Kortingen zijn diep verankerd in het online winkelen, waarbij bijna 60% van de Amerikaanse consumenten digitale kortingsbonnen gebruikt. Aanbiedingen zijn echter alleen succesvol als de kosten van de beloning opwegen tegen de lifetime value. Als er misbruik gemaakt wordt van aanbiedingen, wordt de korting uit de aanbieding gehaald en in plaats van dat dit klanten oplevert, worden er nep-accounts, doorverwijzingen naar zichzelf en geautomatiseerde verzilveringscampagnes aangemaakt. Dit kan budgetten leegtrekken en acquisitiestatistieken kunstmatig de hoogte in laten schieten.

Hieronder leggen we uit hoe misbruik van aanbiedingen op accountniveau werkt, hoe je het detecteert, en hoe je maatregelen implementeert die misbruik stoppen zonder de conversie voor legitieme gebruikers te schaden.

Hoogtepunten

• Bij misbruik van aanbiedingen wordt doorgaans zwakke identiteitsverificatie bij aanmelding uitgebuit. Daarom zijn fraude bij de aanmaak van nieuwe accounts en misbruik van aanbiedingen vaak onderdeel van hetzelfde probleem.

• Detectie is gebaseerd op het combineren van signalen zoals apparaatclustering, patronen in e-mailadressen voor eenmalig gebruik en abnormale verzilveringstiming.

• Effectieve preventie maakt gebruik van gelaagde controles en risicogebaseerde frictie om fraude beter te detecteren, terwijl echte klanten zich kunnen blijven aanmelden.

Wat is misbruik van aanbiedingen?

Misbruik van aanbiedingen is het misbruiken van kortingen, doorverwijzingsbonussen of aanmeldbonussen buiten de beoogde voorwaarden. Dit gebeurt doorgaans via nepaccounts, automatisering of identiteitsmanipulatie. Zo kan het zijn dat iemand vijf accounts aanmaakt om een korting op de eerste bestelling vijf keer te claimen, naar zichzelf doorverwijst via een tweede e-mailadres om een doorverwijzingskrediet te ontvangen, of het hele proces script en een campagne in enkele uren leegtrekt.

Welk effect heeft misbruik van aanbiedingen op het rendement van promotionele uitgaven?

De incrementele inkomsten van klanten die via de aanbieding zijn verworven, moeten hoger zijn dan de kosten van de korting plus de kosten van het uitvoeren van de campagne. Misbruik doet afbreuk aan allebei.

Zo meet je de effecten van misbruik van aanbiedingen:

• Ratio van verzilvering naar aankoop: kijk welk percentage van de accounts die de korting hebben verzilverd ten minste één echte aankoop hebben gedaan. Groepen met veel misbruik vertonen een lage conversie naar echte transacties.

• Percentage herhaalaankopen na 30/60/90 dagen: echte klanten keren terug om meer te kopen, terwijl nepaccounts verdwijnen.

• Dichtheid van doorverwijzingsgrafiek: volg bij doorverwijzingsprogramma's hoeveel doorverwezen accounts ook weer naar anderen doorverwijzen. Organische doorverwijzingsbomen verdiepen zich in de loop van de tijd; door misbruik gegenereerde bomen blijven vlak.

• Apparaat- en IP-overlappercentages binnen de aanbiedingsgroep: hoge overlap kan wijzen op gecoördineerd aanmaken.

Hoe hangt misbruik van aanbiedingen samen met fraude bij de aanmaak van nieuwe accounts en misbruik van gratis proefperiodes?

