Betrug in Höhe von 362 Milliarden US-Dollar: Wie Erkenntnisse helfen können, Verluste zu reduzieren und das digitale Erlebnis zu verbessern

Da die Auswirkungen von Betrug zunehmen, werden die Verbraucher verständlicherweise vorsichtiger. Laut einem aktuellen Bericht von Mastercard würden überwältigende 91 % der Befragten in Erwägung ziehen, ein Unternehmen komplett zu meiden, wenn sie beim Kauf Opfer von Betrug würden.

Auch die Händler sind vorsichtig: Laut derselben Studie befürchten fast vier von zehn Händlern, als besonders betrugsgefährdet eingestuft zu werden, da Finanzinstitute in diesem Fall oft höhere Gebühren erheben.

Erschwerend kommt hinzu, dass der zunehmende Betrug eine immer noch große Rolle spielt, insbesondere im Hinblick auf Bequemlichkeit.

Unsere Untersuchungen zeigen, dass über ein Viertel (28 %) der Verbraucher eine Transaktion abgebrochen haben, weil sie frustriert darüber waren, wie lange es dauerte, ihre Daten einzugeben. Und ihre Erwartungen an Agilität dürften weiterhin hoch bleiben: Konsumenten der Generation Z wünschen sich beispielsweise fast 2,5-mal häufiger einen schnellen Online-Kaufprozess als die Babyboomer.

Dennoch ist die richtige Balance zwischen Sicherheit und Komfort keine einfache 50/50-Aufteilung. Derselbe Bericht legt nahe, dass die meisten Käufer (77 %) bei Online-Transaktionen der Sicherheit Vorrang vor der Geschwindigkeit einräumen.

Wie können Unternehmen also ein intelligenteres und sichereres Nutzererlebnis bieten? Die fortschrittlichsten Organisationen nutzen Daten und Erkenntnisse und setzen diese in die Praxis um, um ihre Betrugspräventionsstrategien zu verbessern.

Für Unternehmen liegt der wahre Wettbewerbsvorteil heutzutage darin, Erkenntnisse intelligent zu nutzen und die richtigen Parameter festzulegen, um Transaktionen, die tatsächlich echt sind, nahtlos zu authentifizieren.

Da Betrüger immer ausgefeiltere Methoden anwenden – darunter auch solche, die auf KI basieren und neue Angriffsvektoren für die Täter schaffen können –, müssen sich Unternehmen auf mehr als nur die bewährten Regeln verlassen. Die Zukunft liegt in kontextueller Intelligenz und Identitätserkenntnissen: im Verständnis, wie Informationen zusammenhängen, wie Muster von der Norm abweichen und wie man subtile Signale in Echtzeit interpretiert.

Nehmen Sie eine Transaktion mit einer E-Mail-Adresse von john.doe@gmail.com entgegen. Mithilfe von Erkenntnissen aus früheren Transaktionen kann ein KI-gestütztes System feststellen, ob die E-Mail-Adresse erst kürzlich erstellt wurde, was auf mögliche betrügerische Aktivitäten hindeutet, oder ob es sich um eine langjährige, vertrauenswürdigere E-Mail-Adresse handelt.

Um ein sichereres Transaktionserlebnis zu schaffen, ohne dabei an Agilität einzubüßen, müssen Unternehmen eine Kombination aus maschinellem Lernen, historischen Mustern und Echtzeit-Einblicken nutzen. Hier sind einige gängige Erkenntnisse, die dabei helfen können:

1. Personenmerkmale: Durch die Analyse gängiger Identifikatoren wie Namen, E-Mail-Adressen, Adressen und Telefonnummern im richtigen Kontext können Unternehmen Erkenntnisse über diese Identifikatoren gewinnen, die ihnen bei der Entscheidung helfen können, ob sie fortfahren und eine digitale Interaktion bestätigen sollen. Hier sind drei wichtige Punkte, die insbesondere neue Benutzer beachten sollten: 

• E-Mail: Wurde die E-Mail-Adresse erst kürzlich erstellt oder ist sie bereits zuvor bei legitimen Transaktionen aufgetaucht? 
• Name: Wurde der Name dieser Person bereits mit dieser E-Mail-Adresse oder Lieferadresse in Verbindung gebracht? 
• Telefonnummer: Stimmt die Telefonnummer mit dem bisherigen Kaufverhalten überein oder wurde sie bereits bei früheren Betrugsversuchen als verdächtig eingestuft? 

