Betrug im Bezahlvorgang bezieht sich auf trügerische oder nicht autorisierte Taktiken, die verwendet werden, um Waren oder Dienstleistungen während des Transaktionsprozesses zu stehlen. Die Erkennung muss vor der Bestellbestätigung erfolgen, was bedeutet, dass das Risiko in Echtzeit mit unvollständigen Daten bewertet werden muss.

Die weltweiten Verluste durch Kartenbetrug beliefen sich 2024 auf insgesamt 33,41 Milliarden US-Dollar, was die Notwendigkeit von Systemen zur Betrugsprävention zeigt. Im Folgenden behandeln wir, wie Betrug im Bezahlvorgang funktioniert, wie Systeme zur Risikobewertung das Risiko zum Zeitpunkt der Zahlung bewerten und wie Sie die Erkennung in Ihren Bezahlvorgang integrieren, ohne die Konversionsraten zu beeinträchtigen.

Das Wichtigste auf einen Blick

• Betrug im Bezahlvorgang zielt speziell auf den Transaktionsmoment ab. Eine Risikobewertung in Echtzeit vor der Autorisierung ist eine effektive Verteidigungslinie.

• Regel-Engines und Modelle für maschinelles Lernen funktionieren am besten in Kombination, wobei Regeln bekannte Betrugsmuster und Modelle neue Muster erkennen.

• Die Reibungskalibrierung – die Anwendung von Verifizierungsschritten nur dort, wo Risikosignale dies rechtfertigen – ist ein wichtiger Bestandteil einer effektiven Betrugsprävention.

Was ist Betrug im Bezahlvorgang?

Betrug im Bezahlvorgang ist die unbefugte oder missbräuchliche Nutzung eines Zahlungsablaufs zum Abschließen von Transaktionen, die der Kontoinhaber/die Kontoinhaberin oder der Karteninhaber/die Karteninhaberin niemals autorisiert hat. Er geschieht in dem Moment, in dem gestohlene Kartendaten, automatisierte Testskripte und kompromittierte Konten im Bezahlvorgang zusammenlaufen.

Was sind die häufigsten Betrugsszenarien im Bezahlvorgang?

Betrug im Bezahlvorgang konzentriert sich auf einige wenige, gut definierte Muster. Jedes hat eine spezifische Verhaltenssignatur in den Transaktionsdaten.

Schwachstellen beim Gast-Bezahlvorgang

Der Gast-Bezahlvorgang entfernt die Konto-Schicht von der Transaktion. Es gibt keine Kaufhistorie, keine gespeicherte Adresse und keine Verhaltensbasis, was es für betrügerische Akteure attraktiv macht.

Legitime Gast-Bezahlvorgänge sehen auf Sitzungsebene tendenziell noch normal aus: Kundinnen und Kunden stöbern, fügen Posten hinzu und verbringen eine angemessene Zeit auf der Seite. Bei betrügerischen Gast-Bezahlvorgängen ist dies oft nicht der Fall: Die Sitzungsdauer ist kurz und die Navigation minimal. Diese Signale allein sind nicht ausschlaggebend, aber in Kombination treiben sie eine Risikobewertung schnell in die Höhe.

Kartentests im Bezahlvorgang

Kartentests sind ein Volumenspiel. Kriminelle, die gestohlene Kartendaten in großen Mengen erwerben, müssen wissen, welche Karten noch aktiv sind, bevor sie sie zu Geld machen können. Bezahlvorgänge, insbesondere solche mit Posten von geringem Wert oder digitalen Gütern, bieten bequeme Testumgebungen.

Die Verhaltenssignatur ist kaum zu übersehen: schnelle aufeinanderfolgende Transaktionsversuche, kleine oder runde Beträge, hohe Ablehnungsraten und eine Sitzungsgeschwindigkeit, die kein Mensch reproduzieren könnte. Moderne Testskripte sind ausgefeilter geworden, indem sie IP-Adressen (Internet Protocol) rotieren und Versuche über längere Zeitfenster verteilen, um unter einfachen Geschwindigkeitsschwellenwerten zu bleiben, weshalb eine mehrschichtige Erkennung wichtig ist.

