E-Commerce-Betrug wird weltweit zu einer immer größeren Bedrohung. Einer der Haupttreiber ist die Card-not-present (CNP)-Natur von Online-Käufen, die eine enorme Angriffsfläche für alle bietet, die bereit sind, dies zu missbrauchen. Der Wert des globalen E-Commerce-Betrugs wird voraussichtlich von rund 56 Milliarden US-Dollar im Jahr 2025 auf $131 Milliarden bis 2030\ steigen. Um dieser Bedrohung zu begegnen, kombiniert eine effektive E-Commerce-Betrugsprävention überlappende Kontrollen, von denen jede das erfasst, was die anderen übersehen.

Im Folgenden untersuchen wir die gängigen Arten von Betrug, die Online-Einzelhändler betreffen, wie die Echtzeiterkennung auf Transaktionsebene funktioniert und wie eine mehrstufige Präventionsstrategie entwickelt werden kann, die betrügerische Akteure erkennt, ohne legitime Kundinnen und Kunden abzuweisen.

Das Wichtigste auf einen Blick

• E-Commerce-Betrug umfasst mehrere Arten, einschließlich CNP-Betrug, Friendly Fraud und Kontoübernahme. Jede Art erfordert unterschiedliche Kontrollen zur Erkennung und Prävention.

• Die Betrugserkennung in Echtzeit weist eine Risikobewertung basierend auf Gerätesignalen, Verhaltensdaten und Bestellmerkmalen zu. Dieser Wert bestimmt, ob das automatisierte System eine Transaktion genehmigt, blockiert oder überprüft.

• Eine mehrstufige Präventionsstrategie kombiniert Modelle für maschinelles Lernen mit benutzerdefinierten Regeln und Verifizierungskontrollen beim Bezahlvorgang, um die umfassendste Abdeckung bei geringster Reibung für legitime Kundinnen und Kunden zu ermöglichen.

Was ist E-Commerce-Betrug?

E-Commerce-Betrug ist jeder Versuch, eine Online-Transaktion mit gestohlenen, falschen oder manipulierten Informationen abzuschließen, um Waren, Dienstleistungen oder Geld ohne legitime Autorisierung zu erhalten. Im Gegensatz zu persönlichem Betrug gibt es keine Karte, die physisch gestohlen werden kann, und kein Gesicht, das identifiziert werden kann. Dies macht den Online-Kanal für betrügerische Akteure attraktiver.

Was sind die häufigsten Arten von E-Commerce-Betrug?

Dies sind einige häufige Arten von E-Commerce-Betrug:

• CNP-Betrug: Jemand verwendet gestohlene Kartendaten, um eine Bestellung aufzugeben. Der/die Karteninhaber/in ficht die Zahlung oft bei seiner/ihrer Bank an, und das Unternehmen verliert die Waren, den Umsatz und in der Regel zusätzlich eine Gebühr für die Rückbuchung.

• Friendly Fraud: Eine rechtmäßige Kundin oder ein rechtmäßiger Kunde tätigt einen Kauf, erhält den Posten und ficht die Zahlung trotzdem an. Sie behaupten, die Zahlung sei nicht autorisiert gewesen, der Posten sei nie angekommen oder nicht wie beschrieben. Ohne stichhaltige Beweise, wie z. B. eine Lieferbestätigung, Internet-Protokoll-Aufzeichnungen (IP) und Geräte-Fingerabdrücke, können Unternehmen diese Anfechtungen verlieren.

• Kontoübernahme: Ein betrügerischer Akteur verschafft sich Zugang zu einem bestehenden Kundenkonto (oft durch Credential Stuffing unter Verwendung gestohlener Kombinationen aus Benutzernamen und Passwörtern), ändert dann die Versandadresse und gibt Bestellungen über die gespeicherte Zahlungsmethode auf. Da das Konto über eine legitime Kaufhistorie verfügt, bestehen diese Bestellungen häufig grundlegende Betrugsprüfungen, ohne dass Warnsignale ausgelöst werden.

• Rückgabemissbrauch: Kundinnen und Kunden nutzen großzügige Rückgaberichtlinien aus, um Rückerstattungen für Posten zu erhalten, die sie bereits verwendet haben, oder um beschädigte oder andere Produkte zurückzusenden. Rückerstattungsbetrug wirkt sich auf die Margen genauso aus wie andere Arten von Betrug, wird aber oft als betriebliches Problem behandelt.

