Fraud Scores helfen Teams, das Betrugsrisiko bei Transaktionen in Echtzeit zu bewerten, indem sie komplexe Verhaltens- und Zahlungssignale in eine einzige, umsetzbare Maßnahme umwandeln. Die Bewertung des Transaktionsrisikos anhand von Fraud Scores hat für Unternehmen zunehmende Priorität, da sie zwischen 2024 und 2025 durchschnittlich 7,7 % des jährlichen Umsatzes durch Betrug verloren haben. Um Zahlungsbetrug zu minimieren, unnötige Ablehnungen zu vermeiden und bessere Risikoentscheidungen zu treffen, ist es notwendig zu verstehen, wie Fraud Scores funktionieren und was sie Ihnen sagen können und was nicht.

Im Folgenden erklären wir, wie Fraud Scores erstellt werden, wie Unternehmen sie verwenden und wie sie klar und sicher interpretiert werden können.

Worum geht es in diesem Artikel?

• Was ist ein Fraud Score?
  
• Wie können Unternehmen das Transaktionsrisiko anhand von Fraud Scores bewerten?
  
• Wie nutzen Unternehmen Fraud Scores, um Transaktionen zu genehmigen oder abzulehnen?
  
• Welche Daten werden zur Berechnung eines Fraud Scores verwendet?
  
• Wie genau sind Fraud Scores?
  
• Warum kann dieselbe Transaktion unterschiedliche Fraud Scores aufweisen?
  
• Sind Fraud Scores Beweise für Betrug oder Risikoindikatoren?
  
• So kann Stripe Radar Sie unterstützen
  

Was ist ein Fraud Score?

Ein Fraud Score ist eine Methode, um Risiken auszudrücken. Es handelt sich um ein Signal, oft eine Zahl oder Kategorie, das abschätzt, mit welcher Wahrscheinlichkeit eine bestimmte Transaktion oder Aktion betrügerisch ist. Betrachten Sie es als ein zusammenfassendes Urteil: Wie riskant sieht es auf der Grundlage aller Informationen aus, die das System gerade sehen kann? Anstatt dass Teams Dutzende von Datenpunkten einzeln auswerten müssen, werden diese durch einen Fraud Score in einem einzigen, umsetzbaren Indikator zusammengefasst.

Wie können Unternehmen das Transaktionsrisiko anhand von Fraud Scores bewerten?

Fraud Scores werden in Echtzeit generiert, oft innerhalb von Millisekunden nach einer Transaktion. Dies ist möglich, weil der Bewertungsprozess strukturiert und automatisiert ist.

So funktioniert ein Fraud Score:

• Erfassung von Signalen: Bei einer Transaktion erfasst das System relevante Zahlungs-, Kunden-, Geräte- und Kontextdaten.

• Mustervergleich: Jedes Signal wird mit Mustern verglichen, die anhand von historischem legitimem und betrügerischem Verhalten gelernt wurden.

• Risikogewichtung: Nicht alle Signale sind gleich wichtig. Klare Warnsignale, wie z. B. eine Nichtübereinstimmung des Standorts, haben mehr Gewicht als kleinere Unregelmäßigkeiten.

• Modellbewertung: Ein Scoring-Modell, das häufig auf Machine Learning basiert, verarbeitet die gewichteten Signale und schätzt die Wahrscheinlichkeit betrügerischer Aktivitäten, indem die Transaktion mit bekannten Ergebnissen verglichen wird.

• Generierung des Scores: Das Ergebnis ist ein einziger Score auf einer definierten Skala, der das relative Risiko darstellt.

• Sofortige Verfügbarkeit: Der Score wird sofort zurückgegeben, damit Unternehmen Transaktionen genehmigen, blockieren oder prüfen können, ohne das Kundenerlebnis zu bremsen.

• Kontinuierliches Lernen: Wenn das Modell Ergebnisse wie bestätigten Betrug, erfolgreiche Transaktionen und Zahlungsanfechtungen protokolliert, passt es sich entsprechend an. Das kontinuierliche Feedback hilft dabei, die Scores relevant zu halten, wenn sich die Betrugstaktiken ändern.

