Im Jahr 2024 verloren allein Kundinnen und Kunden in den USA 12,5 Mrd. $ durch Betrug, ein Anstieg von 25 % im Vergleich zum Vorjahr. In vielen Fällen sieht der Betrug wie eine normale Transaktion aus, bis er es nicht mehr ist: Ein Bot für Kartentests kann in wenigen Minuten Dutzende kleiner Zahlungen über verschiedene Karten hinweg abwickeln, ein betrügerischer Akteur kann gestohlene Anmeldedaten verwenden, um eine hochwertige Bestellung mit Expressversand aufzugeben, oder eine Kundin/ein Kunde könnte eine Zahlung anfechten, die sie oder er tatsächlich autorisiert hat.

Die beste Software zur Betrugserkennung hilft dabei, diese Muster zu erkennen, bevor sie zu Rückbuchungen werden. Dabei kommen regelbasierte Logik, maschinelles Lernen (ML) und Echtzeit-Transaktionssignale zum Einsatz, um legitime Käufe von betrügerischen zu trennen. Im Folgenden erklären wir, wie Betrugserkennungssoftware funktioniert, auf welche Funktionen es bei der Bewertung einer Lösung zur Betrugsprävention ankommt und wie Sie ein System an das Betrugsrisiko Ihres Unternehmens anpassen können.

Das Wichtigste auf einen Blick

• Die moderne Betrugserkennung nutzt regelbasierte Logik, ML oder beides, um sowohl bekannte Betrugsmuster als auch neue Taktiken zu erkennen, die von statischen Regeln nicht erfasst würden.

• Falsch-Positiv-Raten sind genauso wichtig wie Erkennungsraten, da das Blockieren legitimer Kundinnen und Kunden zu eigenen Umsatzverlusten führt.

• Unternehmen, die bereits Zahlungsanbieter mit nativer Betrugserkennung nutzen, können oft auf eine Integration von Drittanbietern verzichten. Integrierte Tools zur Betrugserkennung greifen auf Signale auf Netzwerkebene zurück, die von eigenständigen Plattformen oft nur schwer reproduziert werden können.

Was ist eine Betrugserkennungssoftware?

Software zur Betrugserkennung bei Zahlungen wertet Transaktionen aus, um betrügerische Aktivitäten zu erkennen und zu blockieren, bevor sie zu Rückbuchungen, gestohlenen Waren oder kompromittierten Konten führen. In der Regel greift sie zwischen dem Transaktionsversuch und dessen Genehmigung ein und wendet eine Kombination aus Regeln, Modellen und Signalen an, um zu entscheiden, ob eine Zahlung durchgehen soll.

Wie funktioniert eine Betrugserkennungssoftware?

Betrugserkennungssysteme unterscheiden sich darin, wie sie entscheiden, was blockiert wird. Es gibt regelbasierte Systeme und ML-basierte Systeme.

Regelbasierte Erkennung

Regelbasierte Systeme wenden bedingte Logik auf eingehende Transaktionen an: Wenn eine Transaktion einen bestimmten Dollar-Betrag überschreitet, aus einer Region mit hohem Risiko stammt oder einen Velocity Check auslöst (z. B. mehr als fünf Einkäufe über dieselbe Karte innerhalb von 10 Minuten), wird sie markiert oder blockiert.

Der Vorteil ist Transparenz: Sie können genau sehen, warum eine Transaktion markiert wurde. Die Einschränkung besteht darin, dass Regeln nur das erfassen, was Sie bei ihrer Erstellung vorhergesehen haben. Ein Betrugsmuster, das Sie noch nicht kennen, löst keine Regel aus, bis Sie Ihre Logik aktualisieren.

ML-Modelle

Die ML-gestützte Erkennung lernt aus historischen Transaktionsdaten, um zu erkennen, wie „normal“ aussieht, und Abweichungen zu markieren. Eine einzelne Transaktion, die von einem neuen Gerät oder in einem neuen Land oder zu einer ungewöhnlichen Zeit für einen untypischen Betrag getätigt wird, sieht möglicherweise mit nur einer dieser Eigenschaften in Ordnung aus. Wenn sie jedoch kombiniert werden, kann die Transaktion eine hohe Risikobewertung erhalten. Das Modell gewichtet diese Signale basierend darauf, was in Ihrer Transaktionshistorie tatsächlich prädiktiv ist.

Der entscheidende Vorteil gegenüber Regeln ist die Anpassungsfähigkeit: Betrugstaktiken ändern sich ständig und ML-Modelle können neu entstehende Muster erkennen, bevor Sie eine Regel dafür geschrieben haben. Der Kompromiss ist die Undurchsichtigkeit, da es schwieriger ist, genau zu erklären, warum eine bestimmte Transaktion abgelehnt wurde, was die Überprüfung falsch positiver Ergebnisse erschwert.

