In 2024 verloren alleen al in de VS klanten $ 12,5 miljard aan fraude, een stijging van 25% ten opzichte van het voorgaande jaar. In veel gevallen lijkt fraude op een normale transactie totdat dit niet meer het geval is: een bot voor kaarttesten kan binnen enkele minuten tientallen kleine afschrijvingen via verschillende betaalkaarten indienen, een frauduleuze partij kan gestolen inloggegevens gebruiken om een dure bestelling met versnelde verzending te plaatsen, of een klant kan een chargeback aanvragen voor een afschrijving die de klant daadwerkelijk heeft geautoriseerd.

De beste fraudedetectiesoftware helpt deze patronen op te pikken voordat het chargebacks worden, door gebruik te maken van op regels gebaseerde logica, machine-learning (ML) en realtime transactiesignalen om legitieme aankopen van frauduleuze te scheiden. Hieronder leggen we uit hoe fraudedetectiesoftware werkt, welke functies van belang zijn wanneer je een oplossing voor fraudepreventie evalueert en hoe je een systeem kunt afstemmen op de blootstelling aan fraude van je onderneming.

Kernpunten

• Moderne fraudedetectie maakt gebruik van op regels gebaseerde logica, ML of beide om bekende fraudepatronen en nieuwe tactieken te ondervangen die statische regels zouden missen.

• Het percentage valspositieven is net zo belangrijk als het detectiepercentage, aangezien het blokkeren van legitieme klanten ook leidt tot omzetverlies.

• Ondernemingen die al gebruikmaken van betaaldienstverleners met ingebouwde fraudedetectie, kunnen een externe integratie vaak overslaan. Ingebouwde tools voor fraudedetectie maken gebruik van signalen op netwerkniveau die zelfstandige platformen vaak moeilijk kunnen repliceren.

Wat is fraudedetectiesoftware?

Software voor de detectie van betalingsfraude evalueert transacties om frauduleuze activiteiten te identificeren en te blokkeren voordat dit leidt tot chargebacks, gestolen goederen of gecompromitteerde accounts. Deze software bevindt zich over het algemeen tussen een transactiepoging en de goedkeuring ervan, en past een combinatie van regels, modellen en signalen toe om te beslissen of een betaling moet doorgaan.

Hoe werkt fraudedetectiesoftware?

Fraudedetectiesystemen verschillen in hoe ze bepalen wat er moet worden geblokkeerd. Er zijn op regels gebaseerde systemen en op ML gebaseerde systemen.

Detectie op basis van regels

Op regels gebaseerde systemen passen voorwaardelijke logica toe op inkomende transacties: als een transactie een bepaald dollarbedrag overschrijdt, afkomstig is uit een risicovolle regio of een snelheidscontrole activeert (bijv. meer dan vijf aankopen met dezelfde betaalkaart in 10 minuten), wordt de transactie gemarkeerd of geblokkeerd.

Het voordeel is de transparantie: je kunt precies zien waarom een transactie is gemarkeerd. De beperking is dat regels alleen dat oppikken wat je had verwacht toen je ze opstelde. Een fraudepatroon dat je nog niet eerder hebt gezien, zal geen enkele regel activeren totdat je de logica bijwerkt.

ML-modellen

Door ML aangestuurde detectie leert van historische transactiegegevens om te bepalen wat 'normaal' is en markeert afwijkingen. Eén enkele transactie die afkomstig is van een nieuw apparaat of uit een nieuw land, of die wordt gedaan op een ongebruikelijk tijdstip voor een ongebruikelijk bedrag, lijkt misschien in orde als er maar één van die kenmerken aanwezig is. Maar als ze worden gecombineerd, kan de transactie een hoge risicoscore krijgen. Het model weegt die signalen op basis van wat daadwerkelijk voorspellend is in jouw transactiegeschiedenis.

Het grote voordeel ten opzichte van regels is het aanpassingsvermogen: fraudetactieken veranderen voortdurend en ML-modellen kunnen opkomende patronen detecteren voordat je er een regel voor hebt opgesteld. De keerzijde is de ondoorzichtigheid, aangezien het moeilijker is om precies uit te leggen waarom een specifieke transactie is geweigerd. Dit bemoeilijkt de beoordeling van valspositieve resultaten.

In beide gevallen moeten deze systemen in realtime werken op het moment dat de transactie wordt ingediend. Ze moeten snel genoeg werken om de transactie te accepteren of te weigeren voordat de sessie voor afrekenen een time-out krijgt, en zonder merkbare vertragingen bij het afrekenen te veroorzaken. Sommige systemen volgen ook het gedrag gedurende het hele afrekenproces en nemen signalen op sessieniveau op in de risicoscore voordat de betaling überhaupt wordt ingediend.

