Menyiapkan pencegahan kehilangan

Penting

Mulai 3 Februari 2025, Dynamics 365 Fraud Protection tidak lagi tersedia untuk dibeli. Dukungan untuk Perlindungan Penipuan akan berakhir pada 3 Februari 2026. Untuk informasi lebih lanjut, lihat artikel Penghentian dukungan untuk Dynamics 365 Fraud Protection.

Kemampuan pencegahan kerugian dalam Perlindungan Penipuan Microsoft Dynamics 365 menggunakan kecerdasan buatan adaptif (AI) untuk menghasilkan skor risiko, dan untuk mengidentifikasi anomali dan pola data dalam data transaksi historis. Anda kemudian dapat menggunakan skor risiko, anomali, dan pola ini untuk menghasilkan laporan yang memberikan analisis tren terperinci, berdasarkan tingkat pengembalian, tingkat diskon, dan indikator performa utama (KPI) lainnya yang mungkin menunjukkan penipuan di toko.

Mengidentifikasi aktivitas penipuan

Kemampuan pencegahan kerugian dirancang untuk membantu analis pencegahan kehilangan, manajer toko, dan penyelidik pencegahan kerugian mengidentifikasi aktivitas penipuan yang biasanya melibatkan diskon, pengembalian, penggantian harga, transaksi yang dibatalkan, penukaran kartu hadiah, dan sebagainya, bahwa karyawan secara tidak benar menerapkan pada terminal point of sale (POS).

Pencegahan kehilangan didasarkan pada deteksi anomali yang mencari pola dalam data POS yang diserap ke dalam sistem. Ini mengidentifikasi outlier melalui pembelajaran mesin (ML) tanpa pengawasan, dan menyediakan daftar terminal anomali, aktor anomali, dan produk anomali. Manajer toko, analis pencegahan kehilangan, dan penyelidik penipuan pencegahan kehilangan kemudian dapat menggunakan daftar ini untuk fokus pada area tertentu yang mungkin mewakili penipuan.

Pencegahan kehilangan dapat membantu Anda menurunkan biaya dan kompleksitas yang terkait dengan proses pengambilan data dalam jumlah besar, menganalisisnya untuk pola penipuan, dan mendapatkan wawasan yang dapat ditindak lanjuti darinya. Oleh karena itu, Anda dapat dengan cepat mengidentifikasi area risiko Anda, seperti toko, terminal, shift, dan/atau karyawan mana yang mungkin menyalahgunakan kebijakan pengembalian dan diskon Anda.

Tujuan untuk dokumen ini

Tujuan dokumen ini adalah untuk memandu Anda melalui aktivitas berikut:

• Langkah 1: Siapkan data historis Anda. Aktivitas ini juga dikenal sebagai pemetaan data .
• Langkah 2: Unggah data dan hasilkan laporan pencegahan kehilangan.
• Langkah 3: Menganalisis data dalam laporan pencegahan kehilangan.

Setelah Anda menyelesaikan langkah-langkah ini di sistem Anda sendiri dengan menggunakan data Anda sendiri, Anda akan memiliki: laporan pencegahan kehilangan yang dapat ditindaklanjuti. Anda juga akan dapat menjalankan laporan pencegahan kehilangan secara teratur.

Prasyarat

Sebelum memulai tugas dalam dokumen ini, Anda harus:

• Siapkan Perlindungan Penipuan di Tenant Microsoft Entra.

Langkah 1: Siapkan data historis Anda (pemetaan data)

Ketika Perlindungan Penipuan menilai transaksi untuk potensi penipuan pembelian, ia menggunakan kombinasi AI, ML, dan konsorsium data. Sejumlah besar data mendukung model yang digunakan untuk penilaian. Setiap data yang ditransmisikan ke dalam sistem untuk penilaian atau pembelajaran sistem harus sesuai dengan skema yang telah ditentukan sebelumnya. Di dunia AI dan ML, umumnya dipahami bahwa kualitas data yang digunakan model memengaruhi kualitas hasil.