In jedem Fall sollten diese Systeme in Echtzeit zu dem Zeitpunkt arbeiten, an dem die Transaktion eingereicht wird. Sie sollten schnell genug arbeiten, um sie zu akzeptieren oder abzulehnen, bevor die Checkout-Sitzung abläuft, und ohne spürbare Verzögerungen beim Bezahlvorgang einzuführen. Einige Systeme verfolgen auch das Verhalten im gesamten Bezahlvorgang und integrieren Signale auf Sitzungsebene in die Risikobewertung, bevor die Zahlung überhaupt eingereicht wird.

Welche Arten von Zahlungsbetrug kann eine Betrugserkennungssoftware erkennen?

Es gibt einige verschiedene Arten von Zahlungsbetrug, mit denen Unternehmen häufig konfrontiert sind: Card-not-present(CNP)-Betrug, Kartentests, Kontoübernahme (ATO) und Friendly Fraud. Jeder nutzt eine andere Schwachstelle im Zahlungsablauf aus und kann durch eine Software zur Betrugsprävention erkannt werden.

• CNP-Betrug: Ein betrügerischer Akteur verwendet gestohlene Kartendaten, um Einkäufe zu tätigen, bei denen keine physische Karte erforderlich ist. Die Erkennung stützt sich auf Signale, die der/die Karteninhaber/in normalerweise nicht auslösen würde, wie z. B. nicht übereinstimmende Rechnungs- und Lieferadressen, ungewöhnliches Device Fingerprinting und abnormale Verhaltensmuster.

• Kartentests: Betrügerische Akteure, die gestohlene Kartennummern erhalten, überprüfen, welche davon aktiv sind, in der Regel durch das Einreichen von Transaktionen über kleine Beträge oder null US-Dollar über viele Karten hinweg in schneller Folge. Velocity Checks und Device Fingerprinting sind die primären Gegenmaßnahmen.

• ATO-Betrug: Beim ATO-Betrug verschaffen sich böswillige Akteure Zugriff auf ein legitimes Kundenkonto (häufig durch Credential Stuffing unter Verwendung geleakter Kombinationen aus Benutzernamen und Kennwort) und verwenden gespeicherte Zahlungsmethoden, um Bestellungen aufzugeben. Die Erkennung nutzt Verhaltenssignale (z. B. Anmeldung von einem unbekannten Gerät, plötzliche Kennwortänderungen gefolgt von Käufen, Adressänderungen unmittelbar vor einer hochwertigen Bestellung).

• Friendly Fraud: Ein/e Kunde/Kundin schließt eine legitime Transaktion ab, erhält die Waren und ficht die Abbuchung dann bei seiner/ihrer Bank an. Eine Betrugssoftware kann helfen, indem sie Konten mit einer Historie angefochtener Zahlungen oder Einkäufe, die zu bekannten Mustern passen, markiert, wie z. B. hochwertige Waren mit Expressversand, die leicht weiterverkauft werden können.

Welche Funktionen sind bei einer Betrugserkennungssoftware wichtig?

Welche Funktionen am wichtigsten sind, hängt stark von Ihrem Transaktionsvolumen, Ihrem Betrugsrisiko und Ihrer technischen Einrichtung ab. Einige Funktionen sind jedoch durchweg wichtig.

Prüfen Sie Folgendes:

• Erkennungsgenauigkeit: Ein System, das 85 % der betrügerischen und 15 % der legitimen Bestellungen ablehnt, tauscht einen Umsatzverlust gegen einen anderen aus. Suchen Sie nach Plattformen, die neben den Erkennungsraten auch Falsch-Positiv-Raten veröffentlichen, da die beiden Zahlen zusammen viel aussagekräftiger sind als die Erkennungsrate allein.

• Regelanpassung: Vorgefertigte Modelle sind ein Ausgangspunkt. Sie müssen fast immer unternehmensspezifische Logik hinzufügen, wie z. B. das Blockieren bestimmter geografischer Regionen, das Anfordern von 3D Secure für Bestellungen über einem bestimmten Schwellenwert und das Anpassen der Risikobewertung für bekannte, sichere Kundinnen und Kunden. Plattformen, mit denen Sie benutzerdefinierte Regeln ohne technische Unterstützung schreiben und testen können, sind in der Praxis erheblich flexibler.

• Integration mit der Zahlungsinfrastruktur: Ein Betrugs-Tool, bei dem Sie Transaktionsdaten über eine separate API (Application Programming Interface) weitergeben müssen, führt zu Latenzen und Fehlerquellen. Systeme, die in den Zahlungsablauf eingebettet oder nativ in Ihren Zahlungsdienstleister integriert sind, vermeiden diese Komplexität.

