Kreditkartenbetrug ist extrem weit verbreitet: Allein im Jahr 2024 meldeten fast 450.000 Amerikaner/innen, dass ihre Karteninformationen missbraucht wurden. Warnsignale für Zahlungsbetrug sind beobachtbare Signale, die auf eine überdurchschnittlich hohe Wahrscheinlichkeit betrügerischer Aktivitäten hindeuten. Das Erkennen dieser Signale vor Abschluss einer Transaktion kann den Unterschied ausmachen zwischen Unternehmen, die Betrug bei der Autorisierung aufdecken, und solchen, die ihn Wochen später als Rückbuchungen hinnehmen müssen.

Im Folgenden behandeln wir die wichtigsten Betrugssignale bei Transaktionen, Konten und Zahlungsmethoden, wie Sie bei deren Auftreten reagieren und wie Sie ein Überwachungssystem aufbauen, das mit der Zeit immer präziser wird.

Das Wichtigste auf einen Blick

• Signale auf Transaktionsebene (z. B. nicht übereinstimmende Abrechnungs- und Versandadressen, Geschwindigkeitsanomalien, hochwertige Bestellungen von neuen Konten) können frühe Indikatoren für Betrug sein.

• Konto- und Verhaltenssignale wie eine schnelle Kontoerstellung, wiederholte fehlgeschlagene Zahlungsversuche oder ungewöhnliche Session-Aktivitäten treten häufig vor Abschluss einer Transaktion auf.

• Automatisierte Tools zur Betrugserkennung bewerten Transaktionen in Echtzeit mithilfe von auf maschinellem Lernen basierenden Betrugserkennungstools. Über benutzerdefinierte Regeln können Unternehmen ihre eigenen Risikoschwellenwerte definieren.

Was sind Warnsignale für Zahlungsbetrug?

Warnsignale für Zahlungsbetrug sind spezifische, beobachtbare Signale dafür, dass eine Transaktion oder Konteninteraktion ein überdurchschnittlich hohes Betrugsrisiko birgt. Es sind probabilistische Indikatoren, die einzeln oder in Kombination auf eine Aktivität hinweisen, die es wert ist, genauer untersucht zu werden.

Welche Signale auf Transaktionsebene deuten auf ein hohes Betrugsrisiko hin?

Einige der eindeutigsten Warnsignale für Zahlungsbetrug finden sich auf der Transaktionsebene, wo die Besonderheiten einer Bestellung ein erkennbares Muster bilden. Isoliert betrachtet lässt sich jedes davon erklären, aber wenn sie in Kombination auftreten, sind sie tendenziell ein zuverlässiger Indikator für potenziellen Betrug.

Achten Sie auf:

• Nicht übereinstimmende Abrechnungs- und Versandadressen: Wenn die Abrechnungsadresse der Karte und die Lieferadresse erheblich voneinander abweichen, ist eine genauere Überprüfung angebracht.

• Hochwertige Bestellungen von neuen oder nicht verifizierten Konten: Ein Erstkunde, der eine Bestellung im Wert von 1.200 $ mit Expressversand aufgibt, hat keine Kaufhistorie, um das Risiko auszugleichen. Die Kombination aus hohem Wert, neuem Konto und Dringlichkeit ist das Warnsignal.

• Geschwindigkeitsanomalien: Mehrere Transaktionen in einem kurzen Zeitraum von derselben Karte, demselben Gerät oder derselben IP-Adresse können entweder auf Kartentests oder automatisierten Betrug hindeuten.

• Versand an Spediteure oder Nachsendeadressen: Diese Adressen verschleiern den endgültigen Lieferort, was es schwieriger macht, Rückbuchungen anzufechten, und eine Rückholung nahezu unmöglich macht. Dieses Muster tritt besonders häufig bei hochwertiger Unterhaltungselektronik, Geschenkkarten und Luxusgütern auf.

• Bestellzusammensetzungen, die nicht mit der Kontohistorie übereinstimmen: Wenn ein Kunde, dessen bisherige Bestellungen alle unter 50 $ lagen, plötzlich eine Bestellung über 900 $ für Artikel aufgibt, die häufig bei Wiederverkaufsbetrug anvisiert werden (z. B. Elektronik, Turnschuhe, Geschenkkarten), ist dies einen zweiten Blick wert.