Pemetaan data adalah proses yang membantu memastikan bahwa nilai yang benar ditetapkan ke bidang skema yang benar, dan bahwa sistem perdagangan Anda terintegrasi dengan benar dengan Perlindungan Penipuan. Untuk informasi selengkapnya tentang skema, lihat skema data untuk pencegahan kehilangan.

Panduan skema untuk unggahan data

• Berkas berada dalam format CSV UTF-8 (dipisahkan dengan koma, titik koma, atau tab) (*.csv atau *.tsv).
• Ukuran file maksimum adalah 10 gigabyte (GB).
• Karakter berikut diloloskan di semua kolom: koma/titik koma, karakter baris baru, dan karakter multibaris.
• Kolom 'datetime' dalam format ISO 8601. Misalnya, dalam C# DateTime.UtcNow.ToString("o") akan memiliki format "2019-03-14T20:18:11.254Z".
• Presisi kolom 'double' (desimal) adalah dua tempat desimal.

Untuk informasi selengkapnya tentang skema yang dapat Anda gunakan untuk menghasilkan model dan menentukan penilaian risiko, lihat skema data untuk pencegahan kehilangan.

Entitas data yang diperlukan untuk pemetaan data

Karena kemampuan pencegahan kehilangan mengidentifikasi anomali dan pola yang mungkin menunjukkan penipuan di toko, model ML memerlukan data dari empat entitas untuk mencari anomali:

• Transaksi
• Penjualan
• Pembayaran
• Metode Pembayaran

Untuk informasi terperinci tentang skema yang menentukan data yang digunakan untuk menghasilkan model dan menentukan penilaian risiko, lihat skema data untuk pencegahan kehilangan. Meskipun semua bidang data penting, Anda dapat memulai dengan lebih sedikit bidang wajib dan kemudian onboarding bidang tambahan dari waktu ke waktu untuk meningkatkan output model.

Penting

Data yang digunakan untuk menganalisis kehilangan sensitif, dan Anda harus berhati-hati untuk mengunggahnya hanya dari lokasi jaringan yang aman. Ketahuilah bahwa Microsoft hanya meminta data parsial tentang instrumen pembayaran (nomor identifikasi bank [BIN] dan empat digit terakhir). Kami tidak meminta nomor instrumen pembayaran lengkap atau nomor Jaminan Sosial (SSN). Oleh karena itu, jangan sertakan jenis data ini dalam file yang Anda unggah. Untuk informasi selengkapnya tentang cara data digunakan dan dilindungi dalam Perlindungan Penipuan, lihat Keamanan, kepatuhan, dan permintaan subjek data.

Apa yang harus dilakukan jika Anda tidak dapat memetakan semua data Anda

Perlindungan Penipuan menggunakan sekumpulan entitas data yang luas, dan terkadang data mungkin hilang, atau kadang tidak dapat dipetakan dengan jelas ke sebuah bidang. Microsoft telah menemukan bahwa faktor-faktor berikut dapat menyebabkan masalah kualitas data:

• Atribut tidak tersedia.
• Atribut tersedia, tetapi tidak diatur atau salah diatur.
• Skema salah ditafsirkan.
• Data salah, dan/atau nilai enumerasi salah.
• Ada ketidakcocokan pada atribut yang sama.
• Ada masalah enkripsi data.

Microsoft mendorong Anda untuk mencoba memetakan bidang data sebanyak mungkin. Namun, ingatlah poin-poin berikut jika beberapa bidang tidak dapat dipetakan:

• Anda dapat mengulangi unggahan data sesuai kebutuhan untuk meningkatkan informasi yang dapat diakses sistem.
• Agar berhasil membuat laporan untuk tujuan analisis, Anda harus memiliki setidaknya satu bulan data transaksi.

Menyambungkan, memutuskan, dan menyambungkan kembali ke Perlindungan Penipuan

Ada dua cara untuk mengunggah data historis ke Perlindungan Penipuan untuk pencegahan kehilangan:

• Gunakan Konektor D365 untuk menyambungkan ke sistem Dynamics 365 Commerce dan mengunggah data secara langsung.
• Unggah file data dalam format CSV.

