År 2024 förlorade enbart kunder i USA 12,5 miljarder USD på bedrägerier, en ökning med 25 % jämfört med året innan. I många fall ser bedrägeriet ut som en normal transaktion tills det plötsligt inte gör det: en bot för carding kan skicka in dussintals små debiteringar via olika kort på några minuter, en bedragare kan använda stulna inloggningsuppgifter för att lägga en beställning av högt värde med expressfrakt, eller så kanske en kund bestrider en debitering som hen faktiskt autentiserade.

Den bästa programvaran för att upptäcka bedrägerier hjälper till att fånga upp dessa mönster innan de leder till återkrav, med hjälp av regelbaserad logik, maskininlärning (ML) och transaktionssignaler i realtid för att skilja legitima köp från bedrägliga. Nedan förklarar vi hur programvara för bedrägeriupptäckt fungerar, vilka funktioner som är viktiga när du utvärderar en lösning för bedrägeribekämpning och hur du matchar ett system till ditt företags exponering för bedrägerier.

Viktiga lärdomar

• Modern bedrägeriupptäckt använder regelbaserad logik, maskininlärning eller båda för att fånga upp kända bedrägerimönster samt nya taktiker som statiska regler annars skulle missa.

• Andelen falskt positiva utslag spelar lika stor roll som upptäcktsfrekvensen, eftersom en blockering av legitima kunder skapar egna intäktsförluster.

• Företag som redan använder betalningsleverantörer med inbyggd bedrägeriupptäckt kan ofta hoppa över integration av tredjepart. Inbyggda verktyg för att upptäcka bedrägerier utnyttjar signaler på nätverksnivå som fristående plattformar ofta har svårt att replikera.

Vad är en programvara för bedrägeribekämpning?

En programvara för bedrägeribekämpning vid betalningar utvärderar transaktioner för att identifiera och blockera bedräglig aktivitet innan det resulterar i chargebacks, stulna varor eller kapade konton. Generellt sett placeras den mellan ett transaktionsförsök och dess godkännande och tillämpar en kombination av regler, modeller och signaler för att avgöra om en betalning ska gå igenom.

Hur fungerar en programvara för bedrägeribekämpning?

System för bedrägeribekämpning skiljer sig åt när det gäller hur de bestämmer vad som ska blockeras. Det finns regelbaserade system och maskininlärningsbaserade system.

Regelbaserad upptäckt

Regelbaserade system tillämpar villkorlig logik på inkommande transaktioner: om en transaktion överstiger ett visst belopp, härrör från en högriskregion eller utlöser en hastighetskontroll (t.ex. mer än fem inköp från samma kort på 10 minuter) flaggas den eller blockeras.

Fördelen är transparens: du kan se exakt varför en transaktion flaggades. Begränsningen är att reglerna endast fångar upp det du förväntade dig när du skrev dem. Ett bedrägerimönster som du inte har sett tidigare kommer inte att utlösa någon regel förrän du uppdaterar din logik.

Maskininlärningsmodeller

Maskininlärningsdriven upptäckt lär sig från historiska transaktionsdata för att identifiera vad som ser normalt ut och flaggar för avvikelser. En enstaka transaktion från en ny enhet eller i ett nytt land eller som görs vid en ovanlig tidpunkt för ett atypiskt belopp kan se okej ut med bara en av dessa egenskaper. Men när de kombineras kan transaktionen få en hög riskpoäng. Modellen väger dessa signaler baserat på vad som faktiskt är förutsägbart i din transaktionshistorik.

Den stora fördelen jämfört med regler är anpassningsförmågan: bedrägeritaktiker förändras ständigt och maskininlärningsmodeller kan upptäcka nya mönster innan du har hunnit skriva en regel för dem. Nackdelen är brist på transparens eftersom det är svårare att förklara exakt varför en viss transaktion var en nekad betalning, vilket försvårar granskningen av falska positiva resultat.

I båda fallen bör dessa system fungera i realtid i samma stund som transaktionen skickas in. De bör arbeta tillräckligt snabbt för att acceptera eller neka den innan kassan gör timeout och utan att introducera märkbara fördröjningar i kassan. Vissa system spårar även beteende genom hela betalflödet och integrerar signaler på sessionsnivå i riskpoängen innan betalningen ens har skickats in.

