Το σύγχρονο (όπως και το… παραδοσιακό) επιχειρείν “βρίθει” από οξύμωρα γεγονότα, πρακτικές και στοιχεία. Ένα από τα πλέον συνήθη έχουν να κάνουν με την διαχείριση και εν γένει επεξεργασία δεδομένων.

Συγκεκριμένα, ενώ η πλειοψηφία των επιχειρήσεων συνήθως δεν προσπορίζονται έσοδα μέσω της διαδικασίας επεξεργασίας των δεδομένων, εντούτοις όμως δαπανούν ένα μεγάλο ποσοστό από τα κοπιωδώς αποκτώντα έσοδά τους προκειμένου να πραγματοποιούν με χειροκίνητο τρόπο την σχετική επεξεργασία.

Κι αυτό, προχωρώντας στην σχετική διαδικασία επικύρωσης και τελικά εκτέλεσης χειρωνακτικών εργασιών, οι οποίες -ειρήσθω εν παρόδω- δεν κλιμακώνονται. Και κατ’ επέκταση δεν προσφέρουν κάποιου είδους προστιθέμενη αξία στις ίδιες τις επιχειρήσεις. Σε αυτό, λοιπόν, το σημείο προκύπτει αβίαστα το ερώτημα, σχετικά με το εάν υπάρχει (και εάν ναι, ποιο είναι αυτό) κάποιο δεδομένο σημείο στο οποίο η χειρονακτική εμπλοκή μετατρέπεται σε ανυπέρβλητο εμπόδιο που με τη σειρά του επιβαρύνει σημαντικά το ευρύτερο κόστος για την επιχείρησή σας. Επιπροσθέτως, γεννάται ένα ακόμη ερώτημα: Πόση χειρωνακτική συμμετοχή θα πρέπει -πραγματικά- να απαιτείται;

Ποσοστά που ποικίλουν από 10 έως και 26%
Ενδεικτικό της καλύτερης κατανόησης των προαναφερθέντων αποτελεί το φαινόμενο της απάτης στο επίπεδο των πληρωμών. Συγκεκριμένα, με βάση την έκθεση που τιτλοφορείται ως “Merchant Risk Council (MRC) Global Fraud Survey”, οι εκπρόσωποι του εμπορίου σε διεθνές επίπεδο συνήθως προβαίνουν σε χειρωνακτικό έλεγχο του 10 έως 15% των online παραγγελιών προϊόντων, αγαθών και υπηρεσιών. Επιπροσθέτως, άλλες μελέτες ισχυρίζονται πως περίπου το 26% του συνόλου των e-παραγγελιών ελέγχονται και πάλι με τον “παραδοσιακό” χειροκίνητο τρόπο και διαδικασία.

Κι ενώ μπορεί αυτά τα δεδομένα να διαφέρουν και δη σε σημαντικό βαθμό ανά τομέα δραστηριοποίησης και αγορά, δίχως να λείπουν πολλοί επαγγελματίες οι οποίοι πιστεύουν και θεωρούν πως έχουν υπό τον απόλυτο έλεγχό τους την online απάτη, ωστόσο με βάση την μελέτη: “Cybersource 2016 UK eCommerce Fraud Report”, αποκαλύπτεται πως ο περιορισμός του χειρονακτικού ελέγχου έχει μετατραπεί στην μεγαλύτερη πρόκλησή τους περί της απάτης εν γένει. Για την ακρίβεια, αφήνοντας στην αναμονή μια παραγγελία για ώρες ή ακόμη και ημέρες, η παρεχόμενη εμπειρία προς τους πελάτες κρίνεται ως αρκούντως “φτωχή”. Κάτι που έχει ως αποτέλεσμα την ακύρωση παραγγελιών, που με τη σειρά τους επηρεάζουν τα βασικά οικονομικά σας μεγέθη και δεδομένα. Μεταξύ αυτών, ξεχωρίζει και η σε βάθος χρόνου αξία του πελάτη για την επιχείρησή σας, αλλά και η χαμηλή βαθμολόγηση της τελευταίας σε επιμέρους online reviews και αντίστοιχα site.

Τα παραπάνω δύναται να συντελέσουν στην γέννηση υψηλών λειτουργικών εξόδων και φυσικά σε ανεπαρκή ανταπόκρισή σας στις ανάγκες και τα “θέλω” των πελατών.

Υπολογίζοντας το κόστος
Σήμερα, με έκπληξη διαπιστώνεται πως το κόστος της μη αυτόματης αναθεώρησης παραβλέπεται συχνά! Παρακολουθώντας τον αριθμό των μη αυτόματων αναθεωρήσεων που πραγματοποιεί μια επιχείρηση σε μηνιαία βάση, παράλληλα με τον μέσο χρόνο μη αυτόματης αναθεώρησης και σε συνδυασμό με το κόστος εργασίας, τα στελέχη θα είναι σε θέση να υπολογίσουν το συνολικό κόστος της μη αυτόματης αναθεώρησης.

