Die Betrugsprävention im Einzelhandel beginnt mit dem Verständnis, wie Betrug auf die Zahlungs- und Rückgabesysteme von Unternehmen abzielt, vom Bezahlvorgang bis zur Rückerstattung. Rückgaberichtlinien tragen zum Aufbau von Kundenvertrauen bei und Streitbeilegungsrechte schützen Karteninhaber. Betrug nutzt beides aus. Doch im Jahr 2025 verließen sich 44 % der Institute in den USA und Kanada überwiegend oder vollständig auf manuelle Prozesse zur Bekämpfung von Betrug. Dies kann es schwierig machen, raffinierte und neue Arten von Betrug zu erkennen.

Im Folgenden besprechen wir die Betrugskategorien, die Einzelhandelsunternehmen am stärksten betreffen, wie Unternehmen Betrug in Transaktionsdaten erkennen und welche Kontrollen das Risiko über Online- und stationäre Kanäle hinweg reduzieren.

Das Wichtigste auf einen Blick

• Betrug im Einzelhandel umfasst CNP-Betrug (Card-Not-Present), Rückgabemissbrauch und Friendly Fraud. Jede Art hat unterschiedliche Muster, die unterschiedliche Erkennungsansätze erfordern.

• Die effektive Betrugserkennung im Einzelhandel kombiniert Bestellverhalten, Gerätedaten und Transaktionshistorie. Kein einzelnes Signal ist für sich allein zuverlässig.

• Omnichannel-Einzelhändler sind einzigartigen Risiken ausgesetzt. Betrugsmuster, die online entstehen, tauchen oft in physischen Geschäften auf.

Was ist Betrug im Einzelhandel?

Betrug im Einzelhandel ist Diebstahl, der über die Zahlungs- und Rückgabesysteme erfolgt, von denen Unternehmen abhängig sind. Dieser Betrug umfasst eine Reihe von Methoden im Geschäft und online, die betrügerische Akteure nutzen, um Waren, Dienstleistungen oder Gelder von einem Einzelhandelsunternehmen zu erlangen.

Was sind die häufigsten Arten von Betrug im Einzelhandel?

Betrug im Einzelhandel tritt in verschiedenen Phasen des Kauf-Lifecycles auf. An jeder Art sind unterschiedliche Akteure beteiligt und sie erfordert eine andere Reaktion:

• CNP-Betrug (Card-Not-Present): Verwendung gestohlener Zahlungsdaten zum Abschluss eines Kaufs ohne die physische Karte. Gestohlene Kartendaten werden durch Sicherheitsverletzungen, Phishing oder Darknet-Marktplätze erlangt und dann zur Aufgabe von Bestellungen verwendet, bevor der legitime Karteninhaber dies bemerkt.

• BIN-Angriffe (Bank Identification Number): Testen von Tausenden von Kartennummernkombinationen beim Bezahlvorgang eines Unternehmens mit einem automatisierten Script, um nach gültigen Nummern zu suchen. Das Unternehmen übernimmt die Autorisierungsgebühren für jeden Versuch, und ein erfolgreicher Treffer führt zu einer betrügerischen Bestellung, die oft eine Rückbuchung auslöst.

• Wardrobing: Kauf von Artikeln (in der Regel Bekleidung, Elektronik oder Werkzeuge) mit der Absicht, sie kurz zu verwenden und gegen eine volle Rückerstattung zurückzugeben. Dies hinterlässt dem Unternehmen oft Waren, die nicht zum vollen Preis weiterverkauft werden können.

• Belegbetrug: Rückgabe von Waren mit einem betrügerischen oder geänderten Zahlungsbeleg, um eine Rückerstattung zu beanspruchen, die höher als der Kaufpreis ist.

• Rückerstattung ohne Rückgabe-Systeme: Behauptung, dass ein Artikel nie angekommen oder beschädigt angekommen ist, um eine Rückerstattung zu erhalten und die Ware zu behalten.

