近日,全球领先的反欺诈解决方案供应商Riskified(睿思飞)宣布,与中国出海品牌领军企业安克创新达成合作。自2021年起,Riskified为安克创新全球品牌官网旗下的销售系统提供基于“拒付包赔”的反欺诈解决方案服务。通过与Riskified的合作,将Riskified的全自动反欺诈平台在旗下近20个站点应用,安克创新能更好地满足不同地区的用户需求,从而更专注于自身业务的商业运营进而实现收益最大化。
安克创新成立于2011年,是国内营收规模最大的全球化消费电子品牌企业之一,专注于智能配件和智能硬件的设计、研发和销售。凭借产品上的研发和创新,以及坚持为用户提供更好的服务,安克创新的产品在全球100多个国家和地区畅销并占据行业领先的份额,拥有超过8000万忠实用户。2020年8月,安克创新在创业板上市,市值最高达800亿元。
为了更好地满足海外市场的用户需求,安克创新在持续打造基于全球品牌官网的产品销售体系。目前安克创新的品牌官网支持全球近200个国家访问,在近20个站点开放产品销售服务,并吸引了超过1000万会员。由于海外支付环境复杂,反欺诈是电商平台在海外开展业务时必须要面对的挑战。在与Riskified合作之前,安克创新所采用的保守型验证风控解决方案,由于付款所需的操作步骤多、支付风险大等因素造成了较高的弃单率。在2021年与Riskified建立合作后的三个月内,安克创新在欧洲和美国站点的订单批准率得到显著提升。
对此,安克创新相关负责人Alex表示:“自安克创新建设官网销售系统以来,一致在寻求更好的提升订单转化率、降低弃单率的解决方案。在启动与Riskified的合作后,我们看到了较为显著的成果,公司也得以将更多的精力投入到为消费者带来更多创新产品体验和服务上。”
Riskified于2013年首创的“拒付包赔”解决方案,是利用机器学习模型、弹性数据链和行为分析等方法对提交的订单进行分析,从而给商户做出“批准”或“拒绝”的决策建议。如果通过Riskified批准的订单出现了欺诈行为,Riskified将会承担该笔欺诈交易带来的全额损失。通过这种“拒付包赔”的风控合作模式,商户可以降低欺诈风险、减少风控成本,提高销量,从而减少持续拓展国际业务版图的后顾之忧。
Riskified在进入中国之前已经与旅游、时尚、家居等领域的众多中国商户建立了合作,非常了解中国跨境电商品牌出海所面临的反欺诈挑战。Riskified于2020年正式宣布进入中国市场,并组建了包括集成工程师、业务拓展、客户经理、销售以及营销人员在内的专业团队,希望在帮助客户反欺诈和扩大营收的基础上,为中国商户带来更好的客户体验。
“安克创新是中国优秀的全球化消费电子品牌企业标杆,其2020年营收超过了90亿元,他们选择与Riskified这样拥有全球化视野的反欺诈服务商合作,彰显了其持续开展全球化业务和为用户提供更好服务的实力和决心。”Riskified首席运营官兼中国业务负责人Naama Ofek-Arad表示。“通过使用Riskified全自动反欺诈平台,短短三个月内,帮Anker挽回了数百万的销售额。我们与Anker的成功合作,展示了Riskified为中国跨境电商商户提供提高公司盈利、增强风险管理,以及优化客户体验的反欺诈解决方案的实力,是Riskified进一步拓展和深耕中国市场又一例证。”
了解更多信息,请访问 https://www.riskified.com
---
关于Riskified
Riskified赋能电商行业发掘其全部潜能,为全球电商商家提供安全、便捷,且无摩擦的服务。我们已搭建了属于未来的下一代平台,助力电商商家建立可信赖的消费者关系。得益于先进的机器学习技术和庞大的全球商家网络,我们的平台可以从每笔交易中精准识别出背后的下单者,帮助商家降低风险,减少业务中的不确定性。与商家和我们合作前的表现相比,我们已经为他们带来了更高的销量,更少的欺诈,更低的运营成本以及更好的消费者体验。
更多信息,请访问Riskified官方网站:http://www.riskified.com
关于安克创新
安克创新是知名全球化消费电子品牌企业,拥有Anker/eufy/Soundcore等3个年销售超20亿的自主品牌,旗下Anker品牌连续5年位居中国全球化品牌前列,eufy和Soundcore品牌也分别在智能家居和安防、无线音频行业获得领先的市场份额,在全球100多个国家和地区拥有超过8000万忠实用户。
公司成立10年以来,持续实现了稳健的经营和增长,其中2020年营收93.53亿元,净利润8.56亿元,98%以上业务来自海外发达国家和新兴市场,线上是Amazon全球最大第三方品牌卖家之一,线下覆盖全球100多个国家和地区的大型商超和代理。
更多信息,请访问安克创新官方网站:https://www.anker-in.com
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。