Bedrägeri vid betalning kommer i många former, och dess ekonomiska påverkan är betydande. Företagens förluster från bedrägeri vid onlinebetalningar förväntas överstiga 362 miljarder USD globalt fram till 2028.

Att hantera bedrägeri vid betalning väl innebär att bygga system som upptäcker och blockerar attacker utan att skapa så mycket friktion att du avvisar legitima kunder. Detta inbegriper kontroller i flera lager, finjusterad upptäckt och feedback-loopar som förbättrar precisionen över tid.

Nedan går vi igenom hur upptäckt av bedrägeri fungerar, vilka förebyggande strategier som minskar exponeringen och vilka trender för bedrägeri vid betalning som företag bör känna till.

Viktiga punkter

• Effektiv hantering av bedrägeri kombinerar regelbaserad upptäckt med maskininlärning för att upptäcka både kända attackmönster och nya taktiker som statiska regler skulle missa.

• När transaktionsvolymen ökar blir automatisering och feedback-loopar grunden för bedrägeriverksamheten. Manuell granskning förbehålls för de genuint tvetydiga fallen.

• Verktyg som är integrerade i leverantörer av betaltjänster (PSP), plattformar från tredje part och interna system passar olika företagsprofiler. Rätt val beror på transaktionsvolym, interna resurser och övergripande bedrägeriexponering.

Vad är hantering av bedrägeri vid betalning

Hantering av bedrägeri vid betalning är en uppsättning strategier och system som företag använder för att upptäcka, förhindra och svara på bedrägliga transaktioner. I digitala betalningsmiljöer involverar bedrägeri vid betalning ofta stulna inloggningsuppgifter, manipulerade identitetssignaler eller missbruk av legitima processer för tvister.

Fyra vanliga kategorier för företag som behandlar onlinebetalningar är:

• Kortbedrägeri: Detta inträffar när någon använder stulen kortinformation för att göra obehöriga köp. Företaget skickar varorna eller levererar tjänsten, och drabbas sedan av en chargeback när den riktiga kortinnehavaren upptäcker det.

• Carding: Detta är en volymattack. Brottslingar som har skaffat sig listor över stulna kortnummer utför tiotals eller hundratals små auktoriseringsförsök mot en enda kassa för att ta reda på vilka kort som fortfarande är aktiva. Företaget får stå för auktoriseringsavgifterna. En tillräckligt stor attack kan leda till att andelen nekade betalningar ökar till den grad att företagets relation med dess inlösare tar skada.

• Bedrägeri i form av kontoövertagande (ATO): Detta innebär att en angripare får kontroll över en legitim kunds konto och använder sparade betalningsmetoder för att göra köp. Eftersom transaktionen härstammar från ett känt konto med en betrodd historik, missar enkla regler ofta ett försök till kontoövertagande.

• Vänskapligt bedrägeri: Detta är tvister som initierats av faktiska kortinnehavare som tagit emot det de beställt, men hävdar motsatsen för att få en återbetalning utan att returnera varan. Påverkan på företaget är densamma som för kortbedrägeri, men skillnaden här ligger i den bedrägliga aktörens identitet.

Hur upptäcks bedrägeri vid betalning

Upptäckten sker vid flera punkter i transaktionslivscykeln: före auktorisering, vid auktorisering och efter avräkning. Många system för hantering av bedrägeri lägger olika metoder i lager för att täcka olika typer av attacker.

Det finns två huvudtyper av upptäckt:

• Regelbaserad upptäckt: Fasta och dynamiska regler flaggar transaktioner som matchar kända mönster för bedrägeri (t.ex. faktureringslandet stämmer inte överens med IP-adressen, ett kort har använts mer än fem gånger på en timme, intervallet för Bank Identification Number (BIN) har historiskt sett haft en hög andel bedrägerier). Reglerna exekveras omedelbart och ger dig direkt kontroll, men de är rigida. Bedrägeritaktiker förändras snabbare än vad manuella regeluppsättningar kan uppdateras, och alltför breda regler blockerar legitima kunder.