• Friendly Fraud: Anfechten einer legitimen Zahlung beim Kartenaussteller und Behauptung, die Transaktion sei nicht autorisiert gewesen oder der Artikel sei nie angekommen. Dies löst eine Rückbuchung aus, obwohl die Bestellung echt ist.

Wie erkennen Einzelhändler Betrugsmuster?

Bei der Betrugserkennung im Einzelhandel werden mehrere Signale abgeglichen. Einzeln könnten diese Signale wegerklärt werden, aber zusammen weisen sie auf ein erhöhtes Risiko hin.

Diese Eingaben sind am wichtigsten:

• Bestellgeschwindigkeit: Mehrere Bestellungen in schneller Folge von demselben Gerät oder derselben Internet Protocol-Adresse (IP) oder an dieselbe Versandadresse.

• Nichtübereinstimmung von Versand- und Rechnungsadresse: Eine Bestellung, bei der sich die Abrechnungs- und Versandadressen in verschiedenen Bundesstaaten oder Ländern befinden. Dies erfordert eine genauere Prüfung, wenn die Versandadresse ein Spediteur oder ein Weiterversanddienst ist, der den endgültigen Bestimmungsort verschleiert.

• Gerätesignale: Browsertyp, Betriebssystem und Geräte-Fingerabdruck zeigen, ob eine Bestellung von einem bekannten Gerät stammt, das mit dem Konto verknüpft ist, oder von einer unbekannten Umgebung. Bestellungen, die über Virtual Private Networks (VPNs) aufgegeben werden, erscheinen an geografischen Orten, die nicht mit der Historie eines Karteninhabers übereinstimmen.

• E-Mail- und Konto-Erstellungsdatum: Ein Erstkunde mit einem wenige Minuten zuvor erstellten Konto, das eine hochwertige Bestellung aufgibt, oder ein Konto, das mit einer Wegwerf-E-Mail-Adresse (zufällige Zeichenfolgen oder Adressen von Wegwerf-E-Mail-Diensten) erstellt wurde.

• Rückgabehistorie: Ein Kunde mit einer ungewöhnlich hohen Rückgabequote, insbesondere in denselben Produktkategorien. Dieses Signal ist besonders relevant für Rückgabebetrug und Rückerstattung ohne Rückgabe-Systeme.

Welche Strategien zur Betrugsprävention im Einzelhandel sollten Unternehmen nutzen?

Effektive Betrugsprävention im Einzelhandel findet auf drei Ebenen statt: vor der Autorisierung, nach der Aufgabe der Bestellung und am Rückgabeschalter. Keine einzelne Kontrolle deckt alle drei Ebenen ab, aber durch die gemeinsame Nutzung dieser Methoden kann eine Schutzschicht entstehen:

• Adressüberprüfungsservice (Address Verification Service – AVS): AVS-Prüfungen vergleichen die beim Bezahlvorgang angegebene Abrechnungsadresse mit der beim Kartenaussteller hinterlegten Adresse. Weder AVS- noch Card Verification Value (CVV)-Prüfungen sind narrensicher – gestohlene Kartendaten umfassen häufig Abrechnungsadressen und CVV-Nummern – aber beide erhöhen die Kosten und die Komplexität von CNP-Betrug.

• 3D Secure (3DS): 3DS fügt eine Authentifizierungsebene für CNP-Transaktionen hinzu. Wenn eine Transaktion als risikoreich markiert wird, leitet 3DS den Karteninhaber durch einen Verifizierungsschritt mit seiner Bank. Dadurch wird in der Regel die Haftung für betrügerische Transaktionen vom Unternehmen auf den Kartenaussteller verlagert.

• Überprüfungslisten nach der Bestellung: Risikoreiche Bestellungen sollten vor der Ausführung an eine manuelle Überprüfungsliste weitergeleitet werden, nicht danach. Definieren Sie die Kriterien klar (z. B. Bestellungen über einem bestimmten Wert, Erstkunden, die mehrere Einheiten desselben hochwertigen Artikels bestellen, nicht übereinstimmende Versand- und Rechnungsadressen) und besetzen Sie die Warteschlange mit Personen, die wissen, wie Betrug in Ihrer Produktkategorie aussieht.