Wie nutzen Unternehmen Fraud Scores, um Transaktionen zu genehmigen oder abzulehnen?

Fraud Scores treffen keine eigenen Entscheidungen. Unternehmen definieren, wie sie darauf reagieren, basierend auf ihrer Risikotoleranz und ihren Zielen. Dies sind einige gängige Ansätze:

• Risikoschwellenwerte: Scores, die einem geringen Risiko entsprechen, werden automatisch freigegeben, wodurch der Bezahlvorgang für die meisten Kundinnen und Kunden schnell bleibt.

• Automatische Ablehnungen: Scores, die einen definierten Risikoschwellenwert überschreiten, werden blockiert, um zu verhindern, dass wahrscheinlicher Betrug zu Rückbuchungen oder nachgelagerten Verlusten wird.

• Manuelle Überprüfungsliste: Mittlere Scores werden zur menschlichen Überprüfung weitergeleitet, wenn das Risiko unklar ist, aber einen genaueren Blick wert ist.

• Zusatz-Verifizierung: Manche Scores erfordern eine zusätzliche Verifizierung und führen nicht sofort zu einer abgelehnten Zahlung.

• Policy Tuning: Teams passen regelmäßig die Schwellenwerte auf Basis der Ergebnisse an, etwa Betrugsraten, fälschlicherweise abgelehnte Zahlungen und Customer Impact.

• Unternehmensfokus: Fraud Scores hilft Teams, effizient zu skalieren, ohne alles zu überprüfen, indem sie sich auf die riskantesten Aktivitäten konzentrieren.

Welche Daten werden zur Berechnung von Fraud Scores verwendet?

Fraud Scores basieren auf vielen kleinen Signalen, die für sich genommen unscheinbar wirken – aber wenn sie kombiniert werden, ergeben sie eine aussagekräftige Metrik.

So werden Zahlungsdaten zur Berechnung von Fraud Scores verwendet:

• Details zur Transaktion: Betrag, Währungen, Postentyp, Zeitpunkt und Häufigkeit helfen dabei, festzustellen, ob die Aktivität normalen Mustern entspricht.

• Informationen zur Zahlung: Die Metadaten der Karte, das Land, in dem sie ausgestellt wurde, und die Abrechnungsdetails werden auf Unstimmigkeiten überprüft.

• Kundenhistorie: Bestandskundinnen und -kunden mit erfolgreicher Transaktionshistorie erhalten in der Regel niedrigere Scores als neue oder inaktive Konten.

• Konto- und Identitätssignale: Die Qualität der E-Mail-Adresse, das Konto-Alter und die Vollständigkeit der Profilinformationen tragen zur Glaubwürdigkeit bei. Einweg-E-Mail-Adressen oder kürzlich erstellte Konten stellen oft ein Risiko dar.

• Gerätedaten: Gerätekennungen geben an, ob ein Gerät bereits zuvor gesehen wurde und wie es sich in der Vergangenheit verhalten hat.

• Netzwerk- und Standortsignale: IP-Daten (Internet Protocol) helfen Unternehmen, auf geografische Standorte und Netzwerkeigenschaften zu schließen. Große Abweichungen oder Anonymisierungsdienste erhöhen in der Regel das Risiko.

• Verhaltensmuster: Ungewöhnliches Verhalten beim Bezahlvorgang oder wiederholte Anmeldeversuche können den Score beeinflussen.

• Geschwindigkeitsindikatoren: Mehrere Aktionen innerhalb kurzer Zeit, etwa Anmelde- und Zahlungsversuche, können auf Automatisierung oder Testverhalten hinweisen.

Wie genau sind Fraud Scores?

Fraud Scores sind ein prädiktives Instrument, keine Garantie. Die Genauigkeit von Fraud Scores hängt davon ab, wie sie aufgebaut sind, wie sie verwendet werden und wie gut sie auf das Risikoprofil eines Unternehmens abgestimmt sind.