• Reporting und Case Management: Wenn Ihr Team markierte Transaktionen überprüft, benötigt es Kontext – warum die Transaktion markiert wurde, welche Signale dazu beigetragen haben und wie ähnliche Transaktionen aussahen. Eine Software zum Betrugsmanagement, die dies übersichtlich anzeigt, beschleunigt die manuelle Überprüfung und hilft Ihnen, Ihre Regeln im Laufe der Zeit zu verfeinern.

• Skalierbarkeit: Ein System, das Ihr aktuelles Volumen verarbeitet, muss das Zehnfache dieses Volumens verarbeiten, ohne an Geschwindigkeit oder Genauigkeit zu verlieren. Zu Zeiten mit hohem Datenaufkommen wie dem Black Friday kommt es oft zu Betrugsspitzen; in diesen Zeiträumen möchten Sie außerdem keine Verzögerungen erleben.

Welche Herausforderungen gehen mit einer Betrugserkennungssoftware einher?

Eine Betrugserkennungssoftware hat zwei Aufgaben: Betrugsversuche genau zu markieren und legitime Transaktionen nicht zu blockieren. Eine der beständigsten Herausforderungen bei der Betrugserkennung ist es, ein Gleichgewicht zu finden. Die Software sollte sich strikt an Betrugssignale halten, ohne Frustration bei legitimen Kundinnen und Kunden zu verursachen.

Über diese fortlaufende Arbeit hinaus stehen regelbasierte Systeme und ML-basierte Systeme vor unterschiedlichen Herausforderungen:

• Regeln veralten: Betrugstaktiken ändern sich ständig. Ein Regelwerk, das vor sechs Monaten noch wirksam war, kann heute erhebliche Lücken aufweisen. Ohne regelmäßige Überprüfung driften regelbasierte Systeme in die Obsoleszenz ab.

• Datenqualität für ML-Modelle variiert: ML-Modelle sind nur so gut wie die Daten, mit denen sie trainiert werden. Eine Plattform mit Transaktionssignalen von Millionen von Unternehmen aus vielen Branchen wird ein deutlich anderes Modell aufweisen als eine Plattform mit geringerer Abdeckung. Wenn Sie Anbieter bewerten, fragen Sie gezielt nach dem Umfang ihrer Trainingsdaten.

Wie wählen Sie eine Betrugserkennungssoftware für Ihr Unternehmen aus?

Die richtige Wahl für eine Betrugserkennungssoftware hängt davon ab, wie Ihr Unternehmen arbeitet. Sie benötigen ein System, das einfach zu integrieren und zu bedienen ist und zu der Art von Betrug passt, mit der Sie konfrontiert sind.

Berücksichtigen Sie diese Variablen:

• Transaktionsvolumen: Bei geringeren Volumina kann die Genauigkeit des ML-Modells inkonsistent sein, wenn weniger historische Daten zum Trainieren vorhanden sind. Und regelbasierte oder hybride Ansätze könnten reine ML in kleinerem Maßstab übertreffen. Unternehmen mit hohem Volumen profitieren wahrscheinlich mehr von ML, da die Modelle über genügend Signale verfügen, um wirklich prädiktiv zu sein, aber kleine Unternehmen können dennoch von einem ML-Modell auf Netzwerkebene profitieren.

• Technische Einrichtung: Wenn Sie einen Zahlungsdienstleister mit einem integrierten Betrugserkennungsdienst verwenden, ist das oft der richtige Ausgangspunkt. Die Komplexität der Integration ist minimal und Betrugssignale sind bereits in den Zahlungsablauf eingebettet. Wenn Sie mit mehreren Prozessoren arbeiten oder über eine komplexe Checkout-Infrastruktur verfügen, benötigen Sie möglicherweise eine eigenständige Betrugsplattform mit umfassender Integrationsunterstützung.

• Interne Ressourcen: Einige Betrugsplattformen erfordern erhebliche technische Arbeit, um sie zu konfigurieren und zu warten; andere sind so konzipiert, dass nicht-technische Ops-Teams sie direkt verwalten können. Wenn Sie kein spezielles Team für Betrugsanalyse oder Risiko haben, neigen Sie zu Plattformen mit starken Standardanalysemodellen und einfachen Regeloberflächen.

• Reporting und Workflow-Integration: Stellen Sie sicher, dass jede Plattform, die Sie evaluieren, mit Ihrem Workflow für das Anfechtungsmanagement verbunden ist und Daten in Formaten exportiert, die mit Ihrem Reporting-Stack kompatibel sind. Betrugs-Tools, die sich nicht sauber integrieren lassen, erzeugen manuelle Arbeit, die den Automatisierungsvorteil zunichte machen kann.

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.