Wie maschinelles Lernen das Betrugsmanagement fördert

Verbraucher setzen von Händlern voraus, dass sie ihre Aktivitäten global ausweiten und somit auch auf neue und innovative Omnichannel-Strategien zurückgreifen. Betrug wird vor diesem sich ständig verändernden Hintergrund immer komplexer. Trotzdem greifen viele Händler noch auf veraltete regelbasierte Systeme zurück, die nur schwerlich mit den neusten Entwicklungen mithalten können, anstatt sich auf maschinelles Lernen zu verlassen. Händler müssen jedoch, um international mithalten zu können, ihre Ressourcen ständig anpassen und optimieren.

Im Gegensatz zu veralteten Regeln ist eine Lösung zum Betrugsmanagement, die auf maschinellem Lernen beruht, skalierbar.  Durch die Nutzung dieser Technologie können Händler weiterhin innovativ sein, nicht nur im Bereich des Betrugsmanagements, sondern auch im Bezug auf ein besseres Kundenerlebnis, das sich wiederum in einem Umsatzwachstum niederschlagen kann. In diesem Blogpost möchte ich die Vorzüge eines Betrugspräventionssystems, das auf maschinellem Lernen beruht gegenüber traditionell regelbasierten Betrugspräventionssystemen erläutern. 

Maschinelles Lernen & Adaptive Entscheidungsfindung

Die Generation Y ist immer unterwegs. Riskifieds Verbraucherumfrage hat ergeben, dass 45% ihr Handy benutzen, um online einzukaufen. Händler verwenden jedoch immer noch nur ein einziges System, um Web-Transaktionen sowie Handy-Transaktionen zu analysieren. Eine Regel, die entworfen wurde, um Web-Transaktionen zu überprüfen berücksichtigt keine geografischen Daten, die jedoch einzigartig für mobile Transaktionen sind. Sehen wir uns das folgende Beispiel an: ein Student, der an einer amerikanischen Universität studiert, momentan jedoch durch Indien reist bestellt mit Hilfe seines Handys eine Konzertkarte für das Red Hot Chilli Peppers Konzert in New York. Zur Begleichung der Rechnung benutzt er seine amerikanische Kreditkarte. Aus Sicht eines regelbasierten Systems macht diese Kombination eine IP/BIN-Unstimmigkeit aus und der Student, der ein legitimer Käufer ist wird höchstwahrscheinlich abgelehnt.

Wie kann maschinelles Lernen bei diesem Problem helfen?

Modelle, die auf maschinellem Lernen basieren nutzen keine festgelegten Regeln. Stattdessen werden Risikofaktoren und deren Relevanz aufgrund der am meist auftretenden Mustern festgelegt, was sich in enormen Mengen von Auftragsdaten in Echtzeit widerspiegelt. Die Modelle evaluieren tausende Datenpunkte, darunter die IP und das Gerät mit eingeschlossen, um Entscheidungen mit Hilfe der einflussreichsten Datenkombinationen einer Bestellung jederzeit zu präzisieren. Das Ergebnis ist daher präziser und ermöglicht ein genaueres Verständnis der Einkaufsmuster.

Bessere Daten dank Merkmalserkennung

Riskifieds Recherche hat ergeben, dass ein Drittel der Kunden, die fälschlicherweise abgelehnt wurden sich von der entsprechenden Website abwenden und das Produkt nachdem sie sich umgesehen haben bei einem Konkurrenten erwerben. Hierbei handelt es sich also nicht nur um eine geplatzte Verkaufsmöglichkeit, sondern bedeutet auch verschwendete Bemühungen und Zeit sowie verlorengegangene Loyalität eines treuen Kunden. Eine effektive Möglichkeit dieses Problem anzugehen ist der Verzicht auf strikte Regeln. Regeln sind im Wesentlichen schwarz-weiß, wodurch viele Variablen, die bei der Identifizierung von Betrug eine Rolle spielen nicht berücksichtigt werden. Der Grund, warum Modelle in der Lage sind Transaktionen mit solch einer Genauigkeit und schnell zu evaluieren resultiert in Merkmalen, welche einen wichtigen Bestandteil von Modellen ausmachen, die auf maschinellem Lernen basieren.

