تحلیل مدیریت تقلب وندورها در فیچر Pickup: تعادل بین دسترسی و سودآوری

در دنیای پرشتاب Quick Commerce، سرعت همه‌چیز است. ما با هدفِ ساده‌تر کردنِ زندگیِ مشتریان، فیچر «Pickup» را طراحی کردیم؛ رویایی که قرار بود لجستیک را بهینه‌تر کند. اما گاهی، نوآوری‌های ما، ناخواسته راه را برای سوءاستفاده باز می‌کنند. این داستانِ ماست: روایتی از یک چالشِ بزرگ، تحلیلِ داده‌محور و بازگشت به مسیرِ رشدِ واقعی.

ما در این مسیر با یک چالش عملیاتی در مقیاس بزرگ روبرو بودیم:

• صنعت: تجارت الکترونیک سریع (Quick Commerce)
• مدل کسب‌وکار: مارکت‌پلیس (با قابلیت Pickup)
• مرحله رشد: بهینه‌سازی عملیاتی
• هدف: به حداقل رساندن رفتارهای متقلبانه بدون آسیب به عرضه‌کنندگان قانونی.
• شاخص‌های کلیدی (KPI): نرخ تقلب (Cost/NMV) و نرخ مشارکت وندورها.
• مسئله اصلی: سوءاستفاده وندورها از منطقِ فیچر Pickup برای باد کردن مصنوعیِ حجم سفارش‌ها.

ایده اولیه ساده و جذاب بود: مشتری سفارش می‌دهد و خودش برای تحویلِ کالا به فروشگاه مراجعه می‌کند. این مدل هزینه‌های لجستیکِ ما را به شدت کاهش می‌داد. اما پشتِ این ظاهرِ جذاب، یک حفره پنهان بود. برخی وندورها با ثبت تراکنش‌های صوری (Self-Ordering)، نه تنها از پروموشن‌های ما استفاده می‌کردند، بلکه رتبه‌ی خود را در پلتفرم به شکل کاذب بالا می‌بردند. این یعنی ما داشتیم هزینه‌ی تقلبِ آن‌ها را از جیبِ سودآوری واحد (Unit Economics) خودمان پرداخت می‌کردیم.

ما بر سر یک دوراهیِ کلاسیک بودیم: چگونه می‌توانیم شتابِ خیره‌کننده‌ی «سفارش‌های Pickup» را حفظ کنیم، در حالی که نرخ تقلب را به پایین‌ترین سطح ممکن برسانیم؟ هدف ما «رشدِ باکیفیت» بود، نه صرفاً «رشدِ حجمی».

زنگ خطر زمانی به صدا درآمد که نسبتِ «هزینه پروموشن به خالص ارزش کالا» (Cost/NMV) در سگمنت Pickup به شکل غیرعادی جهش کرد. تحلیل‌های اولیه نشان داد که این رشد، ارگانیک نیست؛ بلکه دستِ پنهانِ برخی وندورهای خاص در کار است که با دستکاریِ تراکنش‌ها، سیستم را به بازی گرفته بودند.

ما با یک معمای استراتژیک روبرو بودیم: چگونه می‌توانیم ترمزِ متقلبان را بکشیم بدون اینکه موتورِ محرکِ کلِ سیستم Pickup را خاموش کنیم؟ چگونه می‌توانیم امنیت را برقرار کنیم بدون اینکه برای وندورهای صادق و مشتریان وفادارمان اصطکاک ایجاد کنیم؟

ما سه ریشه‌ی اصلی را برای این مشکل شناسایی کردیم:

• الگوی رفتاری: سفارش‌های متوالی با مکان، زمان و حساب‌های کاربری یکسان، امضایِ تقلب بود.
• ناهماهنگی مشوق‌ها: ساختار پروموشن‌های ما چنان بود که سودِ حاصل از تقلب، بسیار بیشتر از هزینه‌ی آن برای وندور بود.
• شکاف نظارتی: عدم وجودِ یک سیستمِ هشدارهای لحظه‌ای (Real-time Alerting) باعث شده بود Outlierها شناسایی نشوند.

تیمِ ما وارد فاز «کارآگاهی» شد. ما با استفاده از آنومالی‌دیتکشن (Anomaly Detection)، وندورهایی را که رشدِ غیرمنطقی داشتند، جدا کردیم. تحلیل دقیقِ زیان‌های وارد شده از طریق سفارش‌هایی با نرخ بازگشتِ پایین یا خریدارانِ مشکوک، پرده از عمقِ فاجعه برداشت. ما دقیقاً می‌دیدیم که کدام وندورها در حال خالی کردنِ بودجه‌یِ پروموشنِ ما هستند.

ما به یک حقیقتِ تلخ رسیدیم: تقلب یک اتفاقِ گذرا نیست، بلکه «هزینه جانبیِ رشد» است. اگر به حالِ خود رها شود، تبدیل به فرهنگِ غالبِ وندورها می‌شود. ما متوجه شدیم که مشکل صرفاً فنی نیست؛ بلکه «جذابیتِ مالیِ تقلب» از «هزینه مجازاتِ تقلب» فراتر رفته بود.

ما دست به تغییرات زیرساختی زدیم:

1. سیاست بازدارندگی: اجرای محدودیت‌های خودکار برای وندورهای مشکوک؛ حالا دسترسی آن‌ها به پروموشن‌های جذاب، مشروط به اثباتِ حسن‌نیت شد.
2. مهندسی دوباره مشوق‌ها: مدل پاداش‌دهی را تغییر دادیم تا برای تراکنش‌های مشکوک یا سفارش‌های کوچکِ تکراری، هیچ صرفه‌ی اقتصادی وجود نداشته باشد.
3. استقرار نظارت هوشمند: یک سیستمِ مانیتورینگِ دائم ایجاد کردیم که به محض مشاهده رفتارِ غیرطبیعی، وندور را از لیست پیشنهادها حذف می‌کرد.

ما آموختیم که یک پلتفرمِ موفق، بدونِ نظارتِ دقیق، خیلی زود به بهشتِ متقلبین تبدیل می‌شود. اعتمادِ ما به وندورها ارزشمند است، اما «اعتمادِ داده‌محور» تنها راهِ بقاست.

• درس اول: رشدِ حجمی اهمیت دارد، اما نه به قیمتِ تخریبِ زیرساخت‌های اقتصادیِ پلتفرم.
• درس دوم: هر تومان تقلب، مستقیماً از جیبِ وندورهای صادق و بودجه‌یِ توسعه‌ی ما کسر می‌شود؛ بنابراین، برخورد با تقلب، خود نوعی «سرمایه‌گذاری در رشد» است.