Vilka typer av betalningsbedrägerier kan en programvara för bedrägeribekämpning fånga upp?

Det finns några olika typer av betalningsbedrägerier som företag ofta drabbas av: Card-Not-Present (CNP)-bedrägerier, carding, kontokapningar (Account Takeover, ATO) och vänligt bedrägeri. Varje typ utnyttjar en viss sårbarhet i transaktionsflödet och kan upptäckas med en programvara för bedrägeribekämpning.

• CNP-bedrägeri: En bedragare använder stulna kortuppgifter för att göra inköp där det inte krävs något fysiskt kort. Upptäckten förlitar sig på signaler som kortinnehavaren normalt sett inte skulle utlösa, till exempel felaktig fakturerings- och leveransadress, ovanliga enhetens fingeravtryck och onormala beteendemönster.

• Carding: Bedragare som får tag på stulna kortnummer verifierar vilka som är aktiva, oftast genom att skicka in små eller noll-transaktioner för många kort i snabb följd. Hastighetskontroller och enhetens fingeravtryck är de främsta motåtgärderna.

• ATO-bedrägeri: Vid ATO-bedrägerier får bedragare tillgång till ett legitimt kundkonto (ofta genom att fylla i inloggningsuppgifter med läckta par av användarnamn och lösenord) och använder sparade betalningsmetoder för att göra en beställning. Upptäckten använder beteendesignaler (t.ex. inloggning från en okänd enhet, plötsliga lösenordsändringar följt av inköp, adressändringar precis före en beställning av högt värde).

• Vänligt bedrägeri: En kund genomför en legitim transaktion, tar emot varorna och väljer sedan att bestrida betalningen hos sin bank. Programvara för bedrägeribekämpning kan hjälpa genom att flagga konton med tidigare historik av tvister eller inköp som passar in på kända bedrägerimönster, till exempel varor av högt värde med snabb leverans som enkelt kan säljas vidare.

Vilka funktioner är viktiga i en programvara för bedrägeribekämpning?

De funktioner som spelar störst roll beror till stor del på din transaktionsvolym, bedrägeriexponering och tekniska konfiguration. Men några funktioner är konsekvent viktiga.

Undersök följande:

• Upptäcktsnoggrannhet: Ett system som nekar 85 % av bedrägerier och 15 % av legitima beställningar byter en intäktsförlust mot en annan. Leta efter plattformar som publicerar andelen falska positiva resultat tillsammans med andelen upptäckter, eftersom de två siffrorna tillsammans säger dig mycket mer än enbart andelen upptäckter.

• Regelanpassning: Förbyggda modeller är en bra utgångspunkt. Du kommer nästan alltid att behöva lägga till företagsspecifik logik, till exempel att blockera vissa geografiska områden, kräva 3D Secure för beställningar över en viss gräns och justera riskpoängen för kända, säkra kunder. Plattformar som låter dig skriva och testa anpassade regler utan teknisk support är betydligt mer flexibla i praktiken.

• Integration med betalinfrastruktur: Ett bedrägeriverktyg som kräver att du skickar transaktionsdata genom ett separat API introducerar latens och felkällor. System som är inbäddade i betalningsflödet eller inbyggda i din betalleverantör undviker den komplexiteten.

• Rapportering och ärendehantering: När ditt team granskar flaggade transaktioner behöver de sammanhang – varför transaktionen flaggades, vilka signaler som bidrog och hur liknande transaktioner såg ut. En programvara för hantering av bedrägerier som visar detta tydligt gör manuell granskning snabbare och hjälper dig att förfina dina regler över tid.

• Skalbarhet: Ett system som hanterar din nuvarande volym behöver kunna hantera tio gånger den volymen utan att försämras i hastighet eller precision. Under perioder med hög trafik, som Black Friday, förekommer ofta bedrägeritoppar; dessa perioder är också då du allra minst vill ha några fördröjningar.

Vilka utmaningar följer med en programvara för bedrägeribekämpning?

