38

Mastercard

ИИ сокращает число ошибочных отказов от авторизации и экономит миллиарды долларов

Mastercard — незаменимое звено между тысячами банков и миллионами клиентов. Компания обрабатывает миллиарды транзакций ежегодно. В 2017 году она приобрела Brighterion, чтобы внедрить у себя технологии ИИ.

Mastercard собирается ввести автоматизированные решения на базе машинного обучения в системы онлайн- и офлайн-продаж, чтобы обеспечить безопасность и позитивный покупательский опыт в момент оплаты.

Какие задачи решает ИИ

Ошибочный отказ авторизации — это отклонение правомерной транзакции из-за подозрений в мошенничестве. Клиентам это неудобно: у них может не быть при себе наличных, а значит, им нечем будет расплатиться. Компании США теряют на этом 118 млрд долларов ежегодно: шокирующая сумма в 13 раз превышает издержки от неправомерных транзакций.

Ошибочные отказы авторизации негативно сказываются на лояльности к бренду. По исследованиям Mastercard, треть покупателей отказалась от приобретения товаров у продавца после беспричинного отклонения платежа. Как бы это ни было неудобно и дорого, традиционные методы верификации транзакций, которые основаны на статических правилах и данных, не позволяют избежать ошибочных отказов.

Как применяется ИИ

Скоринговая система Mastercard на базе машинного обучения запускается, как только терминал продавца в момент покупки передает данные карты клиента через системы эмитента для верификации.

Модели подтверждения правомерности транзакции обновляются в реальном времени и учитывают данные миллиардов транзакций. Алгоритмы отслеживают использование карты за длительный период и замечают подозрительную активность на фоне обычного поведения.

Инструмент, который использует Mastercard, называется Decision Intelligence. Президент компании по рискам и безо­пасности Эджей Бхалла рассказал, что работающая в реальном времени ИИ-система сэкономила компании миллиарды долларов на своевременно отозванных мошеннических транзакциях.

Технологии, инструменты и данные

Решения основаны преимущественно на логах транзакционных данных: где использовалась карта, сумма оплаты, вид товаров и услуг и информация о продавце. Также учитываются тенденции и приемы мошенников: когда и где вероятны конкретные типы неправомерных транзакций и какие компании чаще всего попадают под удар. Используются и обезличенные суммарные данные клиента, осуществляющего платеж.

Частично Mastercard полагается на решения ИИ с открытым кодом, но большая часть алгоритмов разработана внутренними специалистами компании и Brighterion. Для обу­чения применяются методы с учителем (маркированные данные) и без учителя (немаркированные данные).

Результат

По словам Бхаллы, с момента внедрения платформы ИИ эффективность обнаружения мошеннических транзакций утроилась, а количество ошибочных отклонений авторизации снизилось на 50%.

Самое главное

• Решения, основанные на статических объемах данных с фиксированными правилами, не годятся для быстрой и удобной для клиентов верификации в масштабе Mastercard.
• Массивы данных и прогностические модели с обновлением в реальном времени позволяют точнее прогнозировать правомерность транзакций. Значит, авторизация реже отклоняется по ошибке.
• После решения по внедрению ИИ Mastercard не стала собирать свой штат сотрудников и вместо этого приобрела компанию Brighterion.
• Качество данных играет огромную роль. В случае Mastercard неточные данные могли привести к учащению ошибочных отклонений авторизации и некорректному одобрению неправомерных транзакций. Компания потеряла бы деньги и доверие клиентов. Система использует транзакционные данные Mastercard и потому считается надежной.

Отправить