定義
Fraud Prevention（不正防止） とは、ECサイトやDTCブランドにおいて、クレジットカードの不正利用やチャージバック（拒付）を未然に防ぐための仕組みです。具体的には、注文データ・デバイス情報・購買履歴などをリアルタイムで分析し、「この取引は怪しいか？」を判定して、リスクが高い注文を自動的にブロックしたり、追加本人確認を求めたりします。
単なる「怪しい注文を弾く」だけでなく、正規顧客の購入体験を損なわないことが重要です。過剰なブロックは売上機会の損失（False Positive）につながるため、精度とバランスが求められます。
类比（たとえ話）
不正防止は、空港の保安検査に似ています。
- 全員を徹底的に検査すれば安全ですが、搭乗に時間がかかり顧客満足度は下がります。
- 逆に検査を緩めれば、危険な持ち物が通過してしまいます。
優れた不正防止システムは、金属探知機（ルールベース）＋不審者を見抜く警備員の経験（機械学習） を組み合わせ、99%の善良な乗客をスムーズに通しつつ、危険な1%を的確に止めます。
公式（計算式）
不正防止の効果は、次のように定量化できます。
不正損失削減額 = 防止した不正取引額 - 導入コスト - 機会損失額
また、チャージバック率（拒付率）は業界で重要なKPIです。
チャージバック率(%) = チャージバック件数 ÷ 総取引件数 × 100
具体例：
- 月間取引 10,000件、不正防止導入前のチャージバック率 1.2%（120件）
- 導入後 0.3%（30件）に低減 → 90件の不正を防止
- 平均取引額 8,000円の場合、約72万円/月の損失回避
比較表：主な不正検知手法
| 手法 | 仕組み | メリット | デメリット | 適する規模 |
|---|---|---|---|---|
| ルールベース | 特定条件（同一IPで複数注文など）で判定 | 導入が簡単・説明可能 | 新手口に弱い・保守コスト高 | 小規模〜中規模 |
| 機械学習（ML） | 過去データから不正パターンを学習 | 高精度・自動進化 | 初期データが必要・ブラックボックス化 | 中規模〜大規模 |
| 3Dセキュア（EMV 3-D Secure） | カード会社が本人認証 | チャージバック責任をシフト | 離脱率が上がる可能性 | 全規模 |
| 手動レビュー | 担当者が個別確認 | 柔軟・高額取引に有効 | 工数大・属人化 | 高単価商材 |
補足データ：
- 不正注文の約60%は同一デバイス・IPの再利用で検知可能
- 機械学習導入により、False Positiveを最大50%削減した事例あり
- 3Dセキュア導入でチャージバック責任が加盟店からイシュアへ移るケースが約70%
応用场景（ユースケース）
1. 高額商品のDTC（例：ジュエリー、家電）
注文額が高いほど不正ターゲットになりやすい。MLで「普段と違う配送先」「新規アカウント＋高額注文」を検知。
2. サブスクリプションEC
初回は正常でも、2回目以降に盗まれたカードが使われる「カードテスティング」を検知。少額決済の連続を監視。
3. 越境EC
請求国と配送国が異なる場合、リスクスコアを上げる。ただし正規のギフト需要も多いため、過剰ブロックは禁物。
4. フラッシュセール・限定販売
転売目的のbot購入を防止。デバイスフィンガープリントと行動分析を組み合わせる。
常见误区（よくある誤解）
- 「不正防止＝すべての怪しい注文をブロック」
→ 誤り。正規顧客をブロックすると売上損失とブランド毀損につながります。精度と再現率のバランスが本質です。
- 「3Dセキュアを入れれば不正はゼロになる」
→ 誤り。3Dセキュアはチャージバック責任を軽減しますが、不正自体を完全には防げません。他の対策との併用が必須です。
- 「機械学習を入れれば自動で解決」
→ 誤り。学習データの品質管理、定期的なモデル再学習、人間による例外対応が不可欠です。
- 「チャージバック率が低ければOK」
→ 誤り。ブロックしすぎて機会損失が増えていないか、承認率（Approval Rate）も合わせて監視すべきです。
関連用語
- Chargeback（チャージバック）：顧客がカード会社に異議申し立てを行い、代金が返金される仕組み。
- 3D Secure（3Dセキュア）：本人認証による不正防止規格。EMV 3-D Secureが最新版。
- KYC（Know Your Customer）：顧客本人確認。不正防止とAML（マネーロンダリング対策）の基盤。
- Device Fingerprinting（デバイス指紋）：端末情報から同一性を判定する技術。
- Velocity Check（ベロシティチェック）：短時間に同一カード・IPで多数の取引がないか監視。
- False Positive（誤検知）：正規取引を不正と判定してしまうこと。ECでは最大のリスク要因の一つ。
不正防止は、「守り」と「攻め」のバランスがすべてです。ルールとMLを組み合わせ、データを継続的に改善しながら、顧客体験を損なわずに損失を最小化する——それがDTC/ECにおけるFraud Preventionの本質です。