Online-Geschäfte sind anfällig für Betrug. Im Jahr 2025 verloren globale Unternehmen durchschnittlich 7,7 % des Jahresumsatzes durch Betrug und diese Zahl steigt weiter, da Zahlungen, Konten und Kundeninteraktionen vollständig digital werden.

Im Folgenden erklären wir, wie finanzieller Betrug heute aussieht, mit welchen Betrugsarten es Unternehmen häufig zu tun haben und welche Strategien Organisationen anwenden können, um den Umsatz zu schützen, das Kundenvertrauen zu erhalten und sicher zu skalieren.

Worum geht es in diesem Artikel?

• Was sind Strategien zur Betrugsprävention?
  
• Was sind die häufigsten Arten von Betrug, mit denen Unternehmen konfrontiert sind?
  
• Wie wirkt sich Betrug auf Umsatz, Betrieb und das Kundenvertrauen aus?
  
• Wie funktionieren Echtzeit-Betrugserkennungssysteme?
  
• Wie können mit maschinellem Lernen betrügerische Transaktionen erkannt werden?
  
• Warum ist Kundenauthentifizierung unerlässlich für die Betrugsprävention?
  
• Wie entwickeln Unternehmen eine skalierbare Betrugspräventionsstrategie?
  
• So kann Stripe Radar Sie unterstützen
  

Was sind Strategien zur Betrugsprävention?

Strategien zur Betrugsprävention sind mehrschichtige Ansätze zur Bekämpfung von finanziellem Betrug, der definiert ist als jeder vorsätzliche Versuch, Geld, Werte oder Zugang durch Täuschung zu erlangen. Betrug lässt sich selten als eine einzige, verdächtige Transaktion erkennen.

Moderne betrügerische Akteurinnen und Akteure nutzen Scripts und Bots, um Tausende gestohlener Karten innerhalb von Minuten zu testen, Wellen von gefälschten Konten zu erstellen oder Bezahl- und Anmeldevorgänge auf Schwachstellen zu testen. Dieselben Technologien, die Unternehmen dabei helfen, schneller zu wachsen – z. B. APIs, Automatisierung und globale Zahlungen – erhöhen auch die Möglichkeiten für Betrug. Betrug ist für Unternehmen ein ständiger Stressfaktor.

Was sind die häufigsten Arten von Betrug, mit denen Unternehmen konfrontiert sind?

Betrug hat viele verschiedene Formen. Unternehmen sehen sich in der Regel mit einer Mischung aus Systemen konfrontiert, die je nach Branche, Region und Kundenverhalten variieren.

Weit verbreitete Betrugsformen sind:

• Betrug mit Karten: Dies sind nicht autorisierte Käufe, die mit gestohlenen Kartenangaben getätigt werden, insbesondere bei Card-Not-Present-Transaktionen. Unternehmen verlieren den Verkauf, das Produkt oder die Dienstleistung und zahlen Rückbuchungen und Bearbeitungsgebühren, wenn die Transaktion angefochten wird.

• Kontoübernahme (Account takeover, ATO): Bei Betrug durch Kontoübernahme verschaffen sich böswillige Akteurinnen und Akteure mithilfe gestohlener Anmeldedaten, Phishing oder Malware Zugang zu legitimen Kundenkonten. Sobald sie angemeldet sind, können sie Käufe tätigen, Gelder übertragen, Kontodetails ändern oder die wahren Nutzer/innen aussperren.

• Phishing und Social Engineering: Zu diesen Methoden gehören betrügerische Nachrichten, die Kundinnen und Kunden oder Mitarbeiter/innen dazu bringen sollen, Anmeldedaten, Verifizierungscodes oder Geld zu teilen. Die Angriffe sind erfolgreich, indem Vertrauen, Dringlichkeit oder Autorität anstatt technische Schwächen ausgenutzt werden.

• Freundlicher Betrug: Rechtmäßige Kundinnen und Kunden, die gültige Zahlungen angefochten haben und behaupten, sich nicht an die Zahlung zu erinnern oder unzufrieden zu sein. Freundlicher Betrug ist eine häufige Ursache für Rückbuchungen und sehr schwer zu erkennen.

• Identitätsbetrug: Jemand verwendet gestohlene persönliche Daten, um Konten zu eröffnen, auf Dienste zuzugreifen oder Verifizierungsprüfungen zu durchlaufen. Dies reicht von einfachem Identitätsdiebstahl bis zu koordinierterem Missbrauch echter Daten.