Pilih metode koneksi data yang sesuai untuk situasi Anda.

Untuk menyambungkan pencegahan kehilangan ke Perdagangan, Anda harus menyelesaikan serangkaian aktivitas penyiapan yang dilakukan sekali saja. Setelah aktivitas ini selesai, Anda dapat dengan mudah memutuskan dan menyambungkan kembali sistem. Untuk informasi selengkapnya, lihat Menghubungkan pencegahan kehilangan ke data dari Commerce.

Untuk menghubungkan data ritel Anda ke Perlindungan Penipuan, pastikan Anda memiliki ketiga prasyarat berikut:

• Akses ke data lake ritel.
• Akses ke lingkungan keuangan dan operasi Anda.
• Lisensi Perlindungan Penipuan (langganan uji coba atau diaktifkan).

Menyambungkan pencegahan kerugian dengan data dari perdagangan

1. Dalam Commerce, buka dasbor dan masukkan Sistem Parameter di bidang pencarian di bagian atas halaman.
2. Pada halaman Parameter Sistem, pilih tab Koneksi Data.
3. Setel opsi Aktifkan integrasi Data Lake ke Ya.
4. Simpan detail data lake (nilai dari bidang nama DNS ). Anda akan memerlukan informasi ini untuk terhubung kembali jika integrasi data lake pernah terputus.

5. Kembali ke dasbor dan masukkan Penyimpanan Entitas pada bidang pencarian di bagian atas halaman.

   (Penyimpanan entitas adalah kumpulan tabel/tampilan yang memiliki data ritel dalam bentuk mentah atau agregat.)

6. Di toko entitas, masukkan RetailSales di bidang pencarian.

7. Di bawah opsi Refresh , atur opsi Penyegaran otomatis diaktifkan ke Ya.

   Refresh otomatis secara bertahap menambahkan data terbaru dari perangkat POS ke data lake ritel.

8. Kembali ke dasbor dan pilih petak manajemen fitur.

9. Di ruang kerja manajemen fitur , temukan fitur Dynamics 365 Fraud Protection (DFP) Pencegahan Kehilangan, dan aktifkan.

10. Daftarkan ID aplikasi Perlindungan Penipuan di dasbor:

    1. Buka halaman aplikasi Microsoft Entra .

    2. Buat entri untuk ID aplikasi pihak pertama untuk Perlindungan Penipuan. (Misalnya, bf04bdab-e06f44f3-9821-d3af64fc93a9.)

    3. Di kolom ID Pengguna, pilih RetailServiceAccount.

    Pengaturan ini mengotorisasi Perlindungan dari Penipuan untuk mengakses data dari danau data.

11. Buka portal Perlindungan Penipuan dan hubungkan lingkungan Keuangan dan Operasi Anda ke lingkungan Perlindungan Penipuan Anda dengan menggunakan URL untuk lingkungan Perdagangan Anda.

    Dalam cuplikan layar berikut, koneksi berhasil, dan proses sinkronisasi untuk memperoleh data dari Perdagangan dan menghasilkan laporan pencegahan kerugian telah dimulai.

Putuskan sambungan dari dan sambungkan kembali ke Perdagangan

Setelah membuat koneksi awal antara Perdagangan dan Perlindungan Penipuan, Anda dapat dengan mudah memutuskan dan menyambungkan kembali.

Putuskan sambungan dari Perdagangan

1. Pilih tiga titik di sudut kanan atas panel koneksi Dynamics 365 Commerce, lalu pilih Putuskan sambungan.

2. Pilih Lanjutkan untuk memutuskan sambungan.

   Data lake yang awalnya terhubung ke kemampuan pencegahan kehilangan Perlindungan Penipuan ini terputus.