Αυτή τη στιγμή υπάρχει πληθώρα συμβουλών διαθέσιμων στο διαδίκτυο σχετικά με τη βελτιστοποίηση της αποτελεσματικότητας της διαδικασίας μη αυτόματης αναθεώρησης. Περιλαμβάνουν δε από τη διασφάλιση ότι οι αναλυτές και τα αρμόδια επιφορτισμένα στελέχη με την εξυπηρέτηση πελατών είναι σε θέση να ελέγξουν αποτελεσματικά τις παραγγελίες μέχρι και την διασφάλιση ότι διαθέτουν μια οθόνη όπου και μπορούν να έχουν πρόσβαση σε όλες τις διαθέσιμες πληροφορίες για έναν πελάτη, με βάση την χρονική πίεση ή την κατάσταση του πελάτη.

Ωστόσο, παρόλο που αυτές οι βασικές επιχειρησιακές βελτιώσεις και η επένδυση στη βελτίωση των εργαλείων ροής εργασιών αναθεώρησης μπορούν να μειώσουν το χρόνο και τα χρήματα που δαπανώνται εσωτερικά με τη μη αυτόματη αναθεώρηση, αντιμετωπίζουν τα συμπτώματα και όχι την αιτία του προβλήματος και ως εκ τούτου δείχνουν να μην πετυχαίνουν το επιθυμητό αποτέλεσμα.


Το “μαγικό” 50-50
Παρά το γεγονός ότι δεν απαιτούνται παραπάνω από 4-5 λεπτά κατά μέσο όρο προκειμένου να για να αναθεωρηθεί μια ύποπτη συναλλαγή (MRC Global Fraud Survey, 2015), ο χρόνος που αφιερώνεται στον χειρωνακτικό έλεγχο παραμένει μια από τις μεγαλύτερες ανησυχίες των εμπόρων του ηλεκτρονικού εμπορίου, ιδίως όσον αφορά την απάτη. Τις περισσότερες φορές, το πρόβλημα δεν είναι ο χρόνος που απαιτείται προκειμένου λόγου να λάβει χώρα ο έλεγχος κάθε παραγγελίας, αλλά μάλλον ότι αναθεωρούνται πάρα πολλές παραγγελίες. Το μεγαλύτερο κέρδος στο χρόνο και τα χρήματα που εξοικονομούνται μπορεί να γίνει μέσω του περιορισμού του αριθμού των συναλλαγών που αποστέλλονται μέσω του χειρωνακτικού ελέγχου πρωτίστως. Ο χειρωνακτικός έλεγχος θεωρείται ως μια ιδιαίτερα αποτελεσματική διαδικασία ως έσχατη λύση και πρέπει να ελέγχει μόνο όσο παραγγελίες κρίνονται και αποδεικνύονται δύσκολο να χαρακτηριστούν.

Ως εκ τούτου, ο στόχος είναι να πλησιάσει κατά το δυνατόν πιο κοντά στο διαχωρισμό των 50:50 μεταξύ χειροκίνητων επιτρεπτών συναλλαγών και όσων αποκλείονται. Εάν μια επιχείρησή έχει ποσοστό επιβάρυνσης εξαιτίας φαινομένων απάτης 1% (και υποθέτοντας ότι δεν απορρίπτει αυτόματα παραγγελίες), δεν πρέπει να ελέγχει περισσότερο από το 2% του συνόλου των συναλλαγών τους. Ωστόσο, οι έμποροι συχνά αναφέρουν ότι επιτρέπουν τη συντριπτική πλειοψηφία των παραγγελιών που ελέγχονται με το χέρι, ένα σημάδι ότι οι επιχειρησιακοί πόροι δαπανώνται άσκοπα και οι γνήσιοι πελάτες αναγκάζονται να περιμένουν στην ουρά… Η βασική αιτία αυτού είναι ότι το εργαλείο ανίχνευσης και λήψης αποφάσεων απάτης δεν εκτελεί τόσο καλά όσο θα έπρεπε.

Αρκούν οι υφιστάμενοι κανόνες;
Δίχως άλλο, η επίτευξη του επιθυμητού ποσοστού διαχωρισμού της τάξεως του 50-50 ανάγεται σήμερα σε μια ιδιαίτερα απαιτητική εργασία και δη όταν αυτή βασίζεται αποκλειστικά σε μια μέθοδο βαθμολόγησης που βασίζεται σε συγκεκριμένους όσο και οριοθετημένους κανόνες.

Ένα αποτελεσματικό σύστημα βασισμένο σε κανόνες απαιτεί χρόνο, εμπειρία και εξειδίκευση για την οικοδόμηση και δεν εξελίσσεται ικανοποιητικά, καθώς απαιτούνται συνεχείς αλλαγές των κανόνων για την αντιμετώπιση των εποχών που εμφανίζουν αυξημένη ένταση και θεωρούνται ως αιχμής, καθώς επίσης και των εξελισσόμενων προτύπων απάτης. Συχνά-πυκνά εμφανίζεται πώς η ανάπτυξη μέσω νέων καναλιών και αγορών αποτρέπεται επίσης από τον κίνδυνο απάτης και το χρόνο που χρειάζεται προκειμένου να βρεθούν οι κατάλληλοι κανόνες που θα αντιμετωπίσουν αποτελεσματικά τους κυβερνοεγκληματίες και τους εν γένει απατεώνες.