• Durchsetzung von Rückgaberichtlinien: Das Verlangen eines Zahlungsbelegs, die Begrenzung des Rückgabezeitraums und die Markierung von Konten mit hohen Rückgabequoten sind alles effektive Kontrollen. Die Nachverfolgung von Rückgaben auf Kundenebene über alle Kanäle hinweg ist für groß angelegten Missbrauch wichtig. Ein Kunde, der 15 seiner letzten 20 Käufe zurückgegeben hat, weist ein anderes Risikoprofil auf als ein Kunde, der zum ersten Mal etwas zurückgibt.

Wie verändert sich das Betrugsrisiko im Omnichannel-Einzelhandel?

Omnichannel-Einzelhändler sind Betrugsrisiken ausgesetzt, die bei reinen Online- und reinen stationären Unternehmen nicht auftreten. Wenn Sie über beide Kanäle tätig sind, lösen sich Betrugsmuster, die in einer Umgebung beginnen, oft in einer anderen auf.

Hier sind einige Beispiele:

• Online kaufen, im Geschäft zurückgeben (Buy Online, Return In Store – BORIS): Ein betrügerischer Akteur gibt eine Online-Bestellung mit gestohlenen Anmeldedaten auf und gibt die Ware dann im Geschäft gegen Bargeld oder eine Gutschrift zurück. Der Mitarbeiter im Geschäft sieht einen Transaktionsdatensatz und eine Rückgabeanfrage, aber der ursprüngliche Kauf war betrügerisch. Wenn Ihre Online- und In-Store-Systeme Daten nicht in Echtzeit austauschen, wird die Rückgabe wahrscheinlich bearbeitet, bevor der Betrug erkannt wird.

• Online kaufen, im Geschäft abholen (Buy Online, Pick Up In Store – BOPIS): Betrügerische Bestellungen, die online zur Abholung im Geschäft aufgegeben werden, könnten es betrügerischen Akteuren ermöglichen, Waren abzuholen, bevor Betrugsprüfungen die Bestellung markieren können. Hochwertige BOPIS-Bestellungen am selben Tag erfordern dieselbe genaue Prüfung wie Online-Bestellungen mit Expressversand.

• Fragmentierte Kundendaten: Konsistente Betrugskontrollen über alle Kanäle hinweg erfordern einheitliche Kundendaten. Wenn Ihre Point-of-Sale- und E-Commerce-Plattformen keine kontoübergreifende Kauf- und Rückgabehistorie austauschen, betreiben Sie zwei separate Betrugspräventionssysteme mit einer Lücke, die Betrug ermöglicht.

Wie helfen Tools zur Betrugsprävention Einzelhandelsunternehmen?

Anstatt jede Bestellung anhand einer Checkliste zu prüfen, bewertet ein Betrugserkennungssystem Transaktionen in Echtzeit auf der Grundlage von Hunderten von Signalen. Das System verwendet ein Modell für maschinelles Lernen, das mit Transaktionsdaten von Unternehmen trainiert wurde, um jede Zahlung zu bewerten. Eine Karte, die bei anderen Unternehmen in betrügerischen Transaktionen aufgetreten ist, wird also eine erhöhte Risikobewertung aufweisen, bevor sie Ihren Bezahlvorgang erreicht. Das Tool zur Betrugsprävention leitet risikoreiche Bestellungen zur Überprüfung weiter oder lehnt sie automatisch ab.

Benutzerdefinierte Regeln für einzelhandelsspezifische Risiken können auf der Grundlage eines Modells für maschinelles Lernen erstellt werden. Ein Unternehmen, das Unterhaltungselektronik verkauft, kann Bestellungen markieren, die an Spediteure versendet werden, Bestellungen über einem bestimmten Wert von Konten, die innerhalb der letzten 24 Stunden erstellt wurden, oder Bestellungen, bei denen dieselbe Karte über mehrere Konten hinweg verwendet wurde. Das Unternehmen kann diese Regeln aktualisieren, wenn sich Betrugsmuster ändern.

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.