2017/05/08 Oracle Code 2017 でのプレセンテーション資料

1. 不正/正当取引の予測に機械学習モデルを活用！
デジタルビジネスを加速する決済プラットフォーム
Stripe
ストライプジャパン株式会社
エバンジェリスト
小島 英揮
hideki@stripe.com
O R A C L E C O D E T O K Y O

2. 広がり続ける、
インターネットのGDP

3. 3

4. オンライン決済をバックエンドに使った、店頭、屋外で
のキャッシュレス環境も拡大
https://speakerdeck.com/chocota/stores-dot-jpnistripewodao-ru-sitemite

5. オンライン決済を導入するメリット
・バックオフィス業務がシンプルに
・サブスクリプションビジネスにもマッチ
・与信業務からの解放 => 取引き実績のない顧客にも対応 ＋ 少額ビジネスにも対応
・代金回収にかかる労力が不要 => 拡販に専念
・入金が早い => キャッシュフローが改善
ビジネスの拡大と、業務効率を両立

6. クレジットカード情報を事業者が自社で持つのは大変
https://scan.netsecurity.ne.jp/article/2014/08/04/34618.html
https://netshop.impress.co.jp/node/4047

7. Payment Platformを利用することで、
セキュリティと利便性を向上

8. 決済代行サービス
審査
加盟店契約
Visa、MasterCard
カード発行会社
PCI監査
レポート
JCB、アメリカンエキスプレスなど
海外展開とコンプライアンス遵守
Seller
Stripe以前の決済フロー

9. Seller
決済代行サービス
審査
加盟店契約
Visa、MasterCard
カード発行会社
PCI監査
レポート
JCB、アメリカンエキスプレスなど
海外展開とコンプライアンス遵守
Stripe
Stripeの支払いフロー

10. 10
require "stripe"
Stripe.api_key = "BQokikJOvBiI2HlWgH4olfQ2"
Stripe::Charge.create(
=> 400,
=> "usd",
=> {
=> "4242424242424242",
=> 9,
=> 2016,
=> "314"
},
=> "Example charge"
)
オンライン決済構築に必要
な機能をAPIで提供

11. 2011年 720$450M
何百億ドル 70%1
/2

13. もう一つ重要な対策：
不正利用対策

14. トレードオフの関係：偽陰性と偽陽性
偽陰性：不審請求の申請発生以前に防げなかった、
特定できなかった不正使用
偽陽性：正当な取引を不正使用検出システムが不正
使用と判断してブロック

15. ルールベースの終わり：不正利用検知の難しさ
不正利用パターンの変化：日々巧妙化する不正使用
の手口への対応
継続的なラベリング：不正と思った取引が、本当に
不正だったかを確認する作業

16. 機械学習の活用
人力での対応では限界

17. 機械学習の活用

18. 機械学習のメリット
・変化する状況、継続する状況に対処しやすい
・継続して利用することで、精度が向上
・データ処理が増えてもスケーラブルに対応
・人的リソースの消耗を防ぐ

19. Radar：Stripe を経由するトラフィックから
・ユーザのカード利用頻度
・ユーザの期待される行動、通常の行動、異常な行動
・取引などを行なっている IP アドレス
等を機械学習することで、不正利用である可能性を判断
https://thinkit.co.jp/article/11734

20. Radar：適正値に向けて学び続ける

21. Radar：ツールキットの提供により、自社のワークフロー
に、この機械学習ツールをカスタマイズして導入可能

23. Radar利用のメリット
・変化する状況、継続する状況に対処しやすい
・継続して利用することで、精度が向上
・データ処理が増えてもスケーラブルに対応
・人的リソースの消耗を防ぐ
・Stripeを経由する多くの決済取引を学習データに活用
・自社ワークフローへのカスタマイズが可能

24. 機械学習のパワーを、自社利益に直結するエリアで活用

25. You can start today with our API and Community!!
https://stripe.com/jp
#JP_Stripe