虚假拒绝比实际欺诈给您带来的损失更大吗？：克里斯·霍姆斯 (Chris Holmes)

虚假拒绝是指由于过于敏感的欺诈检测方法和算法而被拒绝的合法借记卡和信用卡交易。对于商家和银行来说，这可能是一件大事。

摩根大通最近的一篇支付和数据智能文章报道称，虽然 实际欺诈损失估计为 7% 欺诈的总成本，
虚假拒绝损失达19%。

2025 年 5 月的一篇博客（Worldpay for Platforms）报道称，在美国， 11% 网上交易的数量是
错误地拒绝。

欺诈过滤器旨在保护商家和发卡机构，但它们越来越多地在结账时阻止真实的客户交易。

问题

虚假拒绝是欺诈过滤器错误地拒绝合法交易，给商家带来的收入和商誉损失比实际欺诈损失更多。当过于激进的欺诈预防系统在结账时阻止真正的客户时，就会发生这种情况，从而导致销售损失和负面的客户体验。

一样多 作为十分之四的消费者 也就是说，如果商家错误地拒绝了他们的某次购买，他们将来将拒绝再次与该商家购物。

影响

虚假拒绝的负面影响包括：

错误拒绝的最直接影响是与拒绝购买相关的收入损失

合法客户不喜欢在没有正当理由的情况下被拒绝。购买被拒绝可能会鼓励他们去其他地方购物。最坏的情况是，他们可能决定不再与您一起购物

欺诈预防系统和无摩擦的客户体验之间需要取得合理的平衡。如果客户体验受到任何方式的影响，您可能会因支付问题而与消费者产生不良声誉

原因

我们发现导致信用卡和借记卡交易错误拒绝的四个主要问题：

1. 过于激进的欺诈检测规则
   静态规则或目标明确的欺诈模型可能会将合法交易标记为可疑。
2. 客户数据不足或不正确
   地址数据缺失、电话/电子邮件地址过时或持卡人资料不完整会导致验证失败。
3. 银行或网络授权摩擦
   发卡机构和卡网络可能会自动拒绝那些带有可疑参数（例如新商户、地点变化和大额购买金额）而显得异常的交易。
4. 支付路由中的技术或连接故障
   支付网关中断、收单机构路由问题和处理能力峰值可能会导致合法交易失败。

决议

当今的智能和自动化欺诈检测方法需要平衡的策略和更密切的人工监督。否则，虚假拒绝带来的负面财务影响可能会超过实际减少欺诈所带来的积极效益。

如何解决这些问题并减轻最坏的影响？

1. 过于激进的欺诈检测规则

• 使用基于机器学习的自适应欺诈评分
• 结合行为和设备环境以减少错误拒绝
• 不断重新调整欺诈阈值

2. 客户数据不足或不正确

• 加强客户入职时的数据捕获和验证
• 使用实时数据丰富和帐户更新服务
• 跨渠道实施安全的客户身份链接

3. 银行或网络授权摩擦

• 实施实时客户身份验证（例如，通过银行应用程序进行生物识别确认）

• 使用网络令牌化和 3-D Secure 2.0 提供额外的验证响应
• 改善发行人与商户有关交易背景的数据共享

4. 支付路由中的技术或连接故障

• 使用跨多个收单机构的智能支付路由
• 当网关关闭时实现自动重新路由路径
• 实时监控支付成功率并动态调整路由

人工智能能治愈错误拒绝吗？

错误拒绝是一个大问题。好消息是，人工智能不仅改进了真正的欺诈检测，而且现在还被用来减少错误拒绝。

人工智能的新进步将在这里发挥关键作用。例如，机器学习可以确定重新提交“失败”交易的最佳时间表。它通过利用获得授权的类似提交中的数据来找到最佳解决方案来实现这一点。如果您是订阅商家，这尤其有用。

当然，部署任何支持人工智能的解决方案取决于您的支付提供商和其他第三方供应商。

那么，您是否遭受了无法接受的错误拒绝并担心如何解决它？