Welche Konto- und Nutzerverhaltensweisen sind gängige Indikatoren für Betrug?

Verhaltenssignale treten oft auf, bevor eine Transaktion abgeschlossen ist. Diese Muster zeigen sich auf Kontoebene, bei den Session-Aktivitäten und in den Zahlungsdaten selbst.

Beispiel:

• Schnelle Kontoerstellung gefolgt von einem sofortigen, hochwertigen Kauf: Legitime Kundinnen und Kunden neigen dazu, zu stöbern, zu vergleichen und zurückzukehren. Ein Konto, das innerhalb von Minuten erstellt und genutzt wird, passt zum Muster eines Wegwerfkontos, das erstellt wurde, um eine gestohlene Karte auszunutzen, bevor sie markiert wird.

• Mehrere fehlgeschlagene Zahlungsversuche: Ein betrügerischer Akteur mit Zugriff auf unvollständige Kartendaten könnte mehrere Kombinationen ausprobieren, bevor er einen gültigen Datensatz findet. Viele fehlgeschlagene Versuche mit verschiedenen Karten vom selben Gerät innerhalb eines kurzen Zeitraums sind ein starkes Signal.

• Ungewöhnliches Session-Verhalten: Sessions ohne Scroll- oder Surfaktivitäten vor dem Bezahlvorgang, extrem schnelles Ausfüllen von Formularen und direkte Navigation zu teuren Produktseiten ohne Weiterleitungskontext können alle eher auf automatisiertes oder geskriptetes Verhalten als auf eine tatsächliche Kundin/einen tatsächlichen Kunden hindeuten.

• Verdächtige E-Mail-Adressen-Muster: Adressen mit zufälligen Zeichenfolgen, neu registrierten Domains oder Variationen einer bekannten betrügerischen E-Mail-Adresse sind bei Betrugsoperationen üblich. Einige Systeme gleichen ab, wie lange eine E-Mail-Adresse bereits aktiv ist und wie der Ruf ihrer Domain ist, um das Risiko zu bewerten.

• Geräte- und IP-Signale: Eine einzige IP-Adresse (Internet Protocol), die mehrere Kontoerstellungen generiert, Käufe von einem Gerät, das an früheren Betrugsfällen beteiligt war, oder Anmeldungen aus Regionen, die nicht mit der Kontohistorie übereinstimmen, erhöhen die Risikobewertung deutlich.

Welche zahlungsspezifischen Warnsignale sollten Unternehmen überwachen?

Die Zahlungsmethode selbst birgt Risikosignale, die sich von Konto- oder Transaktionsverhalten unterscheiden. Die Überwachung dieser Indikatoren bietet Unternehmen eine zusätzliche Erkennungsebene, die von betrügerischen Akteuren nur schwer vollständig umgangen werden kann.

Achten Sie auf:

• Prepaid- und virtuelle Karten: Diese können anonym gekauft und nach Gebrauch weggeworfen werden, was sie in Betrugsoperationen häufig macht.

• Mehrere Karten, die mit einem einzigen Konto oder Gerät verknüpft sind: Wenn ein Kunde innerhalb kurzer Zeit drei verschiedene Karten verwendet, insbesondere wenn einige Versuche fehlschlagen, deutet dies entweder auf Kartentests oder einen bewussten Versuch hin, das Risiko auf gestohlene Zugangsdaten zu verteilen.

• Internationale Karten mit inländischen Versandadressen: Wenn Ihr typisches Kundenprofil im Inland liegt und eine Bestellung mit einer Karte eingeht, die in einem Land ausgestellt wurde, aus dem Sie normalerweise keinen Traffic haben, ist diese Diskrepanz eine Markierung wert, insbesondere wenn die Versandadresse lokal ist.

• Abnormale Bestellhäufigkeit in engen Zeitfenstern: Eine Karte, die noch nie in Ihrem Unternehmen verwendet wurde, bevor sie in drei Transaktionen innerhalb von zwei Stunden auftaucht, oder dieselbe Lieferadresse, die mehrere Bestellungen mit verschiedenen Zahlungsmethoden an einem einzigen Tag erhält, sind Muster, die markiert werden sollten.