Sambungkan kembali ke Perdagangan

1. Pilih Sambungkan ke data.
2. Masukkan detail yang dibuat untuk lingkungan Perdagangan (data lake) selama penyiapan awal. (Lihat langkah 4 di bagian Menyambungkan pencegahan kehilangan ke data dari Perdagangan sebelumnya dalam dokumen ini.)
3. Pilih Sambungkan.

Ketika koneksi berhasil, proses sinkronisasi untuk memperoleh data dan memperbarui laporan segera dimulai lagi.

Langkah 2: Mengunggah data dan membuat laporan pencegahan kehilangan

Saat Anda masuk ke portal Perlindungan Penipuan, jika pencegahan kehilangan muncul di panel navigasi kiri, artinya kemampuan pencegahan kehilangan diaktifkan.

Portal

1. Di navigasi kiri, pilih Pencegahan kehilangan, lalu pilih Buka Pengunggahan Data.

2. Pilih tab Pencegahan Kehilangan, lalu pilih tombol Pencegahan Kehilangan.

   Kemampuan pencegahan kerugian secara khusus berfokus pada analisis kerugian yang terkait dengan pengembalian dan diskon. Ini membutuhkan empat jenis himpunan data dari terminal penjualan:

   • Transaksi
   • Penjualan
   • Pembayaran
   • Metode pembayaran

   Nota

   Data harus dalam format .CVS dan harus mengikuti skema yang disediakan dalam Skema data untuk pencegahan kehilangan.

3. Untuk mengunggah file data Anda:

   1. Di navigasi kiri, pilih Data, pilih Pengunggahan data, lalu pilih Pencegahan kehilangan.

   2. Pilih Pilih sumber data, pilih jenis file yang ingin Anda unggah (file .csv atau .tst), lalu pilih Telusuri.

   3. Pilih file yang ingin Anda unggah, pilih Buka, lalu pilih Berikutnya.

      Halaman Upload Data > Pembayaran menampilkan pratinjau data Anda.

   4. Di navigasi atas, pilih Simpan dan tutup.

   5. Ulangi langkah 2 hingga 4 untuk mengunggah keempat jenis data.

4. Setelah Anda mengunggah semua file data, pilih Memproses data pencegahan kehilangan.

   Perlindungan Penipuan mulai memproses data Anda dan membuat laporan pencegahan kerugian.

5. Di menu sebelah kiri, pilih Pencegahan Kehilangan untuk melihat status laporan pencegahan kehilangan Anda.

   Nota

   Biasanya, pencegahan kehilangan membutuhkan waktu sekitar 30 hingga 60 menit untuk menghasilkan paket laporan. Namun, lamanya waktu aktual tergantung pada jumlah data yang disediakan.

6. Laporan Anda ditampilkan di halaman pencegahan kehilangan . Untuk mengunduh salinan, pilih Unduh laporan.

Langkah 3: Menganalisis data dalam laporan pencegahan kehilangan

Saat Perlindungan Penipuan memiliki sumber data, Anda dapat menghasilkan laporan pencegahan kehilangan sesuai kebutuhan. Bergantung pada bagaimana Anda mengonfigurasi lingkungan, Anda dapat membuat laporan dari koneksi langsung ke sistem Perdagangan atau dari file data yang diunggah.

Pada langkah sebelumnya, Anda menjalankan laporan pencegahan kehilangan pertama Anda. Dalam langkah ini, Anda menggunakan temuan pada laporan untuk mengidentifikasi anomali pengembalian dan diskon, lalu menjalankan laporan pencegahan kehilangan tambahan saat data baru tersedia.

Anda dapat meninjau informasi berikut dalam laporan yang ditampilkan di halaman pencegahan kehilangan.

Peluang pendapatan berdasarkan data staf

Dalam cuplikan layar berikut, Anda dapat meninjau informasi berdasarkan skor risiko 560 ke atas.

Anda dapat mengatur rentang bulan yang ingin Anda menganalisis datanya di bidang rentang Bulan . Anda dapat mengatur rentang skor risiko di bidang rentang skor risiko.

