持续的全球疫情迫使电子商务迅速扩张，并推动人们普遍转向数字交易。不幸的是，新冠疫情也可能助长了所谓“合成身份欺诈”的增加。
在合成身份欺诈中，犯罪分子利用真实信息与虚构信息的组合——如社会安全号码、电子邮件地址、物理地址——来创建一个可能用于申请信用卡和贷款或在线购物的“新”身份。
Experian负责身份、欺诈和数据实验室的执行副总裁兼总经理Eric Haller表示：“合成或虚假身份‘看起来像是一个新人，刚来到这个世界，刚进入市场。外界可能有足够的信息来验证这是一个真实的个人……或者它看起来像是刚刚改了姓氏或地址的人。因此，拼图中有足够的碎片让人信服地说：‘这是一个真人。’然后[骗子]就能获得信贷额度，并利用这些额度在线购买可互换的商品。”
合成身份是真实信息（如被盗的社会安全号码或某人的实际地址）与虚假信息（如虚拟电子邮件地址）的组合。
2019年1月，麦肯锡公司的一篇文章指出，合成身份欺诈是“美国增长最快的金融犯罪类型，在典型的无担保贷款组合中占坏账核销的10%至15%。”
如今，得益于新冠疫情，一些专家担心合成欺诈可能会进一步蔓延。
对商家的影响
这种欺诈形式大多发生在许多商家业务的上游环节，但仍可能通过三种方式对电子商务产生影响：
首先，提供自有信用账户的商家可能会遭受直接损失。
其次，与第三方合作为大额商品提供融资的卖家，根据协议条款可能需要承担连带责任。
第三，大规模欺诈会提高所有人的经营成本。
最后，由于至少部分用于创建合成身份的信息是真实的，零售商应确保其系统未被入侵，从而不泄露购物者的个人信息。
识别合成身份
由于这些虚假身份被刻意设计得看似真实，现有欺诈预防系统往往难以识别合成身份欺诈。
Haller解释道：“当你[构建欺诈检测模型]时，你会寻找那些看起来像问题的特征，然后建立模型来预测或针对[该问题]，并说：‘这就是问题的样子。这就是问题所在。我以前见过。’”
“但在合成身份的情况下，问题在于身份信息及其被操纵的方式。它表现为一种损失。贷款方可能会说：‘我在银行为这个人做了承保，结果在他们身上损失了所有资金。’所以，这看起来与不良信用风险并没有太大区别。”
简而言之，开发检测模型非常困难，因为很难将其识别为欺诈行为。
Haller的公司Experian利用机器学习来识别骗子如何操纵虚构数据。随后，Experian针对虚假身份推出了一款新发布的合成身份检测产品。但即使这种方法也需要大量的数据收集工作，并需从多个来源比对信息，以寻找细微的统计差异。
行业内的其他机构也在采取类似的方法。就连美国联邦储备系统（Federal Reserve System）也与行业利益相关者合作，共同打击这种特别复杂的欺诈形式。
误报
与其他形式的欺诈预防一样，在合成身份检测中，错误地怀疑优质客户也是一项风险。
“没有任何人工智能系统是完美的。你一定会遇到误报情况。你以为高风险的人实际上却是可信的。那么问题来了：这些有价值的消费者会怎样？无论你是电商商家还是银行，都不希望因为这种情况而失去客户。”Haller表示，“如果你能以某种方式验证对方并非骗子，那么将产品卖给看似像骗子的客户其实具有更大的价值。因此，这类人工智能系统通常被用作第一道或第二道防线。”
在这种情况下，拥有复杂人工智能技术的欺诈检测服务会将某位客户或交易标记为高风险。但如何管理这一风险，则由零售商自行决定。在某些情况下，这可能包括联系客户以核实其真实身份。这一额外步骤会在销售流程中产生摩擦，但对于某些企业而言，这种摩擦可能是值得付出的代价。