最近的一份报告估计，在线零售商因欺诈造成的损失高达35亿美元，占在线收入的0.9%。换言之，每获得100万美元收入，零售商平均需承担9,000美元的欺诈损失。
这笔损失本应计入利润而非经营成本。遗憾的是，若零售商涉足移动商务或跨境发货，欺诈率往往会进一步攀升。
尽管“零欺诈”是每家零售商的追求，但长期以来难以实现。随着大数据技术的兴起（详见前文《Understanding Big Data For Ecommerce》），这一目标正变得触手可及。大数据能挖掘传统手段难以获取的洞察，从而有效防范欺诈。在探讨其具体应用前，我们先回顾影响在线零售商的三大主要欺诈类型：
- 信用卡欺诈。这是最常见的欺诈形式。由于无法核验实体卡，窃贼更易使用伪造或盗刷卡片。零售商虽常采用地址验证服务（AVS）或卡安全码（CVV）等工具，但这些措施并非万无一失。
- 退货欺诈。形式多样，包括使用后退货、谎称未收货并转售等。部分零售商鼓励“多买退少”的政策被滥用，加之高价值商品及有实体店背书增加了信任度，导致此类欺诈频发。即便采取收取整理费、签收确认及客户监控等措施，问题依然严峻。
- 身份欺诈。欺诈者窃取消费者个人信息登录账户购物并更改收货地址。这通常导致拒付及罚款，除非零售商能自证交易欺诈。此外，利用他人信息申请新卡也是常见手段。虽然可通过监测订购模式、频率及地址来制定风控规则，但仍无法彻底根除。
利用大数据防范欺诈
大数据主要通过以下三种方式打击欺诈行为：
- 全量数据分析。过去受限于成本与时间，零售商仅分析样本数据。大数据技术不仅支持全量交易审查，还能整合社交网络流数据、图像分析及第三方平台（如eBay、Craigslist）Listing信息，精准核实产品交付情况以减少退货欺诈。借助Hadoop等工具聚合多维数据，既能识别新增欺诈模式，又能降低误报率，避免不必要的收入损失与客户流失。
- 实时欺诈检测。将实时交易与数据仓库、社交媒体动态、LBS地理位置、购买历史及网页日志结合，可在授权环节即时筛查并拒绝可疑交易。同时，系统能回溯数年历史数据自动更新欺诈规则集。例如，Visa通过考察交易500个维度的管理系统，每年可挽回20亿美元的潜在欺诈损失。此外，处理高价值商品传感器流数据以追踪物流状态，也能有效遏制退货欺诈。
- 可视化分析。利用可视化工具整合多源数据，零售商可直观识别高风险区域、产品及客户群体，从而精准分配风控资源。这不仅减少了人工审单工作量，还能图形化展示订单欺诈概率，并在必要时触发邮件或短信预警升级处理。