Betalingsfraude kent vele vormen en de financiële impact ervan is aanzienlijk. Naar verwachting zullen de verliezen van ondernemingen door online betalingsfraude wereldwijd tegen 2028 meer dan $ 362 miljard bedragen.

Goed beheer van betalingsfraude betekent systemen bouwen die aanvallen detecteren en blokkeren zonder zoveel wrijving te creëren dat je legitieme klanten afwijst. Dit omvat gelaagde controles, afgestemde detectie en feedbackloops die de nauwkeurigheid in de loop van de tijd verbeteren.

Hieronder bespreken we hoe fraudedetectie werkt, welke preventiestrategieën de blootstelling verminderen en de trends in betalingsfraude die ondernemingen moeten kennen.

Hoogtepunten

• Effectief fraudebeheer combineert op regels gebaseerde detectie met machine-learning om zowel bekende aanvalspatronen als nieuwe tactieken die statische regels zouden missen, te detecteren.

• Naarmate het transactievolume groeit, worden automatisering en feedbackloops de basis van fraude-operaties. Handmatig controleren wordt gereserveerd voor de echt twijfelachtige gevallen.

• Tools die zijn geïntegreerd in aanbieders van betaaldiensten (PSP), platforms van derden en interne systemen passen elk bij een ander bedrijfsprofiel. De juiste keuze hangt af van het transactievolume, interne middelen en de algehele blootstelling aan fraude.

Wat is beheer van betalingsfraude

Beheer van betalingsfraude is een reeks strategieën en systemen die ondernemingen gebruiken om frauduleuze transacties te detecteren, te voorkomen en erop te reageren. In digitale betaalomgevingen omvat betalingsfraude vaak gestolen inloggegevens, gemanipuleerde identiteitssignalen of misbruik van legitieme procedures voor chargebacks.

Vier veelvoorkomende categorieën voor ondernemingen die online betalingen verwerken, zijn:

• Kaartfraude: Dit treedt op wanneer iemand gestolen kaartgegevens gebruikt om ongeautoriseerde aankopen te doen. De onderneming verzendt de goederen of levert de dienst, en wordt vervolgens geconfronteerd met een chargeback wanneer de echte kaarthouder dit opmerkt.

• Kaarttesten: Dit is een volume-aanval. Criminelen die lijsten met gestolen kaartnummers hebben bemachtigd, voeren tientallen of honderden kleine autorisatiepogingen uit bij een enkele kassa om erachter te komen welke betaalkaarten nog actief zijn. Ondernemingen dragen de autorisatiekosten. Een groot genoeg aanval kan het aantal geweigerde betalingen zo hoog laten oplopen dat de relatie van de onderneming met de accepteerder wordt geschaad.

• Fraude via accountovername (ATO): Dit houdt in dat een aanvaller controle krijgt over een legitiem klantaccount en opgeslagen betaalmethoden gebruikt om aankopen te doen. Omdat de transactie afkomstig is van een bekend account met een vertrouwde geschiedenis, missen eenvoudige regels vaak een poging tot accountovername.

• Vriendelijke fraude: Dit zijn chargebacks die zijn ingediend door daadwerkelijke kaarthouders die hebben ontvangen wat ze hebben besteld, maar anders beweren om een terugbetaling te krijgen zonder het item te retourneren. De impact op de onderneming is hetzelfde als bij kaartfraude, maar het verschil is hier de identiteit van de frauduleuze partij.

Hoe wordt betalingsfraude gedetecteerd

Detectie vindt plaats op meerdere punten in de levenscyclus van de transactie: voor de autorisatie, tijdens de autorisatie en na de vereffening. Veel systemen voor fraudebeheer combineren verschillende methoden om verschillende soorten aanvallen te dekken.

Er zijn twee hoofdtypen detectie:

• Op regels gebaseerde detectie: Vaste en dynamische regels markeren transacties die overeenkomen met bekende fraudepatronen (bijv. het land van facturatie komt niet overeen met het IP-adres, een betaalkaart is meer dan vijf keer in een uur gebruikt, de reeks Bankidentificatienummers (BIN) heeft historisch gezien een hoog fraudepercentage). Regels worden direct uitgevoerd en geven je directe controle, maar ze zijn star. Fraudetactieken veranderen sneller dan handmatige regelsets kunnen worden bijgewerkt, en te brede regels blokkeren legitieme klanten.