• Aktions- und Gutscheinmissbrauch: Betrügerische Akteure erstellen mehrere Konten, um wiederholt Neukundenrabatte, Empfehlungsprämien oder Aktionscodes in Anspruch zu nehmen. Dies ist besonders häufig bei digitalen Gütern oder Abonnement-Produkten der Fall, bei denen es keine physische Begrenzung gibt, wie oft sich der Missbrauch wiederholen kann.

Welche Best Practices zur E-Commerce-Betrugsprävention sollten Online-Einzelhändler befolgen?

Effektive Programme zur Betrugsprävention kombinieren Erkennungssignale, Schutzmaßnahmen beim Bezahlvorgang und interne Richtlinien. Die Überwachung von Transaktionen sollte auf die folgenden Signale achten, die zusammengenommen auf die Wahrscheinlichkeit von Betrug hinweisen:

• Ungewöhnliche Muster: Mehrere Bestellungen von derselben IP-Adresse, Kartennummer oder demselben Gerät in einem kurzen Zeitfenster weisen häufig auf automatisierten Betrug oder Carding-Angriffe hin (d. h. betrügerische Akteure testen gestohlene Kartennummern mit kleinen Transaktionen, bevor sie größere durchführen).

• Nicht übereinstimmende Versand- und Rechnungsdaten: Eine Bestellung, bei der sich die Rechnungs- und Lieferadresse in verschiedenen Ländern befinden oder bei der die E-Mail-Adresse nicht mit der für diese Karte hinterlegten Adresse übereinstimmt, erhöht die Wahrscheinlichkeit von Betrug.

• Geräte- und Browsersignale: Device Fingerprinting erfasst Attribute wie Browserkonfiguration, Bildschirmauflösung und installierte Schriftarten. Ein Gerät, das zuvor mit einer betrügerischen Bestellung in Verbindung stand, ist ein starker Risikoindikator, unabhängig davon, welche Karte aktuell verwendet wird.

• Bestellmerkmale: Hochwertige Bestellungen, die unmittelbar nach der Kontoerstellung aufgegeben werden, mehrere Einheiten desselben Postens mit hohem Wiederverkaufswert und Expressversand an ein Ziel, für das dies logistisch keinen Sinn ergibt, sind allesamt Szenarien, die eine genauere Untersuchung rechtfertigen.

Beim Bezahlvorgang können Ihnen weitere Überprüfungen ein besseres Verständnis dafür vermitteln, wer die Transaktion abschließt. Dazu gehören die folgenden:

• Address Verification Service (AVS): Dieser prüft, ob die von einer Kundin oder einem Kunden eingegebene Rechnungsadresse mit der beim Kartenaussteller hinterlegten Adresse übereinstimmt. Eine vollständige Übereinstimmung garantiert keine Legitimität, aber eine Nichtübereinstimmung kann ein wichtiges Risikosignal sein.

• Prüfung der Kartenprüfnummer (CVV): Dies bestätigt, dass die Person, die die Bestellung aufgibt, physischen Zugang zur Karte hat und nicht nur die Kartennummer kennt. Die Anforderung der CVV beim Bezahlvorgang ist Standardpraxis.

• 3D Secure (3DS): Dies fügt einen Authentifizierungsschritt hinzu, bei dem die Karteninhaberin oder der Karteninhaber die eigene Identität direkt beim Kartenaussteller verifiziert, oft durch einen Einmalcode oder eine biometrische Abfrage. Wenn die 3DS-Authentifizierung erfolgreich ist, geht die Haftung für Rückbuchungen in der Regel vom Unternehmen auf den Kartenaussteller über.

Automatisierte Regeln ermöglichen es Ihnen, harte Grenzen für das Transaktionsverhalten festzulegen: Sie können alle Bestellungen blockieren, die in eine bestimmte Hochrisikoregion versendet werden, ab einem bestimmten Bestellwert eine manuelle Überprüfung anfordern oder jede Transaktion ablehnen, bei der AVS fehlschlägt und die Bestellung einen festgelegten Schwellenwert überschreitet. Die Herausforderung besteht darin, dass Regeln standardmäßig statisch sind. Betrugstaktiken ändern sich, und Regeln, die vor sechs Monaten noch effektiv funktionierten, können heute zu fälschlich abgelehnten Zahlungen führen. Blockierungsraten und Falsch-Positiv-Raten müssen regelmäßig überprüft werden.