• Upptäckt via maskininlärning (ML): ML-modeller utvärderar hundratals signaler samtidigt för att ta fram ett riskpoäng för varje transaktion. Till skillnad från statiska regler uppdateras dessa modeller kontinuerligt när de exponeras för ny data, vilket innebär att de anpassar sig när bedrägeritaktiker förändras.

Många system för hantering av bedrägeri i produktion kombinerar båda. Regler hanterar de tydliga fallen, medan ML hanterar den tvetydiga mitten där något känns fel men inget definitivt är fel. Att köra dem tillsammans förbättrar precisionen och gör att du kan tillämpa olika gränsvärden beroende på risksegment.

Vilka förebyggande strategier minskar exponeringen för bedrägeri vid betalning

Förebyggande stoppar bedrägeri innan det inträffar. Upptäckt och förebyggande fungerar bäst som kompletterande lager som opererar på olika platser i transaktionsflödet.

Taktiker för bedrägeribekämpning inkluderar:

• Kontroller innan transaktionen: Hastighetsbegränsningar för kortförsök per session, CAPTCHA, enhetens fingeravtryck vid skapande av kontot och verifiering av e-postadress i kassan minskar exponeringen innan en transaktion ens skickas in. Om de kalibreras för löst kan bedrägerier slinka igenom; om de kalibreras för strikt kan du blockera legitima kunder.

• 3D Secure (3DS): När en transaktion autentiseras via 3DS och sedan blir föremål för en tvist, flyttas ansvaret för chargeback till kortets utfärdare istället för ditt företag. Det är värt att tillämpa detta selektivt snarare än universellt, eftersom det lägger till steg i kassan och kan minska konverteringen för transaktioner med lägre risk.

• Övervakning efter auktorisering: Genom att granska transaktioner efter att de godkänts men före orderhantering får du ett fönster för att avbryta misstänkta ordrar. Detta är särskilt relevant för fysiska varor av högt värde.

• Hantering av chargeback: Att bestrida bedrägliga chargebacks med bevis påverkar direkt din andel återkrediteringar (chargebacks) och ditt anseende hos din inlösare. Företag vars andel återkrediteringar (chargebacks) överskrider utfärdarnas tröskelvärden riskerar högre förmedlingsavgifter eller placeras i program för bedrägeriövervakning, vilket gör detta till ett ekonomiskt bekymmer lika mycket som ett operativt problem.

Vilka trender för bedrägeri vid betalning bör företag hålla koll på

Bedrägerimönster förändras ständigt. Här är några av de senaste trenderna för bedrägeri vid betalning som påverkar företag:

• Bedrägeri där kortet inte är på plats (CNP): Eftersom onlinetransaktioner inte kräver fysiskt kortinnehav kan stulna kortnummer användas fram till att de spärras. Detta gör CNP-bedrägeri till ett vanligt problem för företag som behandlar onlinebetalningar.

• Bot-driven carding: Angripare använder distribuerade botnätverk med roterande IP-adresser och förfalskade enhetens fingeravtryck för att köra carding-attacker som på ytan ser ut som riktig trafik. Hastighetsregler räcker ofta inte till för att upptäcka detta om varje bot beter sig inom de normala gränserna per enhet.

• Tvister i form av vänskapligt bedrägeri: Andelen tvister för digitala varor har ökat i takt med att konsumenter blivit mer bekanta med processen för chargeback. En del av detta beror på genuin förvirring kring hur man avbryter abonnemang; en betydande del är inte det. Oavsett vilket påverkar det din andel återkrediteringar (chargebacks).

• Förstapartsbedrägeri inom köpa nu, betala senare (BNPL): I takt med att köpa nu, betala senare har expanderat, har även fall där konsumenter använder BNPL-produkter i ond tro ökat. De gör inköp som de aldrig har för avsikt att betala tillbaka eller hävdar att ordrar som genomgått orderhantering inte har levererats. Detta är ett område där bedrägeri och kreditrisk överlappar varandra, och som kräver andra kontroller än kortbedrägeri.