Diese Erkenntnisse können, wenn sie kombiniert und analysiert werden, eine Bewertung ergeben, die das Gesamtrisiko einer Transaktion widerspiegelt. Ein höherer Risikoscore bedeutet nicht zwangsläufig, dass etwas Böswilliges passiert ist – aber es könnte Anlass geben, genauer hinzusehen und die Erkenntnisse zu prüfen, die zu dieser Feststellung geführt haben. Die gute Nachricht ist, dass Händler auf Basis jeder Bewertung automatisierte Aktionen erstellen können, was bedeutet, dass mehr sichere Transaktionen durchkommen, während potenzielle Betrüger mit zusätzlichen Authentifizierungsrunden konfrontiert werden.

2. Verhaltensfähigkeiten: Diese Art von Informationen bezieht sich darauf, wie jemand mit einer Website oder einem Dienst interagiert. Mit den richtigen Werkzeugen können sie oft aussagekräftiger sein als die direkten Informationen, die sie liefern. Hier ist ein potenzielles Warnsignal, auf das Sie achten sollten:

• Transaktionswert und -volumen: Sind die Größe oder Häufigkeit einer Transaktion für diesen Benutzer ungewöhnlich?

KI- und Machine-Learning-Modelle lernen aus diesen Mustern und kennzeichnen Verhaltensweisen, die stark von den erwarteten Normen abweichen. Mit der Zeit werden sie immer schlauer – sie können zwischen einem nächtlichen Geschenkkauf und einem Betrüger, der unter falscher Identität agiert, unterscheiden.

3. Gerätefunktionen: Die Art des Geräts, das ein Verbraucher für den Zugriff auf die Dienste eines Unternehmens verwendet, wie z. B. ein Telefon, ein Tablet oder ein Computer, kann wichtige Einblicke in die Legitimität geben. Unternehmen sollten Folgendes im Blick behalten:

• Konsistenz: Handelt es sich bei dem Gerät des Verbrauchers um dasjenige, das üblicherweise von diesem Konto verwendet wird?
• Gerätetyp: Handelt es sich bei dem Betriebssystem oder Browser um ein veraltetes, gerootetes oder bekanntermaßen mit betrügerischen Aktivitäten in Verbindung stehendes System? Beispielsweise könnte ein Android-Gerät, das einen User-Agent mit einem Apple iOS Safari-Browser anzeigt, Anlass zur Sorge geben.

Zusammen können diese Erkenntnisse in ein Echtzeit-Risikomodell einfließen. Eine geringfügige Abweichung mag unbemerkt bleiben – häufen sich jedoch genügend Unstimmigkeiten an, schlagen sie sich in den Risikobewertungen nieder.

Letztendlich müssen die Unternehmen entscheiden, wie sie diese Erkenntnisse nutzen können, um ihre Betrugsbekämpfung zu verbessern. Beispielsweise würde eine Diskrepanz zwischen Telefonnummer und IP-Adresse – ein relativ häufiges Phänomen – eine Transaktion nicht daran hindern, wie gewohnt fortzufahren, während bestimmte Betrugsmuster eine Zwei-Faktor-Authentifizierung oder eine vorübergehende Sperrung auslösen könnten.

Diese Intelligenzebenen ermöglichen es Unternehmen, ein nahtloses Erlebnis zu schaffen, das sowohl sicher als auch effizient ist. Anstatt die Last den Kunden aufzubürden, nutzen moderne Betrugserkennungstools Erkenntnisse, um die Legitimität im Hintergrund zu überprüfen – so werden echte Transaktionen schneller abgewickelt und gleichzeitig Betrüger gestoppt, bevor sie Schaden anrichten können.

Angesichts der Vernetzung der heutigen Ökosysteme, der Raffinesse der Angriffe, der Verfügbarkeit von Betrugsdiensten und der Glaubwürdigkeit von Maschen und Betrügereien haben Unternehmen möglicherweise das Gefühl, auf einem Drahtseilakt zwischen Sicherheit und Komfort zu wandeln. Es liegt jedoch in der Verantwortung aller Unternehmen, Verbraucher und Ökosysteme in großem Umfang zu schützen – und das können sie auch, sofern sie über die richtigen Strategien verfügen.

Durch die Nutzung fundierterer Erkenntnisse aus Online-Interaktionen können Unternehmen das Benutzererlebnis vom Einloggen bis zum Ausloggen optimieren. Diese fundierteren, messbaren Dateneinblicke können auch zu schnelleren Transaktionsgenehmigungen, höheren Umsätzen und besseren Kundenerlebnissen führen, die die Kundenbindung fördern.

Die Chance ist offensichtlich, die Lösungen existieren und die Zeit drängt. Es gibt keinen besseren Zeitpunkt, um damit anzufangen, als jetzt. Nutzen Sie unsere Ressourcen für vertrauenswürdige Transaktionen, um Betrug zu minimieren, Genehmigungsquoten zu maximieren und eine bessere Entscheidungsfindung zu gewährleisten.