Welke soorten betalingsfraude kan fraudedetectiesoftware oppikken?

Er zijn een paar verschillende soorten betalingsfraude waar ondernemingen vaak mee te maken krijgen: card-not-present (CNP)-fraude, kaarttesten, account takeover (ATO) en vriendelijke fraude. Bij elk type wordt misbruik gemaakt van een andere kwetsbaarheid in het transactieproces. Al deze soorten kunnen door software voor fraudepreventie worden gedetecteerd.

• CNP-fraude: Een frauduleuze partij gebruikt gestolen kaartgegevens om aankopen te doen waarvoor geen fysieke betaalkaart nodig is. De detectie is afhankelijk van signalen die de kaarthouder normaal gesproken niet zou activeren, zoals niet-overeenkomende facturatie- en verzendadressen, ongebruikelijke identificatie van apparaten aan de hand van hun kenmerken en afwijkende gedragspatronen.

• Kaarttesten: Frauduleuze partijen die gestolen kaartnummers bemachtigen, controleren welke nummers actief zijn. Meestal gebeurt dit door snel achter elkaar kleine transacties of transacties van nul dollar in te dienen voor veel verschillende betaalkaarten. Snelheidscontroles en identificatie van apparaten aan de hand van hun kenmerken zijn de belangrijkste tegenmaatregelen.

• ATO-fraude: Bij ATO-fraude krijgen kwaadwillende partijen toegang tot een legitiem klantaccount (vaak via 'credential stuffing', waarbij gebruik wordt gemaakt van uitgelekte combinaties van gebruikersnamen en wachtwoorden) en gebruiken ze opgeslagen betaalmethoden om bestellingen te plaatsen. Bij de detectie wordt gebruikgemaakt van gedragssignalen (bijv. inloggen vanaf een onbekend apparaat, plotselinge wachtwoordwijzigingen gevolgd door aankopen, adreswijzigingen vlak voor een dure bestelling).

• Vriendelijke fraude: Een klant voltooit een legitieme transactie, ontvangt de goederen en vraagt vervolgens een chargeback aan via diens bank. Fraudesoftware kan helpen door accounts met een eerdere chargebackgeschiedenis of aankopen die in bekende patronen passen, te markeren. Denk hierbij aan dure goederen met versnelde verzending die gemakkelijk kunnen worden doorverkocht.

Welke functies zijn van belang bij fraudedetectiesoftware?

De functies die het belangrijkst zijn, hangen sterk af van je transactievolume, de blootstelling aan fraude en de technische configuratie. Maar een paar mogelijkheden zijn steevast van belang.

Kijk naar het volgende:

• Detectienauwkeurigheid: Een systeem dat 85% van de fraude en 15% van de legitieme bestellingen weigert, verruilt het ene omzetverlies voor het andere. Zoek naar platformen die percentages voor valspositieven publiceren naast detectiepercentages, aangezien de twee cijfers samen veel meer vertellen dan alleen het detectiepercentage.

• Regels aanpassen: Vooraf samengestelde modellen zijn een uitgangspunt. Je zult vrijwel altijd ondernemingsspecifieke logica moeten toevoegen, zoals het blokkeren van bepaalde regio's, het vereisen van 3D Secure voor bestellingen boven een bepaalde drempel en het aanpassen van de risicoscore voor bekende, veilige klanten. Platformen waarmee je zonder technische ondersteuning regels op maat kunt opstellen en testen, zijn in de praktijk aanzienlijk flexibeler.

• Integratie met betaalinfrastructuur: Een fraudetool waarbij je transactiegegevens via een afzonderlijke API (Application Programming Interface) moet doorgeven, introduceert latentie en knelpunten. Systemen die zijn ingebed in het betaalproces of die van nature in je betaaldienstverlener zijn ingebouwd, vermijden die complexiteit.

• Rapportage en casebeheer: Wanneer je team gemarkeerde transacties controleert, hebben ze context nodig: waarom is de transactie gemarkeerd, welke signalen hebben hieraan bijgedragen en hoe zagen vergelijkbare transacties eruit? Software voor fraudebeheer die dit duidelijk laat zien, versnelt handmatige controles en helpt je om je regels na verloop van tijd te verfijnen.

• Schaalbaarheid: Een systeem dat je huidige volume aankan, moet een volume van 10 keer zo groot aankunnen zonder in te boeten aan snelheid of nauwkeurigheid. Op drukke momenten zoals Black Friday doen zich vaak pieken in fraude voor. Dit zijn ook de momenten waarop je absoluut geen vertraging wilt.