Αυτό που απαιτείται είναι η δημιουργία και εφαρμογή μιας πιο “έξυπνης” μεθόδου βαθμολόγησης, η οποία και λαμβάνει τις κατάλληλες αποφάσεις σε πραγματικό χρόνο και εξελίσσεται δίχως την ανάγκη για συνεχείς αλλαγές κανόνων. Αυτός είναι ένας από τους λόγους για τους οποίους ένας αυξανόμενος αριθμός εμπόρων αναγνωρίζει τα οφέλη του machine learning στη λήψη αποφάσεων. Ενώ το machine learning μέχρι πρότινος ήταν διαθέσιμο μόνο σε μεγάλες εταιρείες οι οποίες διέθεταν αντίστοιχους προϋπολογισμούς για την πρόσληψη και διατήρηση ενεργών ομάδων που απαρτίζονται από data scientists, οι λύσεις αιχμής για την πρόληψη της απάτης κατέστησαν αυτήν την τεχνολογία διαθέσιμη στους περισσότερους εμπόρους. Τα μοντέλα machine learning έχουν τη δυνατότητα να “μάθουν” και να βελτιωθούν μέσω της αξιοποίησης εμπειρίας που προέρχεται από την πρακτική που εφαρμόζουν κι άλλες εταιρείες κατά μήκος του δικτύου τους. Αυτό σημαίνει ότι ακόμα και εάν επεξεργάζεστε μικρό -σχετικά- αριθμό συναλλαγών, μπορείτε να επωφεληθείτε πλήρως από τα μεγάλα σύνολα δεδομένων προκειμένου να βελτιώσετε την ακρίβεια της απόφασης που λαμβάνεται. Τα εν λόγω μοντέλα μπορούν επίσης να προγραμματιστούν ώστε να παρέχουν μια βαθμολογία απάτης για κάθε χρήστη από τη στιγμή κατά την οποία εγγράφονται και ενημερώνονται με κάθε πιθανή αλληλεπίδραση που πραγματοποιούν με την πλατφόρμα σας. Η βαθμολογία που προκύπτει αποτελεί απλώς το ποσοστό πιθανότητας ενός πελάτη με δεδομένες ιδιότητες να έχει “παραβατική” συμπεριφορά, με βάση τα ιστορικά δεδομένα τόσο των δικών σας πελατών, όσο και εκείνων που κινούνται και δραστηριοποιούνται σε όλο το ευρύτερο δίκτυο.

Λαμβάνοντας υπόψη τις συγκεκριμένες γνώσεις, το… τρίπτυχο επηρεασμού μιας απόφασης (επιτρέπουν / αναθεωρούν / αποτρέπουν) μπορούν να ρυθμιστούν ώστε να ελαχιστοποιήσουν τον αριθμό των συναλλαγών που αναθεωρούνται χωρίς κάποιον ουσιαστικό λόγο. Μάλιστα, για ορισμένες επιχειρήσεις, ειδικά εκείνες που διαχειρίζονται μεγάλο όγκο συναλλαγών χαμηλής αξίας, οι βαθμολογίες που δημιουργούνται από τα μοντέλα machine learning μπορεί να είναι αρκετά ακριβείς ώστε να παραλείπουν εντελώς τη χειρωνακτική αναθεώρηση.

Ωστόσο, για τους περισσότερους εμπόρους, η χειρωνακτική αναθεώρηση εξακολουθεί να διαδραματίζει σημαντικό ρόλο στη συνολικότερη διαδικασία πρόληψης της απάτης. Η χειροκίνητη ανασκόπηση μπορεί να επιβεβαιώσει ή ακόμη και να διορθώσει τα μοντέλα machine learning, να βελτιώσει τις αποφάσεις τους και να εντοπίσει τα μεταβαλλόμενα πρότυπα απάτης που συνήθως εφαρμόζονται ή ακολουθούνται. Τα μοντέλα machine learning “μαθαίνουν” συνεχώς από κάθε απόφαση που τους επιστρέφει, ενισχύοντας σημαντικά τον βαθμό προετοιμασίας τους σε ότι αφορά την αντιμετώπιση παρόμοιων περιπτώσεων στο μέλλον. Επιπλέον, φέρνουν ακόμη πιο κοντά κάθε επιχείρηση στο επιθυμητό όσο και βέλτιστο “μαγικό” ποσοστό του 50:50 μεταξύ παραγγελιών που έγιναν δεκτές και μη έπειτα από την εφαρμογή της διαδικασίας μη αυτοματοποιημένου ελέγχου.