Kontoübernahme bei der Zahlung

Kontoübernahmebetrug taucht nicht immer bei der Anmeldung auf. Oft tritt er im Bezahlvorgang auf, wenn ein Krimineller, der sich bereits in einem legitimen Konto befindet, Änderungen vornimmt, die nicht zur Kontohistorie passen: eine neue Versandadresse wird hinzugefügt und sofort verwendet, eine Kartennummer wird von einem Gerät eingegeben, das dieses Konto noch nie berührt hat, eine Änderung der Abrechnungsadresse wird mit Expressversand kombiniert. Einzeln betrachtet mag jede dieser Aktionen legitim sein. Zusammen, innerhalb einer einzigen Sitzung, sind sie ein starkes Signal dafür, dass die Person im Bezahlvorgang nicht die Person ist, der das Konto gehört.

Wie funktioniert die Risikobewertung im Bezahlvorgang?

Wenn ein Endkunde/eine Endkundin eine Zahlung einreicht, zieht ein System zur Risikobewertung verfügbare Signale heran und erstellt eine Risikobewertung.

Die Eingaben umfassen typischerweise:

• Signale auf Kartenebene: Bank Identifikationsnummer (BIN), Land, Kartentyp, ob die Karte schon einmal aufgetaucht ist und ob die Abrechnungsadresse mit den bei der ausstellenden Bank hinterlegten Daten über einen Address Verification Service (AVS)-Abgleich übereinstimmt.

• Geräte- und Sitzungssignale: Geräte-Fingerabdruck, Browser-Eigenschaften, IP-Geolokalisierung und ob die IP mit einem bekannten Proxy oder Virtual Private Network (VPN) in Verbindung steht.

• Bestellmerkmale: Art des Postens (digitale Güter weisen tendenziell höhere Betrugsraten auf als physische Güter), Bestellwert im Verhältnis zur Kontohistorie und Übereinstimmung von Versandadresse und Abrechnungsadresse.

• Verhaltenssignale: Verweildauer auf der Seite, Navigationspfad und wie schnell der Endkunde/die Endkundin von der Landingpage zum Bezahlvorgang gewechselt ist.

Wie funktioniert die Betrugserkennung im Bezahlvorgang in Echtzeit?

Die Echtzeit-Erkennung kombiniert Regel-Engines und Verhaltensmodelle, um das Risiko im Moment der Transaktion zu bewerten. Beide Ansätze haben unterschiedliche Stärken.

Regel-Engines

Regeln handhaben deterministische Logik: Wenn eine Transaktion einem bekannten schlechten Muster entspricht, wird sie blockiert. Sie sind schnell und transparent, und Sie können genau sehen, warum eine Transaktion blockiert wurde, was für die Lösung von Streitfällen und die Untersuchung falsch positiver Ergebnisse wichtig ist. Der Kompromiss ist Inflexibilität. Eine Regel, die geschrieben wurde, um ein Betrugsmuster zu erkennen, wird wahrscheinlich keine Variante erkennen, es sei denn, Sie schreiben eine weitere Regel, was bedeutet, dass Regeln eine laufende Wartung erfordern, wenn sich Angriffsmuster ändern.

Modelle für maschinelles Lernen

Modelle für maschinelles Lernen handhaben probabilistische Bewertungen. Sie werten Signalkombinationen anhand von Mustern aus, die aus Millionen früherer Transaktionen gelernt wurden, und weisen eher einen Wahrscheinlichkeitswert als eine binäre Markierung zu. Sie verallgemeinern gut über neue Betrugsmuster hinweg, ohne dass Sie jedes Risikoszenario manuell definieren müssen. Der Kompromiss ist Intransparenz, bei der eine Modellausgabe von „94 % Betrugswahrscheinlichkeit“ eine Interpretation erfordert, die ein regelbasierter Block nicht erfordert.