• Untuk melihat rentang penuh distribusi skor risiko, atur nilai "dari" ke 0 (nol) dan nilai "ke" ke 999.
• Untuk menelusuri lebih dalam kemungkinan aktivitas penipuan, jaga agar rentang skor tetap tinggi.

Dalam bidang rentang skor risiko , Anda dapat mengatur rentang skor risiko.

• Untuk menelusuri lebih dalam kemungkinan aktivitas penipuan, sesuaikan nilai rentang skor Risiko bidang sehingga hanya mencakup rentang skor tinggi, misalnya, 900 hingga 999.

Peluang Pendapatan berdasarkan panel data staf memberikan ringkasan jumlah total dalam dolar dari potensi penipuan dalam pengembalian dan diskon yang telah terdeteksi oleh Perlindungan Penipuan, dan yang dapat meningkatkan pendapatan secara keseluruhan.

Bagan Jumlah staf dan terminal Anomali menurut bulan dan kelompok skor menunjukkan distribusi anomali staf dan anomali terminal per bulan selama rentang bulan yang Anda pilih di bidang Rentang Bulan pada bagian atas halaman.

Peluang pendapatan berdasarkan data terminal

Dalam cuplikan layar berikut, Anda dapat meninjau informasi berdasarkan skor risiko 760 ke atas.

Peluang pendapatan berdasarkan data terminal memberikan ringkasan pengembalian, diskon, dan total.

Jumlah terminal anomali berdasarkan bulan dan kategori skor menunjukkan jumlah bulanan terminal yang sangat mungkin dan tidak mungkin terlibat dalam penipuan.

Jika Anda ingin lebih memahami cara kerja terminal tertentu, alat yang berguna adalah analisis tren yang membandingkan skor terminal tertentu dengan skor seluruh populasi.

Saat Anda mengarahkan mouse ke atas titik data tertentu dalam bagan, skor risiko terminal dan skor risiko rata-rata seluruh populasi ditampilkan. Dalam contoh berikut, pola sawtooth adalah representasi yang baik dari fakta bahwa terminal ini telah bergerak bolak-balik dalam hal perilaku anomali.

Model ini menggunakan lima atau enam peristiwa default untuk menghasilkan skor risiko. Ini mempertimbangkan rasio pengembalian, yang merupakan jumlah total pengembalian yang telah dimulai karyawan di terminal tertentu, dibagi dengan jumlah total penjualan di terminal tersebut selama periode tertentu. Ini juga mempertimbangkan rasio cash-to-card dan jumlah pembelian diskon karyawan di mana beberapa kartu pembayaran digunakan. Akhirnya, ia mempertimbangkan rasio pengembalian tanpa tanda terima dibandingkan dengan pengembalian dengan tanda terima, dan jumlah barang yang seharusnya didiskon namun dijual tanpa diskon.

Staf berisiko teratas

• Untuk melihat data tentang staf risiko teratas, pilih tab Staf .

Tangkapan layar berikut menunjukkan informasi yang mencakup staf yang berada pada atau melebihi ambang batas 560 selama setidaknya satu bulan. Himpunan data diurutkan untuk menampilkan staf, berdasarkan skor risiko yang telah dihasilkan model.

Bagian Ringkasan data menyediakan ringkasan penilaian staf. Ini menunjukkan jumlah total ID staf unik, jumlah skor (berapa kali staf unik anomali selama periode data pelaporan), dan skor risiko rata-rata pada skala 0 (nol) hingga 999.

• Untuk mencari data yang terkait dengan anggota staf tertentu, masukkan ID staf di bidang pencarian.

Kisi staf risiko teratas mencantumkan semua ID staf yang telah dianalisis oleh model. Daftar diurutkan dalam urutan skor risiko menurun (yaitu, anggota staf berisiko tertinggi muncul di bagian atas daftar). Kisi juga menunjukkan skor rata-rata untuk setiap anggota staf dan berapa kali setiap anggota staf dianggap anomali selama periode data penuh yang dinilai untuk laporan tersebut.