• Detectie met machine-learning (ML): ML-modellen evalueren tegelijkertijd honderden signalen om een risicoscore voor elke transactie te produceren. In tegenstelling tot statische regels worden deze modellen voortdurend bijgewerkt wanneer ze worden blootgesteld aan nieuwe gegevens, wat betekent dat ze zich aanpassen wanneer fraudetactieken veranderen.

Veel productiefraudesystemen combineren beide. Regels behandelen de duidelijke gevallen, terwijl ML de dubbelzinnige middenweg afhandelt, waarbij iets niet klopt maar niets definitief fout is. Door ze samen te gebruiken, verbetert de nauwkeurigheid en kun je verschillende drempels toepassen per risicosegment.

Welke preventiestrategieën verminderen de blootstelling aan betalingsfraude

Preventie stopt fraude voordat het gebeurt. Detectie en preventie werken het beste als complementaire lagen, die elk op een ander punt in de transactiestroom werken.

Tactieken voor fraudepreventie omvatten:

• Controles voor de transactie: Snelheidslimieten op kaartpogingen per sessie, CAPTCHA, identificatie van apparaten aan de hand van hun kenmerken bij het aanmaken van een account en verificatie van e-mailadressen bij het afrekenen verminderen de blootstelling voordat een transactie zelfs maar wordt ingediend. Als deze te soepel zijn afgesteld, kan fraude erdoorheen komen; als ze te streng zijn afgesteld, blokkeer je mogelijk echte klanten.

• 3D Secure (3DS): Wanneer een transactie wordt geauthenticeerd via 3DS en later wordt betwist, verschuift de aansprakelijkheid voor chargebacks naar de kaartuitgever in plaats van naar jouw onderneming. Het is de moeite waard om dit selectief in plaats van universeel toe te passen, omdat het stappen toevoegt aan het afrekenen en de conversie bij transacties met een lager risico kan verminderen.

• Monitoring na autorisatie: Het controleren van transacties na goedkeuring maar voor de afhandeling geeft je een venster om verdachte bestellingen te annuleren. Dit is met name relevant voor hoogwaardige fysieke goederen.

• Chargebackbeheer: Het met bewijs betwisten van frauduleuze chargebacks heeft direct invloed op je chargebackpercentage en je status bij je accepteerder. Ondernemingen waarvan de chargebackpercentages de drempels van de uitgever overschrijden, worden geconfronteerd met hogere interchangekosten of worden in fraudemonitoringsprogramma's geplaatst, wat dit net zo goed een financiële zorg maakt als een operationeel probleem.

Welke trends op het gebied van betalingsfraude moeten ondernemingen in de gaten houden

Fraudepatronen veranderen voortdurend. Hier zijn enkele van de nieuwste trends op het gebied van betalingsfraude die van invloed zijn op ondernemingen:

• Fraude zonder fysieke kaart (CNP): Omdat voor online transacties geen fysieke kaart nodig is, kunnen gestolen kaartnummers worden gebruikt totdat ze worden geannuleerd. Dit maakt CNP-fraude een veelvoorkomend probleem voor ondernemingen die online betalingen verwerken.

• Kaarttesten door bots: Aanvallers gebruiken gedistribueerde botnetwerken met wisselende IP-adressen en gespoofte identificatie van apparaten aan de hand van hun kenmerken om kaarttesten uit te voeren die op het eerste gezicht op echt verkeer lijken. Snelheidsregels alleen zijn vaak niet voldoende als elke bot zich binnen de normale drempels per apparaat gedraagt.

• Vriendelijke fraude via chargebacks: Het aantal chargebacks voor digitale goederen is gegroeid naarmate consumenten meer vertrouwd zijn geraakt met de procedure voor chargebacks. Soms gaat het om oprechte verwarring over het annuleren van abonnementen; een aanzienlijk deel is dat niet. Hoe dan ook, het is zichtbaar in je chargebackpercentage.

• Eerstelijnsfraude bij koop nu, betaal later (BNPL): Naarmate koop nu, betaal later is uitgebreid, zijn er ook meer gevallen van consumenten die deze producten te kwader trouw gebruiken. Ze doen aankopen die ze nooit van plan zijn terug te betalen of beweren dat bestellingen die zijn afgehandeld, niet zijn geleverd. Hier overlappen fraude en kredietrisico elkaar, wat andere controles vereist dan bij kaartfraude.