Wie werden betrügerische Bestellungen in Echtzeit erkannt?

Wenn eine Kundin oder ein Kunde eine Bestellung aufgibt, beginnt der Prozess zur Betrugserkennung, noch bevor die Anfrage zur Zahlungsautorisierung das Kartennetzwerk erreicht. So funktioniert es:

• Datenerfassung: Das System für den Bezahlvorgang erfasst Gerätesignale, IP-Adresse und Sitzungsverhalten (z. B. Verweildauer auf der Seite, Tippgeschwindigkeit, Art und Weise, wie Formularfelder ausgefüllt wurden) zusammen mit den Bestelldetails selbst.

• Regelauswertung: Die Bestellung wird auf regelbasierte Blockierungen geprüft, wie z. B. Geschwindigkeitsbegrenzungen für Transaktionen, blockierte Länder und Kartenbeschränkungen basierend auf der Bank-Identifikationsnummer (BIN). Bestellungen, die eine harte Blockierung auslösen, enden hier.

• Risikobewertung: Ein Modell wertet den gesamten Signalsatz aus und erstellt einen Wert, indem es verschiedene Signale danach gewichtet, welche Kombinationen in der Vergangenheit zu Rückbuchungen und angefochtenen Zahlungen geführt haben.

• Entscheidung: Basierend auf dem Wert und den konfigurierten Schwellenwerten wird die Bestellung automatisch genehmigt, zur manuellen Überprüfung markiert oder abgelehnt. Ein Expertenteam für Betrugsaufdeckung arbeitet die Überprüfungsliste ab, um Grenzfälle manuell zu bewerten.

• Feedback-Schleife: Wenn eine markierte Bestellung manuell überprüft und genehmigt oder abgelehnt wird, fließt dieses Ergebnis in das Modell zurück und verbessert die zukünftige Bewertungsgenauigkeit.

Was ist der Unterschied zwischen Techniken und Tools zur E-Commerce-Betrugsprävention?

Techniken zur E-Commerce-Betrugsprävention sind die analytischen Ansätze, die zur Erkennung von Betrug verwendet werden. Entsprechende Software kann diese Techniken im großen Maßstab anwenden.

Hier sind einige gängige Techniken:

• Geschwindigkeitsprüfungen: Markieren Sie eine ungewöhnliche Transaktionshäufigkeit innerhalb eines Zeitfensters. Dies ist nützlich, um Carding-Angriffe zu erkennen, bei denen betrügerische Akteure gestohlene Kartennummern stapelweise in schneller Folge testen.

• Verhaltensbiometrie: Analysieren Sie, wie eine Nutzerin oder ein Nutzer mit einem Formular interagiert (z. B. Mausbewegung, Timing des Tastenanschlags, Muster beim automatischen Ausfüllen), um Menschen von Bots zu unterscheiden, die versuchen, den Bezahlvorgang zu automatisieren.

• Modelle für maschinelles Lernen: Trainieren Sie mit historischen Transaktionsdaten, um Muster zu erkennen, die Betrug vorausgehen, einschließlich Mustern, die zu subtil sind, als dass Regeln sie erfassen könnten. Je mehr Transaktionsdaten ein Modell für maschinelles Lernen trainiert, desto besser kann es echte Grenzfälle von Betrug unterscheiden.

• Netzwerkanalyse: Identifizieren Sie gemeinsame Signale über mehrere Konten hinweg (z. B. gleiches Gerät, gleiche IP-Adresse, gleiche E-Mail-Domain), um Betrugsringe zu erkennen, die gleichzeitig über mehrere Konten operieren.

Stripe Radar wendet Modelle für maschinelles Lernen an, die auf Transaktionsdaten aus dem gesamten Stripe-Netzwerk trainiert wurden. Da Radar Muster bei Millionen von Unternehmen sieht, kann es Risikosignale identifizieren, für deren Erkennung kein einzelnes Unternehmen allein über genügend Daten verfügen würde. Eine Kartennummer, die an einer anderen Stelle im Netzwerk in einer betrügerischen Transaktion aufgetaucht ist, ist ein wertvolles Signal, selbst wenn Sie diese zum ersten Mal sehen.