Verhaltensanalyse

Verhaltenssignale fügen eine Schicht hinzu, die im Allgemeinen schwerer zu fälschen ist als statische Datenpunkte. Copy-and-Paste-Ereignisse in Zahlungsfeldern signalisieren eine automatisierte Eingabe oder Credential Stuffing (bei dem Angreifer gestohlene Anmeldeinformationen aus nicht zusammenhängenden Datenschutzverletzungen verwenden, um Konten zu übernehmen). Ungewöhnlich schnelles Ausfüllen von Formularen, unregelmäßige Mausbewegungen und Tab-Wechsel während des Bezahlvorgangs tragen alle zu einer Risikobewertung bei, die eine Nachahmung menschlicher Interaktion in Echtzeit erfordert, um ihr zu entgehen.

Zusammen erzeugen diese Systeme Risikobewertungen mit ausreichender Auflösung, um differenzierte Entscheidungen zu treffen. Grenzwertige Transaktionen sollten eher zur Überprüfung weitergeleitet als direkt abgelehnt werden.

Wie integrieren Sie die Risikobewertung in Ihren Bezahlvorgang?

Die Integration erfolgt auf der API-Ebene (Application Programming Interface) zwischen der Übermittlung der Zahlung und der Autorisierung. Ihre Checkout-Seite sammelt Zahlungsdetails, Ihr Backend sendet diese zusammen mit Sitzungs- und Bestelldaten an Ihr System zur Risikobewertung, das Bewertungssystem gibt eine Risikobewertung und eine empfohlene Aktion zurück, und Ihre Checkout-Logik leitet die Transaktion entsprechend weiter.

So funktioniert jeder Schritt:

• Übergeben Sie die richtigen Daten: Systeme zur Risikobewertung sind nur so gut wie die Signale, die sie empfangen. Wenn Sie neben den Zahlungsdetails keine Geräte-Fingerabdruckdaten, keine IP-Adresse und keine Sitzungsmetadaten übergeben, lassen Sie Ihre signifikantesten Eingaben ungenutzt. Viele Bewertungs-APIs enthalten eine JavaScript-Clientbibliothek, die Geräte- und Sitzungsdaten automatisch erfasst.

• Konfigurieren Sie Risikoschwellenwerte gezielt: Standard-Schwellenwerte sind im Allgemeinen nicht auf Ihr Unternehmen abgestimmt. Ein Schwellenwert, der für einen Marktplatz mit hohem Volumen und geringer Marge geeignet ist, unterscheidet sich von einem Schwellenwert, der für einen B2B-Bezahlvorgang mit geringem Volumen und hohem Wert geeignet ist. Legen Sie Schwellenwerte basierend auf Ihren Zielvorgaben für die Betrugsrate und Ihrer Toleranz für falsch positive Ergebnisse fest und passen Sie diese dann mit echten Transaktionsdaten an.

• Bauen Sie eine Überprüfungsliste statt einer Blockliste auf: Transaktionen, die über Ihrem Blockschwellenwert liegen, werden automatisch blockiert. Solche, die in einem mittleren Bereich liegen – verdächtig, aber nicht eindeutig – sollten jedoch in eine Warteschlange zur manuellen Überprüfung weitergeleitet werden. Das automatische Blockieren von grenzwertigen Transaktionen erhöht die Rate an falsch positiven Ergebnissen und führt zu Abbrüchen; das automatische Genehmigen erhöht die Betrugsverluste.

• Überwachen Sie die Konversionsraten im Bezahlvorgang zusammen mit den Betrugsergebnissen: Wenn Ihre Blockrate steigt, die Betrugsverluste jedoch nicht proportional sinken, erzeugen Ihre Regeln wahrscheinlich falsch positive Ergebnisse. Wenn die Betrugsverluste trotz hoher Blockraten steigen, sind Ihre Schwellenwerte möglicherweise falsch konfiguriert oder betrügerische Akteure haben gelernt, unter ihnen zu bleiben.