Hoe werkt het beheer van betalingsfraude op grote schaal

De werking van fraudebeheer verandert naarmate het transactievolume groeit. Een onderneming die uitbreidt naar nieuwe geografische gebieden, krijgt te maken met andere fraudepatronen, regels van kaartnetwerken en chargebackpercentages per markt. Fraude-operaties op schaal scheiden doorgaans het regelbeheer van onderzoek en analyses. Het combineren van alle drie in één generalistische rol groeit niet mee en creëert hiaten in het toezicht.

Op schaal is automatisering het doel. Wachtrijen voor handmatig controleren die een paar honderd verdachte transacties per week verwerken, worden achterstanden; je zult beslissingen over duidelijke gevallen moeten automatiseren en alleen echt dubbelzinnige transacties moeten doorsturen voor menselijke controle. Dit vereist vertrouwen in de nauwkeurigheid van je model, wat betekent dat je moet investeren in doorlopende training en monitoring. Als een transactie die door je model is goedgekeurd zes weken later een chargeback wordt, moet die uitkomst aan je trainingsgegevens worden toegevoegd. Je model moet ook trainen op valse positieven. Zonder dit verslechtert de prestatie van het model naarmate fraudepatronen veranderen.

Welke tools ondersteunen het risicobeheer van betalingsfraude

Veel ondernemingen hebben drie brede opties voor tools voor fraudebeheer. De juiste keuze hangt af van het transactievolume, de interne middelen en hoe gecompliceerd je blootstelling aan fraude werkelijk is.

• Eigen fraudetools van PSP: Deze zijn geïntegreerd in je betalingsverwerking, zodat fraudesignalen en betalingsgegevens zich in hetzelfde systeem bevinden. Er is geen vertraging bij het gegevens doorsturen en geen extra integratiewerk. Het nadeel is dat je werkt binnen de tools van één platform, wat mogelijk niet elke uitzonderingssituatie dekt waar je onderneming mee te maken krijgt.

• Fraudeplatforms van derden: Gespecialiseerde platforms van derden bevinden zich bovenop je betalingsbundel en bieden meer maatwerk, soms met een garantiemodel voor chargebacks. Ze zijn het overwegen waard voor ondernemingen met complexe of grootschalige blootstelling aan fraude die meer controle nodig hebben dan een eigen PSP-tool biedt, maar integratie en routing van gegevens voegen complexiteit toe.

• Interne fraudesystemen: Deze worden gebouwd door grote platforms en marktplaatsen met voldoende transactievolume en gespecialiseerde fraudepatronen om de technische investering te rechtvaardigen. Ze geven je volledige controle over signalen, drempels en feedbackloops, maar het is een aanzienlijke doorlopende technische verplichting, niet een eenmalige bouw.

Stripe Radar is gebouwd op ML-modellen die zijn getraind op gegevens uit het volledige Stripe-netwerk: transacties van miljoenen ondernemingen wereldwijd. Die breedte van trainingsgegevens is belangrijk. Het model heeft fraudepatronen gezien in verschillende sectoren, regio's en bedrijfstypen die een enkelvoudig fraudesysteem niet heeft gezien. Je kunt regels instellen om transacties te blokkeren, toe te staan of te controleren op basis van scoredrempels, en regels kunnen worden geschreven zonder dat er technische ondersteuning nodig is telkens wanneer je drempels wilt aanpassen.

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 werkt deze modellen bij 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 voor specifieke fraudescenario's voor hun onderneming en toegang krijgen tot geavanceerde fraude-inzichten.

Radar kan je onderneming helpen met:

• Voorkom fraudeverliezen: Stripe verwerkt jaarlijks meer dan $ 1 biljoen aan betalingen. Op deze schaal kan Radar fraude nauwkeurig detecteren en voorkomen en je geld besparen.

• Verhoog de inkomsten: De AI-modellen van Radar zijn getraind op actuele gegevens van chargebacks, klantinformatie, browsegegevens en meer. Hierdoor kan Radar risicovolle transacties identificeren, het aantal valse positieven verminderen en je inkomsten verhogen.

• 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.