以下场景基于出海品牌客服团队的常见工作情况整理，人物均为化名。
黑五后的第一个周一上午，Vivian 打开 Zendesk，面对的是四位数的未处理工单。作为某出海服饰品牌北美客服负责人，她深知此时正值售后高峰。
首张工单来自新顾客 Emma，声称未收到已显示签收的 89 美元运动鞋。账户记录干净，符合团队“200 美元以下未收货直接退款”的规则，Vivian 迅速批准。随后下午陆续出现类似工单，虽姓名邮箱不同，但均为新账户且理由一致。出于效率考虑，Vivian 逐一放行，却未察觉这些账户背后可能关联着同一欺诈者。
Vivian 的判断在现有信息下是合理的，问题核心在于信息维度的缺失。
765 亿美元：退货欺诈的巨大黑洞
据美国零售联合会（NRF）统计，2025 年美国零售商退货总额达 8,499 亿美元，其中约 9% 涉及欺诈。Riskified 测算显示，由此产生的损失约为 765 亿美元，且尚未包含美国以外市场。
消费者行为数据同样触目惊心：四分之一购物者承认“穿过再退”或预谋退货；约五分之一承认存在调包、寄空箱或篡改运单等行为。
对于出海品牌而言，跨境退货成本高企导致许多商家选择“仅退款”，进一步降低了欺诈门槛。在大促期间，客服团队往往陷入两难：全面放行易招致羊毛党，严格审核则可能误伤正常顾客。
一人多号：隐藏的身份图谱
客服视角通常局限于单一账户，而欺诈者往往利用这一盲区。Riskified 曾识别出一名欺诈者，其名下拥有 68 个活跃账户，使用 28 个名字、68 个邮箱、7 个手机号及 5 个收货地址，累计提交 58 笔索赔。
另一案例中，某顾客在单一商户处消费 3,104 美元并索赔 2,860 美元，看似比例偏高但未达警戒线。然而放入 Riskified 全局网络分析，该人关联 3 个账户、27 张信用卡，累计消费 10,520 美元，索赔金额高达 10,080 美元。
差异并非源于判断能力，而在于数据视野的广度。
技术破局：多跳关联识别身份
欺诈者擅长通过更换邮箱、手机号、地址甚至姓名来伪装。Riskified 通过多跳关联技术构建身份图谱：若 A 与 B 共用设备，B 与 C 共用地址，即使 A 与 C 无直接交集，也可判定为同一实体。连接节点越多，识别越精准。
该技术同时具备防误伤机制，能区分高风险身份与其同住家人。数据显示，一家商户的顾客中，最高有 78% 已存在于 Riskified 的身份网络中，即便他们是首次在该店下单。
Riskified 集成 Zendesk：实时风险情报前置
2026 年 9 月 15 日，Riskified 睿思飞宣布与 Zendesk 达成合作，将身份风险情报接入客服工作流，并于 2026 年 11 月起全面开放。
集成后，每次服务请求进入时，Riskified 会自动比对身份图谱，在客服或 AI 回复前提供风险等级及关键指标。
基于风险分级，策略得以精细化：
- 低风险：自动批准，提供 VIP 体验；
- 可疑：触发额外核实流程；
- 高风险：拒绝索赔，限制促销权益。
“客服团队不应在保护业务和服务顾客之间二选一。实时风险情报的引入，为客服提供了即时、数据支撑的决策依据。”
—— Jeff Otto，Riskified 首席营销官
目前，Riskified 以“定制智能体”形式接入 Zendesk，覆盖退款索赔、订单修改、退货换货三大高频场景。
场景重构：从被动应对到主动防御
若 Vivian 的系统已集成该能力，周一的场景将截然不同：
Emma 的工单若显示低风险历史记录，可自动秒批，释放人力；而下午那些看似独立的“未收货”工单，将被标记为同一高风险身份，并附带其在其他商户的欺诈记录。
Vivian 无需提升个人判断力，只需看见原本不可见的数据关联。
实效验证与部署建议
在与某时尚设计商户的合作中，部署该方案后预计每年减少 100 万美元的退款及退货欺诈损失。
如何开始？
部署无需一步到位。系统安装后，Riskified 首先利用商户现有用户和订单数据构建初始身份图谱，随后逐步纳入历史索赔、拒付记录及实时订单数据，持续提升判断精度。
非 Zendesk 用户？
可通过 Riskified 的政策保护产品，实现同等身份识别能力，覆盖退款、退货与促销滥用等场景。
数据来源
1. 美国零售联合会（NRF）《2025 零售退货全景报告》
2. Riskified 新闻稿《Riskified Brings Identity Risk Intelligence to Zendesk》，2026 年 9 月 15 日
3. Riskified 内部数据分析与客户案例
RISKIFIED
Riskified 睿思飞（纽交所代码：RSKD）是全球领先的交易反欺诈解决方案供应商，依托 AI 驱动的支付风控平台，助力全球商户精准识别优质订单，降低拒付与政策滥用损失。