E-commerce fraude wordt wereldwijd een steeds grotere bedreiging. Een van de belangrijkste oorzaken is het card-not-present (CNP) karakter van online aankopen, wat een enorm aanvalsoppervlak creëert voor iedereen die bereid is hier misbruik van te maken. De waarde van wereldwijde e-commerce fraude groeit naar verwachting van ongeveer $ 56 miljard in 2025 naar $ 131 miljard in 2030. Om deze bedreiging aan te pakken, combineert effectieve e-commerce fraudepreventie overlappende controles die elk opvangen wat de anderen missen.

Hieronder verkennen we de veelvoorkomende soorten fraude die online winkeliers treffen, hoe realtime detectie werkt op transactieniveau, en hoe je een gelaagde preventiestrategie opbouwt die fraudeurs kan vangen zonder legitieme klanten af te schrikken.

Kernpunten

• E-commerce fraude omvat meerdere soorten, waaronder CNP-fraude, friendly fraude en accountovername. Elk vereist andere controles om te detecteren en te voorkomen.

• Realtime fraudedetectie kent een risicoscore toe op basis van apparaatsignalen, gedragsgegevens en bestelkenmerken. Die score bepaalt of het geautomatiseerde systeem een transactie goedkeurt, blokkeert of controleert.

• Een gelaagde preventiestrategie combineert machine-learning modellen met regels op maat en verificatiecontroles tijdens het afrekenproces om de breedste dekking mogelijk te maken met de minste wrijving voor legitieme klanten.

Wat is e-commercefraude?

E-commerce fraude is elke poging om een online transactie te voltooien met gestolen, valse of gemanipuleerde informatie om goederen, diensten of geld te verkrijgen zonder legitieme autorisatie. In tegenstelling tot fraude in de winkel is er geen betaalkaart om fysiek te stelen en geen gezicht om te identificeren; dat maakt het online kanaal aantrekkelijker voor fraudeurs.

Wat zijn de veelvoorkomende soorten e-commercefraude?

Dit zijn enkele veelvoorkomende soorten e-commercefraude:

• CNP-fraude: Iemand gebruikt gestolen betaalkaartgegevens om een bestelling te plaatsen. De kaarthouder betwist de betaling vaak bij de bank, en de onderneming verliest de goederen, de inkomsten en krijgt daar bovenop meestal te maken met chargeback-kosten.

• Vriendelijke fraude: Een legitieme klant doet een aankoop, ontvangt het item en betwist de betaling alsnog. De klant beweert dat deze ongeautoriseerd was, dat het item nooit is aangekomen of dat het niet was zoals beschreven. Zonder sterk bewijs, zoals een bezorgbevestiging, IP-gegevens (Internet Protocol) en apparaatvingerafdrukken, kunnen ondernemingen deze geschillen verliezen.

• Accountovername: Een fraudeur krijgt toegang tot een bestaand klantaccount (vaak via 'credential stuffing' met gelekte combinaties van gebruikersnamen en wachtwoorden), wijzigt vervolgens het verzendadres en plaatst bestellingen met de opgeslagen betaalmethode. Omdat het account een legitieme aankoopgeschiedenis heeft, komen deze bestellingen vaak door de basiscontroles voor fraude heen zonder waarschuwingen af te geven.

• Misbruik van retourzendingen: Klanten maken misbruik van soepele retourvoorwaarden om terugbetalingen te krijgen voor items die ze al hebben gebruikt, of sturen beschadigde of andere producten terug. Terugbetalingsfraude heeft net als andere soorten fraude invloed op de marges, maar wordt vaak behandeld als een operationeel probleem.

• Misbruik van promoties en kortingsbonnen: Fraudeurs maken meerdere accounts aan om herhaaldelijk kortingen voor nieuwe klanten, verwijzingsbonussen of promotiecodes te claimen. Dit komt vooral veel voor bij digitale goederen of abonnementsproducten, waarbij er geen fysieke limiet is aan het aantal keren dat het misbruik kan worden herhaald.

Welke best practices voor e-commerce fraudepreventie moeten online winkeliers volgen?

Effectieve programma's voor fraudepreventie combineren detectiesignalen, veiligheidsmaatregelen bij het afrekenproces en intern beleid. Monitoring van transacties moet letten op de volgende signalen die, samengenomen, wijzen op de waarschijnlijkheid van fraude:

• Ongebruikelijke patronen: Meerdere bestellingen vanaf hetzelfde IP-adres, betaalkaartnummer of apparaat in een kort tijdsbestek wijzen vaak op geautomatiseerde fraude of carding-aanvallen (dat wil zeggen, fraudeurs testen gestolen betaalkaartnummers met kleine transacties voordat ze grotere doen).

• Verschillen in verzend- en facturatiegegevens: Een bestelling waarbij de facturatie- en verzendadressen zich in verschillende landen bevinden of waarbij het e-mailadres niet overeenkomt met wat in het bestand staat voor die betaalkaart, verhoogt de kans op fraude.