Jumlah skor menunjukkan jumlah bulan mereka berada di atas ambang batas. Misalnya, jika data selama 12 bulan digunakan untuk menghasilkan laporan, nilai hitungan Skor sebesar 3 untuk seorang anggota staf menunjukkan bahwa anggota staf tersebut dianggap anomali selama tiga dari 12 bulan tersebut.

• Untuk melihat detail selengkapnya tentang anggota staf tertentu, pilih ID di kolom ID Staf .

Ringkasan skor risiko staf

• Untuk melihat skor risiko staf tertentu, pilih ID Staf .

Tangkapan layar berikut menunjukkan informasi yang mencakup staf yang berada pada atau melebihi ambang batas 560 selama setidaknya satu bulan. Himpunan data diurutkan untuk menampilkan staf, berdasarkan skor risiko yang telah dihasilkan model.

• Dalam bidang rentang Bulan , atur rentang bulan yang ingin Anda analisis datanya.
• Atur rentang skor risiko di kolom rentang skor risiko . Untuk menelusuri lebih dalam kemungkinan aktivitas penipuan, jaga agar rentang skor tetap tinggi.

Bagan skor Risiko per bulan menunjukkan kemungkinan bahwa kejadian yang terkait dengan staf bersifat penipuan. Skor risiko berkisar antara 0-559 tidak mungkin penipuan dan 560-999 sangat mungkin penipuan. Bagan menunjukkan skor risiko yang terkait dengan anggota staf yang dipilih dibandingkan dengan skor risiko rata-rata seluruh staf.

Semua alasan yang memengaruhi skor risiko berdasarkan persentil mencantumkan alasan spesifik yang memengaruhi skor risiko, yang diberi peringkat berdasarkan persentil. Persentil yang signifikan disorot dalam tabel.

Detail Alasan

• Untuk meninjau detail alasan dan menganalisis lebih lanjut dampak alasan tersebut pada skor risiko, pilih salah satu dari lima alasan dari daftar drop-down Reason.

Nilai Alasan Per Bulan bagan memperlihatkan detail untuk alasan atau peristiwa yang Anda pilih.

Terminal dengan risiko tertinggi

• Untuk melihat data di terminal risiko teratas, pilih tab Terminal.

Cuplikan layar ini menunjukkan informasi yang mencakup terminal risiko teratas yang berada di atau di atas ambang batas 760 setidaknya selama satu bulan.

• Dalam bidang rentang Bulan , atur rentang bulan yang ingin Anda analisis datanya.
• Atur rentang skor risiko di kolom rentang skor risiko . Untuk menelusuri lebih dalam kemungkinan aktivitas penipuan, jaga agar rentang skor tetap tinggi.

Bagian Ringkasan data menyediakan ringkasan penilaian terminal. Ini menunjukkan jumlah total ID terminal unik yang telah dianalisis model, berapa kali terminal unik anomali selama periode data pelaporan, dan skor risiko rata-rata pada skala 0 (nol) hingga 999.

• Untuk mencari data yang terkait dengan terminal tertentu, masukkan ID terminal di bidang pencarian.

Kisi terminal risiko teratas mencantumkan semua ID terminal. Terminal berisiko tertinggi muncul di bagian atas daftar. Kisi juga menunjukkan skor rata-rata untuk setiap terminal dan berapa kali setiap terminal dianggap anomali selama periode data penuh yang dinilai untuk laporan.

Detail Alasan

• Untuk meninjau detail alasan dan menganalisis lebih lanjut dampak alasan tersebut pada skor risiko, pilih salah satu dari lima alasan dari daftar drop-down Reason.

Nilai Alasan Per Bulan bagan memperlihatkan detail untuk alasan atau peristiwa yang Anda pilih.

Ringkasan skor risiko terminal

Untuk lebih memahami cara kerja terminal tertentu, alat yang berguna adalah analisis tren yang membandingkan skor terminal tertentu dengan skor seluruh populasi. Contoh bagan dalam cuplikan layar berikut menunjukkan variasi skor risiko menurut bulan.