En programvara för bedrägeribekämpning har två uppgifter: att korrekt flagga bedrägeriförsök och att inte blockera legitima transaktioner. En av de mest ihållande utmaningarna inom bedrägeribekämpning är att hitta en balans. Programvaran bör noga uppmärksamma bedrägerisignaler utan att skapa frustration för legitima kunder.

Utöver det pågående arbetet står regelbaserade system och maskininlärningsbaserade system inför distinkta utmaningar:

• Regler blir föråldrade: Bedrägeritaktiker förändras ständigt. En uppsättning regler som var effektiv för sex månader sedan kan ha tydliga luckor idag. Utan regelbunden granskning tenderar regelbaserade system att bli föråldrade.

• Datakvaliteten för maskininlärningsmodeller varierar: Maskininlärningsmodeller är bara så bra som de data de tränas på. En plattform med transaktionssignaler från miljontals företag inom många branscher kommer att ha en betydligt annorlunda modell jämfört med en som har smalare täckning. När du utvärderar leverantörer ska du fråga specifikt om omfattningen av deras träningsdata.

Hur väljer man en programvara för bedrägeribekämpning till sitt företag?

Rätt val av programvara för bedrägeribekämpning beror på hur ditt företag fungerar. Du behöver ett system som är enkelt att integrera, lätt att köra och som matchar de typer av bedrägerier du stöter på.

Överväg dessa variabler:

• Transaktionsvolym: Vid lägre volymer kan maskininlärningsmodellens noggrannhet vara inkonsekvent om det finns mindre historiska data att träna på. Och regelbaserade eller hybrida tillvägagångssätt kan prestera bättre än ren maskininlärning i mindre skala. Företag med hög volym tjänar förmodligen mer på maskininlärning eftersom modellerna har tillräckligt med signaler för att vara genuint prediktiva, men små företag kan fortfarande dra nytta av en maskininlärningsmodell på nätverksnivå.

• Teknisk konfiguration: Om du använder en betalleverantör med en inbyggd tjänst för bedrägeribekämpning är det ofta den rätta utgångspunkten. Integrationskomplexiteten är minimal och bedrägerisignaler är redan inbäddade i betalningsflödet. Om du arbetar med flera processorer eller har en komplex infrastruktur för kassan kan du behöva en fristående plattform för bedrägerier med ett brett stöd för integration.

• Interna resurser: Vissa plattformar för bedrägerier kräver meningsfullt ingenjörsarbete för att konfigurera och underhålla dem; andra är utformade för att hanteras direkt av icke-tekniska driftteam. Om du inte har ett dedikerat team för bedrägerianalys eller risk, luta dig mot plattformar med starka standardanalysmodeller och enkla regelgränssnitt.

• Rapportering och integrering av arbetsflöde: Verifiera att varje plattform du utvärderar ansluter till ditt arbetsflöde för tvister och exporterar data i format som är kompatibla med din stack för rapportering. Verktyg för bedrägerier som inte integreras rent skapar manuellt arbete som kan upphäva fördelarna med automatisering.

Hur Stripe Radar kan hjälpa till

Stripe Radar använder AI-modeller som tränats på data från Stripes globala nätverk och uppdateras kontinuerligt baserat på de senaste bedrägeritrenderna, vilket skyddar ditt företag när bedrägerierna utvecklas.

Stripe erbjuder även Radar for Fraud Teams, som gör det möjligt för användare att lägga till anpassade regler som hanterar bedrägeriscenarier för just deras företag och få tillgång till avancerade bedrägeriinsikter.

Radar kan hjälpa ditt företag att:

• Förhindra bedrägeriförluster: Stripe hanterar över 1 biljon USD i betalningar årligen. Denna omfattning gör det möjligt för Radar att på ett korrekt sätt upptäcka och förhindra bedrägerier, vilket sparar pengar.

• Öka intäkterna: Radars AI-modeller är tränade på verkliga tvistdata, kundinformation, webbläsardata etc. Detta gör att Radar kan identifiera riskabla transaktioner och minska falska positiva resultat, vilket ökar dina intäkter.

• Spara tid: Radar är inbyggt i Stripe och kan konfigureras med noll kodrader. Du kan också övervaka din bedrägeriprestanda, skriva regler och annat på en enda plattform, vilket ökar effektiviteten.

Läs mer om Stripe Radar eller börja idag.