• Apparaat- en browsersignalen: Identificatie van apparaten aan de hand van hun kenmerken legt attributen vast zoals browserconfiguratie, schermresolutie en geïnstalleerde lettertypen. Een apparaat dat eerder in verband is gebracht met een frauduleuze bestelling is een sterke risico-indicator, ongeacht welke betaalkaart het nu gebruikt.

• Bestelkenmerken: Bestellingen met een hoge waarde die direct na het aanmaken van een account worden geplaatst, meerdere exemplaren van hetzelfde item met een hoge doorverkoopwaarde en spoedverzending naar een bestemming waar dat logistiek niet logisch is, zijn allemaal scenario's die nader moeten worden onderzocht.

Tijdens het afrekenproces kunnen verdere verificatiecontroles je een beter inzicht geven in wie de transactie voltooit. Deze omvatten het volgende:

• Adresverificatieservice (AVS): Dit controleert of het facturatieadres dat een klant invoert overeenkomt met wat bekend is bij de uitgever van de betaalkaart. Een volledige overeenkomst garandeert geen legitimiteit, maar een afwijking kan een belangrijk risicosignaal zijn.

• Controle van Card Verification Value (CVV): Dit bevestigt dat de persoon die de bestelling plaatst fysieke toegang heeft tot de betaalkaart, en niet alleen tot het kaartnummer. Het vereisen van de CVV bij het afrekenproces is de standaard.

• 3D Secure (3DS): Dit voegt een authenticatiestap toe waarbij de kaarthouder de identiteit rechtstreeks bij de uitgever van de betaalkaart authenticeert, vaak via een eenmalige code of biometrische prompt. Wanneer de 3DS-authenticatie slaagt, verschuift de aansprakelijkheid voor een chargeback meestal van de onderneming naar de uitgever van de betaalkaart.

Met geautomatiseerde regels kun je harde grenzen stellen aan transactiegedrag: je kunt alle bestellingen blokkeren die naar een specifieke risicoregio worden verzonden, een handmatige controle vereisen boven een bepaalde bestelwaarde, of een transactie weigeren waarbij AVS mislukt en de bestelling een ingestelde drempel overschrijdt. De uitdaging is dat regels standaard statisch zijn. Fraudetactieken veranderen, en regels die zes maanden geleden effectief werkten, kunnen vandaag leiden tot valse weigeringen. Blokkeringspercentages en het aantal false positives moeten regelmatig worden gecontroleerd.

Hoe worden frauduleuze bestellingen in realtime gedetecteerd?

Wanneer een klant een bestelling plaatst, start het fraudedetectieproces nog voordat de autorisatieaanvraag voor de betaling het netwerk voor betaalkaarten bereikt. Dit werkt als volgt:

• Gegevens vastleggen: Het afrekensysteem verzamelt apparaatsignalen, het IP-adres en sessiegedrag (zoals de tijd op de pagina, het typritme en hoe formuliervelden zijn ingevuld), samen met de bestelgegevens zelf.

• Regels evalueren: De bestelling wordt gecontroleerd op blokkades op basis van regels, zoals limieten voor de transactiesnelheid, geblokkeerde landen en kaartbeperkingen op basis van het Bank Identification Number (BIN). Bestellingen met een harde blokkade stoppen hier.

• Risicoscore bepalen: Een model evalueert de volledige reeks signalen en genereert een score door verschillende signalen te wegen op basis van welke combinaties in het verleden voorafgingen aan chargebacks.

• Beslissing: Op basis van de score en geconfigureerde drempels wordt de bestelling automatisch goedgekeurd, gemarkeerd voor menselijke controle of geweigerd. Een fraudeteam verwerkt de controlewachtrij om grensgevallen handmatig te evalueren.

• Feedbackloop: Wanneer een gemarkeerde bestelling handmatig wordt gecontroleerd en goedgekeurd of geweigerd, wordt die uitkomst teruggekoppeld naar het model, wat de nauwkeurigheid van toekomstige scores verbetert.

Wat is het verschil tussen technieken en tools voor e-commerce fraudepreventie?

Technieken voor e-commerce fraudepreventie zijn de analytische methoden die worden gebruikt om fraude te identificeren. Gerelateerde software kan deze technieken op grote schaal inzetten.

Dit zijn enkele veelvoorkomende technieken:

• Snelheidscontroles: Markeer ongebruikelijke transactiefrequenties binnen een bepaald tijdsbestek. Dit is nuttig om carding-aanvallen te onderscheppen, waarbij fraudeurs series gestolen betaalkaartnummers snel achter elkaar testen.

• Gedragsbiometrie: Analyseer hoe een gebruiker met een formulier omgaat (bijv. muisbewegingen, typtiming, patronen voor automatisch invullen) om mensen te onderscheiden van bots die het afrekenproces proberen te automatiseren.