Was sind die Best Practices für die Betrugsprävention im Bezahlvorgang?

Es gibt einige Wartungspraktiken, mit denen Sie dafür sorgen können, dass Ihr System zur Betrugsprävention effektiv läuft, ohne legitime Transaktionen zu blockieren:

• Halten Sie Regeln aktuell: Betrugsmuster ändern sich, und eine Regel, die auf das Kartentestverhalten des letzten Quartals abgestimmt ist, könnte die Variante dieses Quartals übersehen. Überprüfen Sie Ihre Block- und Überprüfungsraten regelmäßig. Aktualisieren Sie Regeln, wenn Sie neue Muster bei abgelehnten Zahlungen oder Streitfällen sehen.

• Verteilen Sie Geschwindigkeitsprüfungen auf mehrere Identifikatoren: Geschwindigkeitsregeln, die nur IP-Adressen überprüfen, lassen sich leicht umgehen. Verteilen Sie sie auf Geräte-Fingerabdruck, E-Mail-Adresse und Karten-BIN, da ein betrügerischer Akteur, der IPs rotiert, immer noch eine Geschwindigkeitsregel pro Gerät oder pro E-Mail-Adresse auslösen wird.

• Speisen Sie Signale nach der Transaktion wieder in die Bewertung ein: Rückbuchungsmuster, Missbrauch von Rückerstattungen und Raten von Ausnahmen bei der Lieferung weisen alle auf Betrug hin, der beim Bezahlvorgang durchgeschlüpft ist. Verwenden Sie sie, um Ihre Regeln und die Konfiguration der Bewertung zu aktualisieren, da die Risikobewertung durch Feedbackschleifen verbessert wird.

• Segmentieren Sie Schwellenwerte nach Bestelltyp: Digitale Güter, Geschenkkarten und Bestellungen mit Expressversand weisen tendenziell höhere Betrugsraten auf. Wenden Sie auf diese Bestelltypen strengere Schwellenwerte an, anstatt eine einheitliche Bewertung für Ihren gesamten Katalog vorzunehmen.

So kann Stripe Radar Sie unterstützen

Stripe Radar verwendet KI-Modelle, um Betrug zu erkennen und zu verhindern. Diese Modelle wurden mit Daten aus dem globalen Netzwerk von Stripe trainiert. Sie werden kontinuierlich auf der Grundlage neuester Betrugstrends aktualisiert und schützen Ihr Unternehmen vor aufkommenden betrügerischen Aktivitäten.

Stripe bietet außerdem Radar for Fraud Teams an, mit dem Nutzer/innen benutzerdefinierte Regeln für Betrugsszenarien hinzufügen können, die speziell auf ihr Unternehmen zugeschnitten sind. Außerdem erhalten sie Zugang zu neuesten Erkenntnissen über betrügerische Aktivitäten.
Mit Radar kann Ihr Unternehmen unter anderem Folgendes umsetzen:

• Verlust aufgrund von Betrug vermeiden: Stripe wickelt jährlich Zahlungen in Höhe von über 1 Billion USD ab. Dadurch kann Radar auf einzigartige Weise Betrug genau erkennen und verhindern.

• Umsatz steigern: Die KI-Modelle von Radar werden anhand tatsächlicher Anfechtungsdaten, Kundeninformationen, Daten zum Surfverhalten und mehr trainiert. Damit kann Radar riskante Transaktionen identifizieren und falsch positive Ergebnisse reduzieren und so Ihren Umsatz steigern.

• Zeit sparen: Radar ist in Stripe integriert und lässt sich ohne Codierung einrichten. Sie können über eine einzige Plattform Ihre Performance mit Blick auf Betrug überwachen, Regeln schreiben und vieles mehr. Das erhöht die Effizienz.

Erfahren Sie mehr über Stripe Radar oder starten Sie noch heute.