這里盛產科技與創(chuàng)新,大膽與試錯,這里駐扎了全球幾乎一半的科技公司研發(fā)中心,被稱為“硅溪(Silicon Wadi)”。
2013年,一家電商反欺詐公司Forter也誕生于此,致力于保護全球消費者的在線交易,隨后迅速擴張到紐約、倫敦、悉尼、新加坡、東京、上海。
2018年底,F(xiàn)orter進入中國上海,也就是在這個時候,Allen Zhu加入,被任命為Forter亞太區(qū)戰(zhàn)略合作總監(jiān),從市場拓展,到品牌構建,再到客戶合作,短短三年,從一個小團隊漸漸發(fā)展到現(xiàn)在,人員擴張了3倍。
“小偷”都是精細化管理+高智商人群,“警察”自然也需要升級——由于傳統(tǒng)的風控方式要么需要大量人工審核,要么需要大量風控規(guī)則,最終效果卻差強人意;而第三方的智能風控解決方案打通了跨境支付企業(yè)上下游合作,使電商商戶及用戶免受信用卡欺詐、優(yōu)惠券濫用、帳號盜用等欺詐問題的影響,既做好了風控,還能帶來額外增益,比如提高轉換率,提升用戶體驗等。
讓Allen頗感自豪的是,新冠疫情引發(fā)全球封鎖的情況下,中國工廠還在運轉,生產著各種商品供應著全球,這就反向促使中國的跨境電商行業(yè)迅猛增長。但越是如此,就越要重視欺詐問題。
風控需要被重新定義,正如中國跨境電商需要受到全球重視一樣。
“我們希望幫助中國跨境電商從不太成熟走向成熟,不光是風控問題,還有前端流量、供應鏈、支付,做成一套完善體系,讓海外公司未來以中國跨境電商為范本。”
圖:Forter亞太區(qū)戰(zhàn)略合作總監(jiān)Allen Zhu
壹
科技行者:Forter公司成立之初,有著怎樣的使命和愿景?
我們的兩位創(chuàng)始人Michael Reitblat和Liron Damri是同學,Michael此前參與創(chuàng)辦Fraud Sciences,這是預防在線支付欺詐的先驅,后來這家公司被Paypal收購;而Liron也有十幾年經驗,領導了Fraud Sciences和Paypal的欺詐預防團隊。兩人在2013年之前就構想,全球在線風控的防范需要刷新一些新認知。
需要重新定義風控怎么去抓。
線下購物主張一手交錢一手交貨,如果把場景搬到線上,是否也可以還原到“人”,因為如果我認識這個人,我信任這個人,我就可以信任這筆交易?;谶@樣的構想,公司兩位創(chuàng)始人毅然決然從大公司出來開始創(chuàng)業(yè),而兩人的想法和公司發(fā)展也受到很多資本的青睞。
公司從初期抱著這樣的使命,同時也一直不斷在完善產品。
科技行者:資本確實青睞,融資消息也不斷,在這背后,F(xiàn)orter能夠吸引投資人的原因是什么?
Forter融資目前已經到了F輪3億美金。首先技術功底深厚,F(xiàn)orter總共有28項專利技術,這在整個風控行業(yè)是排名第一的;第二應用場景廣泛,不僅可以應用于在線交易,還包括利用“七天無理由退貨”和三姑六婆砍一刀等薅羊毛行為等身份信任反欺詐和商業(yè)政策濫用欺詐。
企業(yè)的最新顧慮在于,企業(yè)上線了新品,官網商城第一時間售罄了,買不到了,卻是因為被黃牛黨們以中間商的身份通過各大電商渠道對外售賣了。同時又因為官網“X天無理由退貨”,那些黃牛黨們賣不完的又退回來了,這種情況對于企業(yè)而言感受很差,最終既錯過了售賣期,又多了尾貨。
貳
科技行者:進入中國市場之后,可否回憶一下印象最深刻的一次與中國客戶合作的故事?
,馬上又飛回去,雖然過程很忙碌,最后我們拿下了亞太市場最大的訂單。這種團隊合作和進取的精神給我留下了很深的印象。
科技行者:疫情之后,跨境電商出現(xiàn)了很大增長,原因是什么?
航旅類也是跨境電商的重要組成部分之一。
,在中國賭博是違法的,所以我們集中在做前三類。因為疫情為航旅類客戶帶了很大影響,所以很多人的預測是悲觀的。
的情況下,中國還在運轉,中國的工廠恢復了,中國生產的各種各樣的商品供應著全球,這也反向促使了中國跨境電商一下子就火爆起來。
叁
科技行者:跨境電商欺詐的發(fā)展過程是怎樣的,大致會經歷哪幾個階段?
欺詐可以理解為“警察抓小偷”,只不過“小偷”在網上,早期的時候,小偷工具不多,手段單一,不法分子用簡單粗暴的方式去沒有防范的商鋪網站進行刷卡;后來,逐漸演變成多樣化的行為模式,比如通過SaaS服務模擬一些虛擬設備進行攻擊,甚至雇傭人群,遠程遙控他們進行不法活動。
科技行者:就目前來看,實施電商欺詐的群體或組織通常有哪些特點?