Wie entwickeln Sie eine mehrstufige Strategie zur E-Commerce-Betrugsprävention?

Eine mehrstufige Strategie bedeutet, dass kein einziger Schwachpunkt Betrug durchlässt. Jede Stufe erfasst das, was die anderen übersehen.

Das sollte eine mehrstufige Strategie beinhalten:

• Konto- und Identitätsprüfung: Bevor jemand eine Bestellung aufgeben kann, müssen Sie bestätigen, dass die Person diejenige ist, für die sie sich ausgibt. E-Mail-Verifizierung bei der Kontoerstellung, strenge Passwortanforderungen und 3DS-Authentifizierung fügen grundlegende Identitätskontrollen hinzu, die das Risiko einer Kontoübernahme verringern.

• Signale auf Ebene des Bezahlvorgangs: CVV-Prüfungen, AVS und Device Fingerprinting können einen großen Teil der CNP-Betrugsversuche erkennen, bevor sie abgeschlossen sind. Die Abwicklung von Transaktionen ohne diese Kontrollen hinterlässt offensichtliche Lücken.

• Risikobewertung: Die Echtzeit-Bewertung wertet den gesamten Bestellkontext aus. Hier bietet ein Tool wie Stripe Radar den größten Mehrwert, da das Modell auf netzwerkübergreifende Signale zurückgreift, die eine Verifizierung auf Ebene des Bezahlvorgangs allein nicht erkennen kann.

• Benutzerdefinierte Regeln: Unternehmensspezifische Regeln passen das Basismodell an Ihren Kontext an. Ein Unternehmen für digitale Güter ist mit anderen Betrugsmustern konfrontiert als ein Einzelhändler für physische Güter, und Regeln ermöglichen es Ihnen, dieses Wissen direkt in Ihre Entscheidungsfindung zu integrieren.

• Überwachung nach der Transaktion: Rückbuchungsquoten, Muster angefochtener Zahlungen und Ausführungsanomalien sind ebenfalls Signale. Die Überwachung nachgelagerter Metriken erkennt Betrug, der frühere Stufen durchlaufen hat, und ermöglicht im Laufe der Zeit Anpassungen an Regeln und Schwellenwerten.

• Retouren- und Richtlinienkontrollen: Unternehmen, die häufig Retourenbetrug erleben, können Missbrauch eindämmen, indem sie Fotos von zurückgesendeten Posten verlangen, Shop-Guthaben anstelle von Rückerstattungen für markierte Konten ausgeben oder Rückgabefristen proportional zum Bestellwert einführen. Und sie können dies tun, ohne das Erlebnis für ehrliche Kundinnen und Kunden erheblich zu beeinträchtigen.

So kann Stripe Radar Sie unterstützen

Stripe Radar verwendet KI-Modelle zur Erkennung und Prävention von Betrug, die mit Daten aus dem globalen Stripe-Netzwerk trainiert wurden. Es aktualisiert diese Modelle kontinuierlich basierend auf den neuesten Betrugstrends, sodass Ihr Unternehmen geschützt bleibt, während sich der Betrug weiterentwickelt.

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:

• Betrugsverluste verhindern: Stripe wickelt jährlich Zahlungen im Wert von über 1 Billion US-Dollar ab. Diese Größenordnung ermöglicht es Radar auf einzigartige Weise, Betrug präzise zu erkennen, zu verhindern und Ihnen Geld zu sparen.

• Umsatz steigern: Die KI-Modelle von Radar werden mit tatsächlichen Daten zu angefochtenen Zahlungen, Kundeninformationen, Browsing-Daten und mehr trainiert. Dadurch kann Radar riskante Transaktionen identifizieren und Falsch-Positiv-Meldungen reduzieren, was Ihren Umsatz steigert.

• Zeit sparen: Radar ist in Stripe integriert und erfordert für die Einrichtung keinen Code. Sie können auch Ihre Betrugsleistung überwachen, Regeln schreiben und vieles mehr auf einer einzigen Plattform, was die Effizienz steigert.

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