• Abgelehnt-dann-genehmigt-Sequenzen: Eine Transaktion, die auf einer Karte fehlschlägt und auf einer anderen Karte aus derselben Session sofort erfolgreich ist, weist auf Card Cycling hin, eine Technik, bei der betrügerische Akteure durch gestohlene Anmeldeinformationen rotieren, bis eine freigegeben wird.

Wie sollten Unternehmen auf Betrugswarnsignale reagieren?

Die richtige Reaktion auf Betrugswarnsignale hängt von der Schwere des Signals, der Kombination der vorhandenen Indikatoren und dem Geschäftskontext ab.

Das Spektrum der verfügbaren Reaktionen reicht von passiv bis aktiv:

• Für die manuelle Überprüfung markieren: Signale mit geringerem Risiko, die einen automatischen Blockierschwellenwert nicht erreichen, können an eine Überprüfungsliste weitergeleitet werden, in der ein Mensch die Bestellung vor der Ausführung auswertet. Dies funktioniert gut bei hochwertigen Transaktionen mit ein oder zwei weichen Signalen.

• Zusätzliche Verifizierung auslösen: Unternehmen können eine Step-up-Authentifizierung (z. B. einen Einmalcode, eine Bestätigungs-E-Mail oder 3D Secure) verlangen, wenn eine Transaktion bestimmte Risikoschwellenwerte erreicht.

• Ausführung anhalten: Insbesondere bei physischen Gütern bietet die Versetzung einer Bestellung in einen ausstehenden Zustand, während die Risikobewertung ausgewertet wird, den Unternehmen ein Zeitfenster, um zu handeln, ohne die Transaktion sofort abzulehnen oder das Produkt zu versenden.

• Automatisches Blockieren: Signale mit hoher Konfidenz (z. B. bekannte betrügerische Karten, markierte IPs oder Transaktionen, die einen definierten Risikoschwellenwert überschreiten) rechtfertigen in der Regel eine sofortige abgelehnte Zahlung ohne manuelle Überprüfung.

Wie können Unternehmen ein System zur Betrugsüberwachung aufbauen, um das Risiko im Laufe der Zeit zu reduzieren?

Eine Liste von Warnsignalen ist nur so nützlich wie das darum herum aufgebaute System. Ohne eine einheitliche Regellogik, definierte Schwellenwerte und eine Feedbackschleife bleibt die Betrugsüberwachung reaktiv. So bauen Sie ein System auf, das funktioniert.

Signale in Regeln übersetzen

Durch die Übersetzung identifizierter Betrugssignale in benutzerdefinierte Regeln, die bei der Autorisierung ausgeführt werden, können Sie verdächtiges Verhalten sofort blockieren oder überprüfen, bevor Gelder bewegt werden. Eine Regel könnte beispielsweise jede Transaktion blockieren, bei der die Bank-Identifikationsnummer (BIN) der Karte eine Prepaid-Karte ist und der Bestellwert 500 $ überschreitet, oder zur Überprüfung markieren, wenn die Versandadresse mit einem bekannten Spediteur übereinstimmt. Tools zur Betrugserkennung, die maschinelles Lernen verwenden, bedeuten, dass die Risikomodelle neuen Angriffsmustern ausgesetzt sind, die einzelne Unternehmen von sich aus nicht erkennen würden, bis der Schaden bereits angerichtet wäre.

Schwellenwerte im Laufe der Zeit anpassen

Ein zu aggressives Regelwerk blockiert legitime Kundinnen und Kunden; ein zu permissives lässt Betrug durch. Die richtige Kalibrierung verschiebt sich, wenn sich Betrugsmuster ändern und Sie mehr Daten darüber sammeln, welche Signale tatsächlich Betrug vorausgesagt haben im Vergleich zu denen, die falsch-positive Ergebnisse erzeugt haben. Wählen Sie Tools zur Betrugserkennung, die die erforderliche Transparenz bieten, um Anpassungen aufgrund von Beweisen vorzunehmen, anstatt zu raten.

Feedbackschleife schließen

Wenn eine Rückbuchung eingeht, sollte sie in Ihre Regellogik zurückfließen: Welches Signal wurde ausgelöst, welches nicht, und ob eine Anpassung des Schwellenwerts gerechtfertigt ist. Jeder Betrugsfall wird zu einem Input, der die Erkennung im Laufe der Zeit schärft, und nicht nur zu Kosten, die hingenommen werden müssen.

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.