Forter每年都會發(fā)布兩版《電商欺詐攻擊指數報告》,報告會分析這半年哪些群體是活躍的、哪些群體偏好哪些品類。
欺詐呈現(xiàn)規(guī)?;徒M織化趨勢。比如,有專門的人組織,有專門負責買假卡的人,有專門負責收集卡號的人,有負責銷贓的人,背后的大老板不出現(xiàn),但下面的人有明確分工。甚至有專門的人來研究網站的漏洞,來繞過電商的防范措施。
精細化管理和高智商的一群人。
科技行者:跨境電商欺詐對產業(yè)造成的損失情況如何?
回到警察抓小偷的故事,由于每筆交易都是在監(jiān)管范圍內,給消費者帶來便利的同時,也會:
1)首先,肯定會造成運營成本的上升。
2)從監(jiān)管的角度,由于每筆交易都是在監(jiān)管范圍內,商戶面臨Visa、萬事達、美運卡等卡組織的罰金,例如要求商家的欺詐率不能高于1%, 那么商家需要控制好比例,若超過的話,一筆壞帳就要罰USD 50-100。
3)從自身來講,由于款項到賬和商戶發(fā)貨存在時間差,所以商戶很容易造成人財兩空。
科技行者:中國零售商遇到跨境電商欺詐,在認知上和應對上有什么典型的誤區(qū)?
很多中國企業(yè)在創(chuàng)業(yè)初期更關注銷量的提高等,不太會關注一些細節(jié),曾經某第三方公司有一個數據統(tǒng)計,排在中國跨境電商企業(yè)關注點的前幾位的是:
●流量:如何引發(fā)更多關注,引來更多留存;
●供應鏈:如何確保廠商及時發(fā)貨;
●支付;
●風控。
其實前三者都跟風控相關,但很多人卻忽視了,風控是非常關鍵的一個節(jié)點,關系到用戶的體驗等方面。
科技行者:從中國零售商而言,跨境電商欺詐的重災區(qū)有哪些?比如行業(yè)的、區(qū)域的、或者時間點的。
所謂的重災區(qū),一定會有普遍的特點,比如“商品是否容易轉賣”,按照這個思路,首先是電子類產品;其次,好的品牌的服裝、鞋、配件;第三,好轉賣的非定制化產品;第四,疫情之后,由于“宅文化”盛行,游戲產品也成為重災區(qū),因為這類虛擬產品轉賣之后很容易變現(xiàn)。
肆
科技行者:傳統(tǒng)零售商解決電商欺詐的應對手段是什么?
傳統(tǒng)的手段我們稱之為“風控1.0”,他們制定一些規(guī)則進行防控,例如同一個IP地址不能發(fā)超過4單;也有人工團隊進行審核,在買家下單后,進行人工核實,確認地址是否真實??偨Y而言,就是規(guī)則與人工相結合的方式,這個過程需要付出很多人力和時間成本。
科技行者:Forter對于零售商的反欺詐方案最典型的優(yōu)勢是什么?
我們一直倡導一個理念就是,我需要:
1)全自動的環(huán)境,無人工干預
2)實時決策
3)精準。不可能一錘子下去把所有人都拍倒,風控的核心是大數據下的小數據問題,想象一下,這需要在茫茫人海之中鎖定欺詐者,這個鎖定的準確率是Forter最看重的一點。
科技行者:企業(yè)投資Forter反欺詐方案之后的投資回報率是怎么樣的?
Forter希望把更好的產品帶入中國,我們的理念不是在企業(yè)比較薄的利潤中再分一杯羹,而是先幫企業(yè)賺到錢,再去收費。
是建立在雙方合作共贏的前提下。我們是在幫助企業(yè)提高了交易成功率之后,再進行收費。
,另外運營管理成本會下降55%。同時,我們會做到100%的交易實時審核。
科技行者:剛才大量談到B端客戶,那么C端消費者面對欺詐如何避免不必要的損失?
等,比如很多欺詐的設備來自二手市場,也就是用戶本身,有些數據并沒有被清理掉,這就會造成信息泄露。
科技行者:研究電商反欺詐方案的技術門檻在哪里?
個人認為,F(xiàn)orter除了28項專利以外,更主要是三點:
1)算法工程,本身有很多交易數據源,基于這些數據源通過模型來判斷趨勢。
2)數據工程, Forter每年有2500億美金的交易審核量,這些大數據也給了我們很多歷史數據參考。
3)可視化工程,通過樣本提高模型的可信度,進行計算,進而直接給到一個判斷,Yes或者No,安全或者危險。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數學推理能力提升8.6%,通用推理提升8.4%,且無需任何數學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數學優(yōu)化方法,在合成數據集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。
關注科技創(chuàng)新、技術投資。
以文會友,左手硬核科技,右手浪漫主義。