• Machine-learning modellen: Train op historische transactiegegevens om patronen te identificeren die voorafgaan aan fraude, waaronder patronen die te subtiel zijn voor regels om op te vangen. Hoe meer transactiegegevens een machine-learning model gebruikt om te trainen, hoe beter het wordt in het onderscheiden van legitieme grensgevallen van fraude.

• Netwerkanalyse: Identificeer gedeelde signalen tussen accounts (bijv. hetzelfde apparaat, hetzelfde IP-adres, hetzelfde e-maildomein) om fraudenetwerken te detecteren die tegelijkertijd via meerdere accounts opereren.

Stripe Radar past machine-learning modellen toe die zijn getraind op transactiegegevens uit het hele netwerk van Stripe. Omdat Radar patronen ziet bij miljoenen ondernemingen, kan het risicosignalen identificeren waarvoor geen enkele afzonderlijke onderneming zelf genoeg gegevens zou hebben om ze te detecteren. Een betaalkaartnummer dat elders in het netwerk bij een frauduleuze transactie is opgedoken, is een waardevol signaal, zelfs als dit de eerste keer is dat je het ziet.

Hoe bouw je een gelaagde strategie voor e-commerce fraudepreventie op?

Een gelaagde strategie betekent dat geen enkel 'single point of failure' fraude doorlaat. Elke laag vangt op wat de andere lagen missen.

Dit moet een gelaagde strategie omvatten:

• Account- en identiteitsverificatie: Bevestig de identiteit van gebruikers voordat ze een bestelling kunnen plaatsen. E-mailverificatie bij de aanmaak van een account, strenge wachtwoordvereisten en 3DS-authenticatie voegen basiscontroles voor identiteit toe die het risico op accountovername verkleinen.

• Signalen bij het afrekenproces: CVV-controles, AVS en identificatie van apparaten aan de hand van hun kenmerken kunnen een groot deel van de CNP-fraudepogingen onderscheppen voordat ze zijn voltooid. Transacties verwerken zonder deze controles zorgt voor duidelijke hiaten.

• Risicoscore bepalen: Realtime scoring evalueert de volledige context van de bestelling. Hier voegt een tool als Stripe Radar de meeste waarde toe, omdat het model gebruikmaakt van signalen uit het hele netwerk die verificatie op het niveau van het afrekenproces alleen niet kan zien.

• Regels op maat: Bedrijfsspecifieke regels passen het basismodel aan voor jouw context. Een onderneming in digitale goederen heeft te maken met andere fraudepatronen dan een winkelier in fysieke goederen, en met regels kun je die kennis direct in je besluitvorming integreren.

• Monitoring na de transactie: Chargeback-percentages, patronen in chargebacks en afwijkingen in de afhandeling zijn ook signalen. Het monitoren van downstream statistieken vangt fraude op die door eerdere lagen is geglipt en helpt bij het aanpassen van regels en drempels in de loop van de tijd.

• Retour- en beleidscontroles: Ondernemingen die vaak te maken hebben met retourfraude kunnen misbruik beperken door foto's van geretourneerde items te eisen, winkeltegoed uit te geven in plaats van terugbetalingen voor gemarkeerde accounts, of retourtermijnen in te voeren die evenredig zijn aan de bestelwaarde. Ze kunnen dit doen zonder de ervaring voor eerlijke klanten aanzienlijk te schaden.

Hoe Stripe Radar kan helpen

Stripe Radar gebruikt AI-modellen om fraude te detecteren en te voorkomen, getraind op gegevens uit het wereldwijde netwerk van Stripe. Het updatet deze modellen continu op basis van de nieuwste fraudetrends, zodat jouw onderneming beschermd blijft naarmate fraude zich ontwikkelt.

Stripe biedt ook Radar for Fraud Teams, waarmee gebruikers regels op maat kunnen toevoegen die zich richten op fraudescenario's die specifiek zijn voor hun bedrijf en toegang hebben tot geavanceerd fraude-inzicht.

Radar kan je onderneming helpen met:

• Verliezen door fraude voorkomen: Stripe verwerkt jaarlijks voor meer dan $ 1 biljoen aan betalingen. Deze schaal stelt Radar op unieke wijze in staat om fraude nauwkeurig te detecteren en te voorkomen en je geld te besparen.

• Inkomsten verhogen: De AI-modellen van Radar zijn getraind op daadwerkelijke chargeback-gegevens, klantinformatie, browsegegevens en meer. Hierdoor kan Radar risicovolle transacties identificeren en het aantal false positives verminderen, wat je inkomsten verhoogt.

• Tijd besparen: Radar is ingebouwd in Stripe en vereist geen enkele regel code om in te stellen. Je kunt ook je fraudeprestaties monitoren, regels schrijven en meer op één platform, wat de efficiëntie verhoogt.

Lees meer over Stripe Radar of ga vandaag nog aan de slag.