Misbruik van aanbiedingen maakt deel uit van een breder cluster van gedragingen die allemaal dezelfde zwakheden uitbuiten. Of het doel nu het verzilveren van kortingen, het witwassen van geld of het opzetten van accountovername is, elke constructie waarmee nep- of gestolen identiteiten wordt gebruikt om accounts te openen, wordt beschouwd als fraude bij nieuwe accounts. Misbruik van aanbiedingen is daarvan een veelvoorkomende uitingsvorm. Op dezelfde manier kan iemand die telkens een nieuw account aanmaakt wanneer zijn of haar proefperiode afloopt in plaats van over te stappen op een betaald abonnement beschouwd worden als iemand die gratis proefperiodes misbruikt. Hoewel de bonus weliswaar anders is dan bij iemand die kortingen misbruikt, gebruikt hij/zij nog steeds hetzelfde mechanisme.

De infrastructuur waarmee iemand doorverwijzingskredieten kan verzamelen, kan net zo gemakkelijk worden gebruikt om nep-accounts aan te maken voor het misbruiken van gratis proefperiodes, of erger. Een probleem met misbruik van aanbiedingen wijst vaak op zwakheden in het accountaanmeldingsproces die verder reiken dan kortingen. Misbruik van aanbiedingen geïsoleerd aanpakken kan ervoor zorgen dat je kwetsbaar blijft voor omzeilende aanvallen. Je moet dus niet alleen het kortingseindpunt aanpakken, maar ook de onderliggende identiteitskloof dichten.

Welke tactieken voor misbruik van aanbiedingen komen voor bij accountaanmelding?

Misbruik van aanbiedingen bij aanmelding volgt doorgaans een reeks gestandaardiseerde patronen.

Houd de volgende tactieken in de gaten:

Meerdere accounts aanmaken

Dit is de eenvoudigste manier om misbruik te maken van aanbiedingen. Iemand maakt meerdere accounts aan met verschillende e-mailadressen om een aanmeldbonus meerdere keren te claimen. Dit werkt overal waar de geschiktheid voor een nieuw account alleen wordt gecontroleerd op e-mailadres, zonder diepgaande identiteitsverificatie.

Doorverwijzing naar zichzelf

Bij doorverwijzingsprogramma's waarbij de doorverwijzer een bonus ontvangt, is doorverwijzing naar zichzelf een manier om een financiële bonus te innen. De aanvaller maakt een tweede account aan, verwijst daarnaar door vanuit zijn primaire account en int de beloning. Programma's met tweezijdige bonussen kunnen zorgen voor een dubbele opbrengst per aangemaakt nep-account.

Aanbiedingen bundelen

Ondernemingen kunnen meerdere codes toestaan voor één enkele bestelling. Aanvallers vinden en combineren codes via code-enumeratie of gelekte of gedeelde codelijsten om een transactie richting nulkosten te duwen of, als jouw systeem winkelkrediet verstrekt, naar negatieve kosten.

Geautomatiseerde verzilvering

Professionelere aanvallers kunnen de aanmeldings- en verzilveringsstroom scripten. Een campagne die een week zou moeten lopen, kan op die manieren binnen enkele uren worden leeggetrokken.

Code delen en openbare lekken

Kortingscodes die worden geplaatst op verzamelsites van kortingsbonnen of die gedeeld worden op social media worden ver buiten hun beoogde doelgroep verzilverd. Dit is niet altijd gemeen bedoeld, maar het kan targeting ondermijnen en kan je budget leegtrekken dat bedoeld was voor een specifieke doelgroep.

Welke detectiesignalen wijzen erop dat er misbruik gemaakt wordt van aanbiedingen?

Detectie werkt door signalen te combineren die synthetische of herhaalde identiteiten onderscheiden van echte nieuwe gebruikers.

Geen enkel signaal is doorslaggevend, maar de volgende signalen samen duiden vaak op mogelijk misbruik:

Apparaat- en netwerkclustering

Meerdere accounts die in een korte periode worden aangemaakt vanaf hetzelfde apparaat, IP-adres (Internet Protocol) of subnet zijn sterke signalen. Twee accounts met hetzelfde IP-adres is niet ongewoon, maar 15 accounts met hetzelfde IP-adres binnen 48 uur is iets om nader te onderzoeken.