Hur fungerar hantering av bedrägeri vid betalning när du skalar upp

Mekaniken bakom hantering av bedrägeri ändras när transaktionsvolymen ökar. Ett företag som expanderar till nya geografiska områden stöter på olika bedrägerimönster, nätverksregler för kort och olika andelar av tvister beroende på marknad. Vid uppskalning av bedrägeriverksamheten brukar man vanligen separera hanteringen av regler från utredningar och analys. Att kombinera alla tre i en enda generalistisk roll fungerar inte och skapar luckor i översikten.

När du skalar upp är målet automatisering. Manuella köer för granskning som hanterar ett par hundra misstänkta transaktioner per vecka blir en eftersläpning; du måste automatisera beslut för tydliga fall och dirigera endast genuint tvetydiga transaktioner för mänsklig granskning. Detta kräver tilltro till din modells precision, vilket innebär att du måste investera i löpande träning och övervakning. Om en transaktion som din modell godkänt blir en chargeback sex veckor senare, måste det resultatet läggas till i din träningsdata. Din modell måste även tränas på falska positiva resultat. Om detta inte sker försämras modellens prestanda i takt med att bedrägerimönstren förändras.

Vilka verktyg stödjer riskhantering för bedrägeri vid betalning

Många företag har tre breda alternativ för verktyg för hantering av bedrägeri. Rätt val beror på transaktionsvolym, interna resurser och hur komplicerad din bedrägeriexponering faktiskt är.

• Integrerade bedrägeriverktyg från leverantörer av betaltjänster (PSP): Dessa kommer integrerade med din betalningsbehandling, så bedrägerisignaler och betalningsuppgifter lever i samma system. Det finns ingen latens för dataöverföring och inget ytterligare arbete med integration krävs. Kompromissen är att du arbetar inom ett enda plattformsverktyg, vilket kanske inte täcker alla extrema fall som ditt företag ställs inför.

• Bedrägeri-plattformar från tredjepart: Specialiserade plattformar från tredje part fungerar ovanpå din betalningsstack och erbjuder mer anpassning, ibland med en modell som garanterar chargeback. De är värda att överväga för företag som är exponerade mot bedrägeri av hög komplexitet eller hög volym och som behöver mer kontroll än vad ett PSP-verktyg ger, men integration och routing av data ökar komplexiteten.

• Interna bedrägerisystem: Dessa byggs av stora plattformar och marknadsplatser med tillräckligt stor transaktionsvolym och specialiserade bedrägerimönster för att motivera den tekniska investeringen. De ger dig fullständig kontroll över signaler, tröskelvärden och feedback-loopar, men det kräver ett stort löpande tekniskt åtagande och är inte en engångsprodukt.

Stripe Radar är byggt på ML-modeller som har tränats på data från hela Stripes nätverk: transaktioner hos miljontals företag globalt. Den bredden av träningsdata är viktig. Modellen har stött på bedrägerimönster tvärs över branscher, geografiska områden och företagstyper, vilket ett bedrägerisystem för ett enstaka företag inte har gjort. Du kan konfigurera regler för att blockera, tillåta eller granska transaktioner baserat på poänggränser, och regler kan skrivas utan att involvera tekniker varje gång du vill justera gränsvärden.

Hur Stripe Radar kan hjälpa till

Stripe Radar använder AI-modeller för att upptäcka och förhindra bedrägeri, vilka har tränats på data från Stripes globala nätverk. Modellen uppdateras baserat på de senaste bedrägeritrenderna, så att ditt företag förblir skyddat när bedrägerier 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 förluster genom bedrägeri: Stripe behandlar årligen över 1 biljon USD i betalningar. Denna skala gör att Radar med hög precision kan upptäcka och förhindra bedrägeri, samt spara pengar åt dig.

• Öka intäkter: Radars AI-modeller tränas på faktisk data från tvister, kundinformation, webbinformation med mera. Detta gör det möjligt för Radar att identifiera riskfyllda transaktioner, minska antalet falska positiva resultat och öka 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.