Welke uitdagingen brengt fraudedetectiesoftware met zich mee?

Fraudedetectiesoftware heeft twee taken: het nauwkeurig markeren van fraudepogingen en het voorkomen dat legitieme transacties worden geblokkeerd. Een van de meest hardnekkige uitdagingen bij fraudedetectie is het vinden van een balans. De software moet goed op fraudesignalen letten zonder voor frustratie bij legitieme klanten te zorgen.

Naast dat doorlopende werk, staan op regels gebaseerde systemen en op ML gebaseerde systemen voor hun eigen specifieke uitdagingen:

• Regels raken achterhaald: Fraudetactieken veranderen voortdurend. Een set met regels die zes maanden geleden effectief was, kan nu aanzienlijke gaten vertonen. Zonder een regelmatige controle raken op regels gebaseerde systemen na verloop van tijd in onbruik.

• De gegevenskwaliteit van ML-modellen varieert: ML-modellen zijn slechts zo goed als de gegevens waarop ze zijn getraind. Een platform met transactiesignalen van miljoenen ondernemingen in veel verschillende sectoren heeft een model dat aanzienlijk verschilt van een platform met een beperkter bereik. Wanneer je leveranciers evalueert, vraag dan specifiek naar de reikwijdte van hun trainingsgegevens.

Hoe kies je de juiste fraudedetectiesoftware voor je onderneming?

De juiste keuze voor fraudedetectiesoftware is afhankelijk van hoe je onderneming werkt. Je hebt een systeem nodig dat eenvoudig is te integreren en beheren, en dat aansluit bij de soort fraude waarmee je te maken krijgt.

Houd rekening met deze variabelen:

• Transactievolume: Bij lagere volumes kan de nauwkeurigheid van het ML-model inconsistent zijn als er minder historische gegevens zijn om op te trainen. Op regels gebaseerde of hybride benaderingen kunnen beter presteren dan zuivere ML op kleinere schaal. Ondernemingen met grote volumes profiteren waarschijnlijk meer van ML omdat de modellen genoeg signalen hebben om echt voorspellend te zijn. Kleine ondernemingen kunnen echter ook profiteren van een ML-model op netwerkniveau.

• Technische configuratie: Als je een betaaldienstverlener gebruikt met een ingebouwde dienst voor fraudedetectie, is dat vaak het juiste uitgangspunt. De complexiteit van de integratie is minimaal en fraudesignalen zijn al ingebed in het betaalproces. Als je met meerdere verwerkers werkt of een complexe infrastructuur voor afrekenen hebt, heb je mogelijk een zelfstandig fraudeplatform nodig dat brede integraties ondersteunt.

• Interne middelen: Voor sommige fraudeplatformen zijn veel technische werkzaamheden nodig om ze te configureren en te onderhouden, terwijl andere zijn ontworpen om rechtstreeks te worden beheerd door operationele teams zonder technische achtergrond. Als je geen speciaal team voor fraudeanalyse of -risico hebt, kies dan voor platformen met sterke standaard analysemodellen en een eenvoudige interface voor regels.

• Integratie van rapportages en workflows: Controleer of elk platform dat je evalueert, kan worden gekoppeld aan je workflow voor geschillenbeheer en of het platform gegevens exporteert in indelingen die compatibel zijn met je rapportagebundel. Fraudetools die niet naadloos integreren, zorgen voor handmatig werk dat het voordeel van de automatisering teniet kan doen.

Hoe Stripe Radar kan helpen

Stripe Radar gebruikt AI-modellen om fraude op te sporen en te voorkomen, getraind op basis van gegevens uit het wereldwijde netwerk van Stripe. Het werkt deze modellen steeds bij op basis van de nieuwste fraudetrends, zodat je onderneming beschermd blijft terwijl 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:

• Fraudeverliezen voorkomen: Stripe verwerkt jaarlijks meer dan $ 1 biljoen aan betalingen. Deze schaalgrootte stelt Radar in staat om fraude nauwkeurig op te sporen en te voorkomen, waardoor je geld bespaart.

• Omzet verhogen: de AI-modellen van Radar zijn getraind op basis van echte chargebackgegevens, klantinformatie, browsegegevens en meer. Hierdoor kan Radar risicovolle transacties identificeren en valse positieven verminderen, waardoor je omzet stijgt.

• Tijd besparen: Radar is ingebouwd in Stripe en hoeft niet te worden geconfigureerd. Je kunt ook je frauderesultaten monitoren, regels opstellen en meer op één platform, waardoor de efficiëntie toeneemt.

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