Aliassen en patronen in e-mailadressen voor eenmalig gebruik

Sommige e-mailproviders staan adresaliassen toe (bijv. gebruiker+tag@domein.com), waarmee aanvallers uniek uitziende adressen kunnen genereren die allemaal naar één inbox leiden. E-mailadressen voor eenmalig gebruik kunnen onevenredig vaak voorkomen bij misbruikende aanmeldingen vergeleken met organische aanmeldingen.

Verdachte doorverwijzingsgrafieken

Organische doorverwijzingsbomen hebben de neiging vertakkingen te vertonen: één persoon verwijst een paar vrienden door, van wie sommigen anderen doorverwijzen. Misbruik produceert stervormige grafieken: één account verwijst velen, maar die doorverwezen accounts vertonen geen verdere activiteit en verzilveren onmiddellijk na het aanmaken.

Abnormale verzilveringstiming

Accounts die een aanbieding binnen seconden na het aanmaken verzilveren, of die in gecoördineerde batches zijn aangemaakt, gedragen zich anders dan echte klanten. Echte gebruikers verkennen, aarzelen of nemen dagen de tijd tussen aanmelding en eerste aankoop.

Snelheid rondom aanbiedingslancering

Een piek in de aanmaak van accounts direct na de aankondiging van een aanbieding verdient nader onderzoek.

Inconsistenties in apparaat-fingerprints

Discrepanties tussen de gerapporteerde gebruikersagent, de schermresolutie en geïnstalleerde lettertypen kunnen wijzen op automatisering of fingerprint-spoofing. Echte gebruikers vertonen deze inconsistenties doorgaans niet.

Hoe werken preventieve maatregelen voor misbruik van aanbiedingen zonder legitieme gebruikers te blokkeren?

Het is lastig en vaak onmogelijk om al het misbruik te elimineren. Het doel is om misbruik duur genoeg te maken, zodat het rendement op de investering (ROI) verdwijnt.

Verzilveringsbeperkingen en geschiktheidsregels

Beperk kortingscodes tot één per geverifieerde identiteit, niet één per e-mailadres. Wat als geverifieerd geldt, hangt af van je risicotolerantie: een bevestigd telefoonnummer, een gecontroleerde betaalmethode of een geverifieerd adres.

Apparaat- en identiteitsrisicoscore bij aanmelding

Tools die nieuwe accounts bij aanmaak een score geven op basis van apparaat-fingerprint, IP-reputatie, risiconiveau van het e-maildomein en gedragssignalen maken gedifferentieerde behandeling mogelijk. Accounts met een laag risico krijgen eenvoudig toegang tot de aanbieding; accounts met een hoog risico moeten mogelijk extra verificatie doorlopen, voordat de aanbieding actief wordt. Tools zoals Stripe Radar passen dit soort scores toe binnen betaalprocessen, en met de regelengine van Stripe Radar kun jij je eigen logica schrijven rondom verzilveringsgebeurtenissen.

Progressieve uitdagingen voor hoogrisicogroepen

In plaats van verdachte accounts meteen te blokkeren, vereis je een echte aankoop voordat de korting vrijgegeven wordt. Dit zet aanmeldingen die bedoeld zijn voor misbruik om in echte klanten of afhakers die jou niets kosten.

Limitering van het aantal verzoeken op promotie-eindpunten

Als de validatie van je kortingscode via een application programming interface (API)-aanroep verloopt, heeft dat eindpunt limitering en anomaliedetectie nodig.

Duidelijkere voorwaarden, technisch gehandhaafd

'Eén per klant' is betekenisloos als je niet in je systeem definieert en handhaaft wat 'klant' betekent. Codeer geschiktheidsregels, zodat ze automatisch worden gecontroleerd, in plaats van ze achteraf handmatig te beoordelen.

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 voor specifieke fraude scenario's voor hun bedrijf en toegang krijgen tot geavanceerde fraude- inzichten.

Radar kan je onderneming helpen:

• 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 geschillengegevens, 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.