Merkmale sind Datenelemente, die bei einer Vorhersage, welche sich auf maschinelles Lernen stützt verwendet werden. Diese Merkmale können dabei die Menge der Bestellungen beschreiben, können aber auch weitaus komplexer sein und die Übereinstimmung der Tastatur sowie das Herkunftsland der Kreditkarte vergleichen. Der Wert oder die Wichtigkeit eines Merkmals korreliert so mit seinem Beitrag zum Gesamtrisikoniveau. Dadurch können Modelle Daten kontextualisieren.

Maschinelles Lernen: Was bedeutet das für Betrug?

An Merkmalen ist besonders bemerkenswert, dass sie dynamisch sind. Dynamische Merkmale erlauben es einem Modell im Zuge der Veränderung von Betrugsmustern in Echtzeit zu reagieren. Ein dynamisches Merkmal könnte eine besonders risikoreiche Kombination darstellen, wie zum Beispiel eine mexikanische IP und eine französische Kreditkarte. Fallen in diesem Zusammenhang mehrere betrügerische Bestellungen auf wird die Risikostufe umgehend über alle Modelle, aufgrund dieses Merkmals, angepasst. Dies resultiert dann in schnelleren und genaueren Vorhersagen sowie weniger falschen Ablehnungen legitimer Kunden. Für den Händler bedeutet dies, dass die Modelle in der Lage sind, kontinuierlich Risiken in neu entstehenden Betrugssystemen zu erkennen.

Kontextuelles Training

Den Online-Shop für die Zukunft rüsten ist etwas, was Händler immer im Hinterkopf behalten sollten, wenn sie über die Anschaffung einer Lösung zur Betrugsprävention nachdenken. Regeln sind nicht so leicht zu überprüfen und erfordern immense interne Ressourcen, um relevant zu bleiben.  Modelle, die auf maschinellem Lernen beruhen sind dagegen in der Lage, die Genauigkeit je nach Bedarf zu verbessern.

Wie funktioniert maschinelles Lernen genau?

Während eines Trainingsprozess wird das Modell verfeinert, indem es die derzeit relevanteste Repräsentation der Betrugslandschaft anwendet. Dies lässt sich besonders gut am folgenden Beispiel verstehen. Internationale Bestellungen und Premiumversand treten rund um die Weihnachtsfeiertage vermehrt auf, da Käufer noch schnell versuchen die beste Rabattaktion mitzunehmen sowie ihre Geschenke für Familie und Freunde noch rechtzeitig zu erhalten. Diese Zunahmen würden bei einem Modell, das vor den Festtagen trainiert wurde als risikoreich erscheinen und die Genauigkeit würde kompromittiert werden. Deshalb lässt sich das Trainieren eines Modells nicht verallgemeinern. Vielmehr misst jedes Modell die Parameter unterschiedlich, wobei auch eine Rolle spielt wie, wo und wann es eingesetzt wird.

Durch die Betrachtung des einzigartigen Einkaufsverhaltens der Kunden sind die Vorhersagen von Modellen genauer, wenn die Daten unbekannt sind. Dies gilt zudem unabhängig von der Jahreszeit. Der Händler kann Online-Bestellungen dadurch mit Hilfe einer Betrugsmanagementlösung überprüfen, die mit der Zeit immer genauer wird.

Maschinelles Lernen: Unterm Strich

Maschinelles Lernen kann Händlern helfen, die Komplexität der heutigen E-Commerce-Landschaft zu verstehen sowie zu bewältigen. Um mehr über unsere Modelle und unsere Technologie zu erfahren wenden Sie sich bitte an [email protected].