Kreditkortsbedrägeri är mycket vanligt, och nästan 450 000 amerikaner rapporterade att deras kortinformation missbrukades enbart under 2024. Varningssignaler för betalningsbedrägeri är observerbara tecken som indikerar en högre sannolikhet än normalt för bedräglig aktivitet. Att känna igen dem innan en transaktion slutförs kan vara det som skiljer företag som upptäcker bedrägeri vid auktorisering från dem som får ta smällen i form av chargebacks veckor senare.

Nedan går vi igenom de viktigaste bedrägerisignalerna för transaktioner, konton och betalningsmetoder, hur du agerar på dem när de dyker upp och hur du bygger ett övervakningssystem som blir skarpare med tiden.

Viktiga lärdomar

• Signaler på transaktionsnivå (t.ex. fakturerings- och leveransadresser som inte stämmer överens, hastighetsavvikelser, dyra beställningar från nya konton) kan vara tidiga indikatorer på bedrägeri.

• Konto- och beteendesignaler, till exempel snabbt skapande av konto, upprepade misslyckade betalningsförsök eller ovanlig sessionsaktivitet, dyker ofta upp innan en transaktion slutförs.

• Automatiserade verktyg för upptäckt av bedrägeri poängsätter transaktioner i realtid med hjälp av maskininlärningsbaserade verktyg för att upptäcka bedrägeri. Anpassningsbara regler låter företag definiera sina egna risktrösklar.

Vad är varningssignaler för betalningsbedrägeri?

Varningssignaler för betalningsbedrägeri är specifika, observerbara signaler om att en transaktion eller kontointeraktion har en högre risk än normalt för att vara bedräglig. De är sannolikhetsindikatorer som, enskilt eller i kombination, tyder på aktivitet som är värd att granskas.

Vilka signaler på transaktionsnivå indikerar en hög risk för bedrägeri?

Några av de tydligaste varningssignalerna för betalningsbedrägeri finns på transaktionsnivån, där de specifika egenskaperna för en beställning skapar ett upptäckbart mönster. Isolerat kan var och en av dem förklaras, men när de dyker upp i kombination tenderar de att vara en tillförlitlig indikator på potentiellt bedrägeri.

Håll utkik efter följande:

• Fakturerings- och leveransadresser som inte stämmer överens: När kortets faktureringsadress och leveransadress skiljer sig avsevärt motiverar det en närmare granskning.

• Dyra beställningar från nya eller overifierade konton: En förstagångskund som gör en beställning på 1 200 USD med påskyndad leverans har ingen köphistorik som uppväger risken. Kombinationen av ett högt värde, ett nytt konto och brådska är varningssignalen.

• Hastighetsavvikelser: Flera transaktioner under ett kort tidsfönster från samma kort, enhet eller IP-adress kan tyda på antingen carding eller automatiserat bedrägeri.

• Leverans till speditörer eller adresser för vidarebefordran: Dessa adresser döljer den slutgiltiga leveransdestinationen, vilket gör chargebacks svårare att bestrida och återvinning nästan omöjlig. Det här mönstret tenderar att dyka upp särskilt ofta när det gäller dyr konsumentelektronik, presentkort och lyxvaror.

• Beställningssammansättningar som inte stämmer överens med kontohistoriken: En kund vars tidigare beställningar alla har varit under 50 USD och som plötsligt gör en beställning på 900 USD på varor som ofta är måltavla för återförsäljningsbedrägeri (t.ex. elektronik, sneakers, presentkort) är värd att titta närmare på.

Vilka beteenden hos konton och användare är vanliga indikatorer på bedrägeri?

Beteendesignaler dyker ofta upp innan en transaktion slutförs. Dessa mönster visar sig på kontonivå, i sessionsaktivitet och i själva betalningsuppgifterna.

Till exempel:

• Snabbt skapande av konto följt av ett omedelbart dyrt köp: Legitima kunder tenderar att surfa, jämföra och återkomma. Ett konto som skapas och används inom några minuter passar in i mönstret för ett engångskonto som skapats för att utnyttja ett stulet kort innan det flaggas.

• Flera misslyckade betalningsförsök: En bedräglig aktör med tillgång till ofullständiga kortuppgifter kan testa flera kombinationer innan hen hittar en giltig uppsättning uppgifter. Många misslyckade försök med olika kort från samma enhet under en kort tidsperiod är en stark signal.

• Ovanligt sessionsbeteende: Sessioner utan skrollnings- eller surfaktivitet innan kunden går till kassan, extremt snabb ifyllnad av formulär och direkt navigering till sidor med dyra produkter utan hänvisningskontext kan alla tyda på ett automatiserat eller skriptat beteende snarare än en verklig kund.

• Mönster med misstänkta e-postadresser: Adresser som använder slumpmässiga teckensträngar, nyligen registrerade domäner eller variationer på en känd bedräglig e-postadress är vanliga i bedrägeriverksamheter. Vissa system korsrefererar hur länge en e-postadress har varit aktiv och dess domänrykte för att bedöma risken.