Bagian ringkasan skor risiko Terminal menunjukkan skor maksimum, skor rata-rata, dan berapa kali toko atau terminal tertentu ini mengalami anomali.

Saat Anda mengarahkan mouse ke atas titik data tertentu dalam bagan, skor risiko terminal dan skor risiko rata-rata seluruh populasi ditampilkan. Dalam contoh berikut, pola sawtooth adalah representasi yang baik dari fakta bahwa terminal ini telah bergerak bolak-balik dalam hal perilaku anomali.

Model ini menggunakan lima atau enam peristiwa default untuk menghasilkan skor risiko. Ini mempertimbangkan rasio pengembalian, yang merupakan jumlah total pengembalian yang telah dimulai karyawan di terminal tertentu, dibagi dengan jumlah total penjualan di terminal tersebut selama periode tertentu. Ini juga mempertimbangkan rasio cash-to-card dan jumlah pembelian diskon karyawan di mana beberapa kartu pembayaran digunakan. Akhirnya, ia mempertimbangkan rasio pengembalian tanpa tanda terima dibandingkan dengan pengembalian dengan tanda terima, dan jumlah barang yang seharusnya didiskon namun dijual tanpa diskon.

Ringkasan alasan terminal

Untuk memahami bagaimana setiap peristiwa atau alasan memengaruhi skor risiko, tinjau informasi berikut pada laporan.

alasan terminal

Kisi di bagian Semua alasan yang memengaruhi skor berdasarkan persentil mencantumkan alasan spesifik yang memengaruhi skor risiko, yang diberi peringkat berdasarkan persentil. Persentil yang signifikan disorot.

Di bidang Alasan di bagian detail Alasan, Anda dapat memilih salah satu dari lima alasan dari grid Semua alasan yang memengaruhi skor berdasarkan persentil untuk menganalisis lebih lanjut dampak alasan tersebut pada skor risiko.

Bagan detail Alasan memperlihatkan nilai berdasarkan bulan untuk alasan atau peristiwa yang Anda pilih di bidang Alasan .

Transaksi (enam bulan terakhir)

Bagian Transaksi (enam bulan terakhir) laporan menunjukkan transaksi tertentu yang telah terjadi di terminal selama enam bulan terakhir.

Seperti yang ditunjukkan judul kolom untuk kisi, data dalam kisi mencakup tanggal transaksi sesuai dengan tanda terima, ID transaksi, ID staf, jumlah pembelian, jumlah diskon, jumlah pengembalian, indikasi apakah tanda terima pengembalian ada, metode pembayaran, dan kategori.

Jika seorang anggota staf yang terkait dengan transaksi diidentifikasi sebagai anomali oleh model, tanda peringatan merah muncul di samping ID staf yang bersangkutan di tabel. Tanda kewaspadaan ini mengidentifikasi anggota staf sebagai risiko tinggi.

Catatan untuk pelanggan Commerce saat ini

Jika Anda adalah pelanggan Commerce yang sudah ada, semua bidang wajib memiliki batasan NOT NULL dalam jenis data. Untuk referensi skema, lihat skema data untuk pencegahan kehilangan di Dynamics 365 Fraud Protection. Namun, Anda juga dapat mengonfigurasi Commerce untuk berbagi data secara langsung dengan Perlindungan Penipuan.

Untuk informasi tentang cara mengintegrasikan Commerce dengan Fraud Connection dan menyambungkan ke Fraud Protection, lihat bagian Menghubungkan pencegahan kehilangan ke data dari Commerce sebelumnya dalam dokumen ini. Tidak ada persiapan skema untuk pencegahan kerugian.

Selamat! Anda telah berhasil menyelesaikan pelatihan dan sekarang siap menggunakan uji coba gratis Anda untuk kemampuan pencegahan kehilangan dari Perlindungan Penipuan.

Langkah berikutnya

Untuk informasi tentang cara mengakses dan menggunakan fitur Perlindungan Penipuan, lihat dokumen berikut ini:

• Menyiapkan perlindungan akun pelanggan
• Mengatur perlindungan pembelian