• Betrug mit künstlichen Identitäten: Erfundene Identitäten basieren auf einer Kombination aus echten und erfundenen Informationen. Diese Identitäten können grundlegende Prüfungen bestehen und lange aktiv bleiben, bevor Verluste sichtbar werden.

• Insider-Betrug: Dabei missbrauchen Arbeitgeber oder Partner ihren legitimen Zugriff, einschließlich Finanzmanipulation, Datendiebstahl oder Umgehung interner Kontrollen.

Wie wirkt sich Betrug auf Umsatz, Betrieb und das Kundenvertrauen aus?

Betrug bleibt selten begrenzt. Sobald betrügerische Aktivitäten für ein Unternehmen zum Thema werden, wirken sie sich auf Teams, Kundenerfahrung und langfristiges Wachstum aus. Diese Auswirkungen können noch eine Weile ungebremst anhalten, da es bei vielen Betrugsfällen bis zu 12 Monate dauern kann, bis sie erkannt werden.

Darauf müssen Unternehmen achten:

• Direkter Umsatzverlust: Jede angefochtene Transaktion kostet oft weit mehr als ihr Nennwert, sobald Gebühren, Strafen und Bearbeitungskosten hinzukommen.

• Steigende Betriebskosten: Manuelle Überprüfungen, der Umgang mit angefochtenen Zahlungen und der Kundensupport brauchen Zeit und Ressourcen, die sich mit zunehmendem Transaktionsvolumen nicht skalieren.

• Mehr Zahlungsprobleme: Wenn Betrug auftritt, verschärfen Unternehmen oft die Kontrollen und das Risikomanagement. Wenn diese Kontrollen zu umfassend sind, werden legitime Transaktionen abgelehnt, was zu Kaufabbrüchen und Umsatzeinbußen durch falsche Annahmen führt.

• Schwächung des Kundenvertrauens: Kundinnen und Kunden erwarten in der Regel, dass ihr Geld und ihre Daten sicher aufbewahrt werden. Betrugsfälle, Kontoübernahmen oder wiederholte Verifizierungsfehler untergraben schnell das Vertrauen.

• Höhere Abwanderung: Von Betrug betroffene oder fälschlicherweise blockierte Kundinnen und Kunden wandern mit größerer Wahrscheinlichkeit ab – auch schon nach einer einzigen schlechten Erfahrung.

• Risiko durch Regulierungsbehörden und Partner: Anhaltender Betrug kann zu Überprüfungen durch Aufsichtsbehörden, Zahlungsnetzwerke und Bankpartner führen. In schwerwiegenden Fällen kann dies zu Bußgeldern, verstärkter Überwachung oder Verarbeitungseinschränkungen führen.

Wie funktionieren Echtzeit-Betrugserkennungssysteme?

Die Echtzeit-Betrugserkennung soll Betrug verhindern, bevor Gelder bewegt werden, ohne legitime Kundinnen und Kunden zu behindern. Sie erfordert schnelle Entscheidungen, die mithilfe von Teilinformationen getroffen werden.

Sehen wir uns das näher an:

• Erfassung von Signalen: Wenn eine Transaktion oder eine Kontoaktion durchgeführt wird, erfasst das System Kontextdaten, einschließlich Gerätedetails, IP- und Standort-Daten, Transaktionsverlauf, Zeitmuster und Verhaltenshinweise.

• Risikobewertung: Das System analysiert diese Signale anhand bekannter Betrugsmuster und des erwarteten Kundenverhaltens, um das Risiko der Aktivität einzuschätzen.

• Sofortige Entscheidungsfindung: Je nach Risikostufe genehmigt oder blockiert das System die Aktion oder fordert eine zusätzliche Verifizierung an, und zwar innerhalb von Millisekunden.

• Dynamische Schwellenwerte: Die Risikotoleranz variiert je nach Transaktionsgröße, Kundenhistorie, Region und Produkt. Adaptive Schwellenwerte helfen dabei, eine Überkorrektur und Ablehnung guter Kunden/Kundinnen zu verhindern.

• Feedback-Schleifen: Das System lernt aus bestätigten Betrugsfällen, Rückbuchungen und Zahlungsanfechtungen, was zukünftige Entscheidungen verbessert, während sich die Betrugsmuster weiterentwickeln.

• Menschliche Überwachung: Expertenteams für Betrugsaufdeckung konzentrieren sich auf Grenzfälle, Untersuchungen und Strategien zur Anpassung, anstatt jede Transaktion zu überprüfen.

Wie können mit maschinellem Lernen betrügerische Transaktionen erkannt werden?