• Enhets- och IP-signaler: En enda IP-adress (Internet Protocol) som genererar flera skapade konton, köp från en enhet som har förekommit i tidigare bedrägerirelaterade incidenter, eller inloggningar från geografiska områden som inte stämmer överens med kontots historik ökar alla riskpoängen på ett meningsfullt sätt.

Vilka betalningsspecifika varningssignaler bör företag övervaka?

Själva betalningsmetoden bär på risksignaler som skiljer sig från konto- eller transaktionsbeteendet. Genom att övervaka dessa indikatorer får företag ett extra upptäcktslager som det är svårt för bedrägliga aktörer att helt runda.

Se upp för:

• Förbetalda och virtuella kort: Dessa kan köpas anonymt och kasseras efter användning, vilket gör dem vanliga i bedrägeriverksamheter.

• Flera kort kopplade till ett och samma konto eller enhet: En kund som använder tre olika kort under en kort period, i synnerhet om vissa försök misslyckas, tyder antingen på carding eller på ett medvetet försök att sprida exponeringen över stulna inloggningsuppgifter.

• Internationella kort med inrikes leveransadresser: Om din typiska kundprofil är inrikes och en beställning kommer in på ett kort utfärdat i ett land som du normalt inte ser trafik från, är det en diskrepans värd att flagga för, särskilt när leveransadressen är lokal.

• Onormal beställningsfrekvens inom snäva tidsfönster: Ett kort som inte har använts på ditt företag tidigare och som dyker upp i tre transaktioner under två timmar, eller samma leveransadress som tar emot flera beställningar från olika betalningsmetoder under en och samma dag, är mönster som är värda att flagga.

• Sekvenser med nekad betalning följt av godkänd: En transaktion som misslyckas på ett kort och som omedelbart lyckas på ett annat under samma session tyder på kortväxling, en teknik där bedrägliga aktörer roterar mellan stulna uppgifter tills en av dem godkänns.

Hur bör företag agera på varningssignaler för bedrägeri?

Det rätta svaret på varningssignaler för bedrägeri beror på signalens allvarlighetsgrad, den aktuella kombinationen av indikatorer och företagets kontext.

Utbudet av tillgängliga svar sträcker sig från passivt till aktivt:

• Flagga för manuell granskning: Signaler med lägre risk som inte uppnår ett automatiskt blockeringströskelvärde kan skickas till en granskningskö, där en människa utvärderar beställningen innan orderhanteringen påbörjas. Det här fungerar bra för dyra transaktioner med en eller två svaga signaler.

• Utlös ytterligare verifiering: Företag kan kräva utökad autentisering (t.ex. en engångskod, ett bekräftelsemejl eller 3D Secure) när en transaktion når vissa risktrösklar.

• Pausa orderhanteringen: Särskilt när det gäller fysiska varor ger företag som lägger en beställning i ett väntande läge medan riskpoängen utvärderas ett tidsfönster för att agera utan att omedelbart neka transaktionen eller skicka produkten.

• Automatiserad blockering: Signaler med hög konfidens (t.ex. kända bedrägliga kort, flaggade IP-adresser eller transaktioner som överskrider en definierad risktröskel) motiverar vanligtvis ett omedelbart nekande utan manuell granskning.

Hur kan företag bygga ett övervakningssystem för bedrägeri för att minska exponeringen över tid?

En lista med varningssignaler är bara så användbar som systemet som byggs runt den. Utan konsekvent regellogik, definierade tröskelvärden och en feedback-loop förblir bedrägeriövervakningen reaktiv. Så här bygger du ett system som fungerar.

Omsätt signaler i regler

Genom att översätta identifierade bedrägerisignaler till anpassade regler som körs vid tidpunkten för auktorisering kan du omedelbart blockera eller granska misstänkt beteende innan medel flyttas. En regel kan blockera en transaktion där kortets bankidentifikationsnummer (BIN) är förbetalt och beställningsvärdet överstiger 500 USD, eller flagga för granskning när leveransadressen matchar en känd speditör. Verktyg för upptäckt av bedrägeri som använder maskininlärning innebär att riskmodellerna är exponerade för nya attackmönster som enskilda företag inte skulle upptäcka på egen hand förrän skadan redan var skedd.

Finjustera tröskelvärden över tid

En uppsättning regler som är alltför aggressiv blockerar legitima kunder, är den alltför tillåtande slipper bedrägerier igenom. Den rätta kalibreringen ändras i takt med att bedrägerimönster förändras och i takt med att du samlar in mer data om vilka signaler som faktiskt förutsade bedrägeri kontra vilka som genererade falskt positiva resultat. Välj verktyg för upptäckt av bedrägeri som ger den insyn som krävs för att göra justeringar baserat på bevis i stället för att gissa.

Stäng feedback-loopen

När en chargeback kommer in bör den matas tillbaka in i din regellogik: vilken signal utlöstes, vilken utlöstes inte och om en justering av tröskelvärdet är motiverad. Varje bedrägeriincident blir en input som skärper upptäckten med tiden i stället för bara en kostnad att absorbera.

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.