Folgendes ist zu beachten:

• Wahrscheinlichkeit, nicht Gewissheit: Ein Score spiegelt die Wahrscheinlichkeit wider. Betrug zu reduzieren bedeutet oft, einige fälschlicherweise abgelehnte Zahlungen zu akzeptieren, während zur Minimierung von Reibungsverlusten in der Regel mehr Risiko toleriert wird.

• Falsch positive und falsch negative Ergebnisse: Kein Modell ist perfekt. Unternehmen müssen ständig ein Gleichgewicht zwischen der Blockierung von Betrug und der Akzeptanz möglichst vieler legitimer Kundinnen und Kunden finden.

• Datenqualität: Reichhaltige, aktuelle und genaue Daten verbessern die Leistung, während unvollständige oder veraltete Eingaben die Zuverlässigkeit beeinträchtigen.

• Aus Ergebnissen lernen: Modelle verbessern sich, wenn reale Ergebnisse wie bestätigter Betrug, erfolgreiche Transaktionen und Zahlungsanfechtungen für das Training des Systems verwendet werden.

• Unternehmenskontext: Kundenverhalten, Zahlungsmethoden und Risikotoleranz variieren stark, was sich darauf auswirkt, wie prädiktiv ein Score in der Praxis ist.

• Laufende Neukalibrierung: Regelmäßige Überwachung und Anpassung sind erforderlich, um die Scores an die sich entwickelnden Betrugsmuster anzupassen.

Warum kann dieselbe Transaktion unterschiedliche Fraud Scores aufweisen?

Es ist normal, dass dieselbe Transaktion systemübergreifend unterschiedliche Fraud Scores erhält. Das liegt daran, dass die Fraud Scores nicht standardisiert sind und davon abhängig sind, wer sie evaluiert.

Aus diesen Gründen kann dieselbe Transaktion verschiedene Fraud Scores aufweisen:

• Verschiedene Modelle: Einige Systeme zur Betrugserkennung basieren auf Regeln, während andere auf Machine-Learning-Modellen basieren, die mit verschiedenen Datensätzen trainiert werden.

• Variierende Datensichtbarkeit: Ein Anbieter kann gegebenenfalls unternehmensübergreifende Aktivitäten sehen, während ein anderer möglicherweise nur Aktivitäten innerhalb eines einzigen Unternehmens sieht.

• Unterschiedliche Signalgewichtung: Modelle priorisieren Signale unterschiedlich. Standort, Gerätehistorie oder Transaktionsgeschwindigkeit können in einem System wichtiger sein als in einem anderen.

• Unterschiedliche Risikobereitschaft: Einige Unternehmen wenden Scores aggressiv an, um Verluste zu minimieren, während andere sie konservativer anwenden, um die Konversion zu schützen.

• Verschiedene Skalen: Eine „hohe“ Punktzahl in einem System stellt in einem anderen System gegebenenfalls nur ein mäßiges Risiko dar.

• Unterschiedliches Timing: Später generierte Scores enthalten möglicherweise Signale, die beim Bezahlvorgang noch nicht verfügbar waren.

Sind Fraud Scores Beweise für Betrug oder Risikoindikatoren?

Fraud Scores sind Instrumente zur Entscheidungsfindung. Ein hoher Score signalisiert ein erhöhtes Risiko und stellt keine Bestätigung für Betrug dar. Rechtmäßige Kundinnen und Kunden können dennoch hohe Scores erhalten, wenn ihr Verhalten ungewöhnlich erscheint, und umgekehrt können sich auch sicher erscheinende Transaktionen können später als betrügerisch erweisen.

Scores sind am effektivsten, wenn sie mit Unternehmensregeln, menschlicher Überprüfung oder zusätzlichen Checks kombiniert werden. Ihr Wert liegt darin, dass sie Unternehmen helfen, frühzeitig zu handeln, bevor aus einem Betrugsfall ein Verlust oder eine Zahlungsanfechtung wird. Auch wenn die Entscheidungen im Einzelfall nicht immer perfekt sind, verbessern Fraud Scores die Gesamtergebnisse bei einem großen Volumen von Aktivitäten. Stripe Radar reduziert beispielsweise die Betrugsfälle für Unternehmen um durchschnittlich 38 %.

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.