Maschinelles Lernen stärkt die Betrugsprävention, indem Muster erkannt werden, die für statische Regeln zu komplex sind. Modelle werten Tausende von Signalen gleichzeitig aus, vom Verhalten und den Gerätemerkmalen über den Zeitpunkt von Transaktionen bis hin zu historischen Ergebnissen. Jeder bestätigte Betrugsfall bzw. jede angefochtene Zahlung oder legitime Transaktion verbessert die Fähigkeit des Modells, riskantes Verhalten von Kundenaktivitäten zu unterscheiden. Trainierte Modelle liefern Risikobewertungen in Millisekunden, selbst bei massiven Transaktionsvolumen.

Algorithmen für maschinelles Lernen erkennen zum einen in großem Ausmaß Muster aus realem Verhalten und passen sich zum anderen an, wenn sich diese Muster ändern. Wenn Kriminelle ihre Strategien ändern, lernen die Modelle aus neuen Daten, anstatt sich auf feste Annahmen zu verlassen. Durch das Verständnis von Nuancen und Kontexten können Algorithmen Transaktionen genehmigen, die einfache Regeln unnötig blockieren würden.

Das Einbeziehen von Menschen ist unerlässlich. Maschinelles Lernen bringt Risiken zum Vorschein und Expertenteams für Betrugsaufdeckung nutzen diese Erkenntnisse, um Richtlinien zu erstellen, Abweichungen zu untersuchen und auf neue Bedrohungen zu reagieren.

Warum ist Kundenauthentifizierung unerlässlich für die Betrugsprävention?

Betrügerische Akteurinnen und Akteure sind häufig erfolgreich, wenn sie sich als andere ausgeben. Eine starke Authentifizierung stoppt diesen Identitätsdiebstahl frühzeitig.

So beseitigt die Kundenauthentifizierung diesen Angriffspunkt:

• Kein unbefugter Zugriff: Die Authentifizierung blockiert betrügerische Akteurinnen und Akteure, auch wenn Anmeldedaten kompromittiert werden.

• Weniger Betrug bei Zahlungen: Durch eine verstärkte Verifizierung während des Bezahlvorgangs werden gestohlene Zahlungsdaten deutlich weniger nützlich.

• Schutz von Konten: Anforderungen an den Eigentumsnachweis oder die Kundenidentität erhöhen die Kosten für den Missbrauch von Konten.

Viele Regionen verlangen eine stärkere Kundenverifizierung für bestimmte Transaktionen oder Kontoaktionen. Eine klare, gut durchdachte Authentifizierung gibt Kundinnen und Kunden die Gewissheit, dass ihre Konten und Zahlungen aktiv geschützt sind.

Wie entwickeln Unternehmen eine skalierbare Betrugspräventionsstrategie?

Betrugsprävention funktioniert nur langfristig, wenn sie gemeinsam mit dem Unternehmen skaliert. Dies erfordert Systeme, die auf ständige Veränderungen ausgelegt sind.

Nachfolgend finden Sie einige Best Practices:

• Denken Sie in Systemen, nicht in Tools: Eine wirksame Prävention verbindet Betrugserkennung, Authentifizierung, Überprüfung und Reaktion. Isolierte Lösungen für die einzelnen Punkte scheitern, wenn die Komplexität zunimmt.

• Mehrschichtige Abwehrmaßnahmen über alle Kundenaktionen hinweg: Die Risiken unterscheiden sich bei Kontoerstellung, Anmeldung, Bezahlvorgang und in Anschluss an eine Transaktion. Mehrschichtige Kontrollen verhindern einzelne Fehlerpunkte.

• Standardmäßig automatisieren und den Menschen strategisch einbeziehen: Die Automatisierung erledigt die meisten Entscheidungen schnell. Für Grenzfälle, Untersuchungen und Strategieverfeinerung sollte auf menschliches Wissen zurückgegriffen werden.

• Immer den Kreislauf schließen: Erkenntnisse aus Verlusten durch Betrug, falsch positiven Ergebnisse und angefochtenen Zahlungen sollten ständig in zukünftige Entscheidungen einfließen.

• Balance zwischen Sicherheit und Erfahrung: Skalierbare Programme messen die Betrugsreduzierung und die Konversion zusammen, nicht isoliert.

• Weiterentwicklung ermöglichen: Die stärksten Strategien gehen davon aus, dass sich Betrugstaktiken ändern, und entwickeln Prozesse, um ohne Unterbrechung zu testen, anzupassen und Updates bereitzustellen.

• Sicherstellen, dass Teams über gemeinsame Kennzahlen verfügen: Eindeutige Zuständigkeiten und gemeinsame Ziele helfen Teams, schneller zu reagieren und zweckübergreifend zu arbeiten.

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.