at bygge en anti-fraud-løsning op om Machine Learning for at se, om det kunne gøre et bedre stykke arbejde end de traditionelle, statiske algoritmer.

Indsatsen var en succes, og i dag anslår Microsoft selv, at anti-fraud-løsningen har nedbragt webshoppens årlige tab på svigagtige bestillinger og fejlagtige blokeringer med et beløb svarende til 76 millioner US-dollars.

Dynamics 365 Fraud Protection gør svindelbekæmpelse fleksibel

Nu er løsningen også snart ved at være moden til bredere anvendelse, og hen over sommeren ventes Microsoft at sende løsningen på markedet under navnet Dynamics 365 Fraud Protection.

Dynamics 365 Fraud Protection er en selvstændig løsning rettet direkte mod webshops. Den indeholder dels de føromtalte Machine Learning-baserede teknologier, men også:

  • En meget fleksibel funktion til at oprette og vedligeholde regler, som gør det let at tilpasse reglerne efter givne situationer og virksomhedens forretningsmodel
  • Et dashboard, som giver overblik over virksomhedens aktuelle indsats mod svindel
  • Mulighed for at vurdere kunder på flere parametre – herunder enhedsbrug m.v. – for lettere at kunne vurdere, om de er ”ægte”
  • Samspil med support- og kundeservicefunktioner – samt mulighed for at håndbære transaktioner, så de accepteres
  • Teknologi, der bruger historiske data til at fintune den aktuelle anti-fraud indsats

Dertil kommer muligheden for at styre kundekonto mere effektivt og f.eks. begrænse muligheden for at lægge falske produktanmeldelser op eller for at misbruge kampagnekoder m.m.

Tilmeld dig vores webinar: "What is Fraud and how do you deal with it?"

Det giver en række ret spændende perspektiver for onlineshops- og services for på én gang at styrke betjeningen af reelle kunder og for samtidig at afvise svindlere og plattenslagere. Også uden at man – som i den klassiske købmandsbutik – er i stand til at se dem i øjnene undervejs og vurdere, om de nu også har rent mel i posen..

Læs mere om Microsoft Dynamics 365 Fraud Protection her.

Kommenter indlæg

Recommended posts

Med vores teknologiske modenhed og mange data har vi i Danmark et godt udgangspunkt for at få succes med AI. Men både i virksomhedernes kultur, på det politiske plan og i det sprog, vi omtaler AI med, er der udfordringer, som vi skal adressere. Det mener IT-konsulentvirksomheden Columbus, som er med i Dansk Erhvervs AI-Koalition, der kortlægger danske virksomheders styrkepositioner og barrierer, når det gælder kunstig intelligens.
If you organize your data and use AI strategically, you can make better decisions faster. You can for example improve your market understanding and forecasting, optimize your maintenance or reduce food waste. Choose what is most important for you!
Demand forecasters do the impossible — predict what products and services customers want in the future. Their forecasts inform decision-making about production and inventory levels, pricing, budgeting, hiring and more. "While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts." The goal is to produce exactly the amount of product to meet demand. No more. No less. Demand forecasting is used to anticipate the demand with enough time to manufacture the right stock to get as close to this reality as possible. The cost is high if you don’t get it right. Your customers will go to your competitors if you don’t have what they need. Unfortunately, capacity, demand and cost aren’t always known parameters. Variations in demand, supplies, transportation, lead times and more create uncertainties. Ultimately demand uncertainties greatly influence supply chain performance with widespread effects on production scheduling, inventory planning and transportation. On the heels of the global pandemic, supply chain disruptions and a pending economic downturn, many demand forecasters wish for a crystal ball. While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts.
If you have identified possible AI use cases for your business, the next step will be to test if they are possible to implement and if they will create great value. While there is a lot of momentum and excitement about using AI to propel your business, the reality is only 54% of AI projects are deployed. How do you ensure you’re one of the businesses that does unlock the new opportunities AI promises? Your success with AI begins by discovering AI use cases that work for your business. In the first blog of our Columbus AI blog series, we shared five areas where organizations should focus their efforts to generate ideas for AI implementations based on our experience. After generating some ideas for AI use cases that could potentially benefit your company from the first step of the Columbus AI Innovation Lab, the next step is to test which AI use cases could be operationalized by evaluating them. Columbus AI Innovation Lab
Only half of the companies starting an AI pilot project are actually executing it. The key is to choose an idea that will benefit your business. Read more about how! In 2022, 27% of chief information officers confirmed they deployed artificial intelligence (AI), according to a Gartner AI survey. Even though businesses across all industries are turning to AI and machine learning, prepare your organization before jumping on the AI bandwagon by considering a few factors. Ask yourself: Is AI necessary for achieving the project requirements or is there another way? Does your team have the skills to support AI and machine learning? How will AI impact your current operations if you adopt it? How will you integrate AI with existing systems? What are the data, security and infrastructure requirements of AI and machine learning? The Gartner AI survey found only 54% of projects made it from the pilot phase to production. After significant investment in AI, why aren’t companies deploying it? We found the problem begins when companies define a use case. Too often, companies are not identifying AI use cases that benefit their businesses and end-users will adopt. The question is then, how should companies unlock the value and new opportunities AI promises? It starts with a systematic approach for each stage of the AI life cycle. We developed the Columbus AI Innovation Lab, a comprehensive method to address and account for all challenges when adding AI to your business operations and bring stakeholders into the process at the right time to help you operationalize AI.
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down