Betrugsbekämpfung mit A/B-Experimenten für Risikoprofile

Die effektivste Methode, um Betrüger zu blockieren anhand von ausführlichen Tests zur Risikokonfiguration.

Die Bekämpfung von Zahlungsbetrug kann eine größere Herausforderung sein als Sie denken. Sie möchten Ihren echten Kunden ein reibungsloses Zahlungserlebnis bieten. Doch Kriminelle können sich schnell anpassen und mit ihrem technischen Wissen Ihr Unternehmen ins Visier nehmen.

Ein durchdachtes Betrugsmanagementsystems ist deshalb unabdingbar. Und die richtige Balance zwischen einer kontinuierlichen Optimierung Ihres Betrugsschutzes, ohne dabei echte Transaktionen abzulehnen (die zum Zeitpunkt des Kaufs manchmal sehr verdächtig aussehen), kann eine ziemliche Herausforderung sein.

Online-Unternehmen weisen durchschnittlich
2,5 % aller Zahlungsversuche aufgrund von Betrugsverdacht ab.

In einem Bericht aus dem Jahr 2019 vom Merchant Risk Council wird geschätzt, dass Online-Unternehmen in Schnitt 2,5 % aller Zahlungsversuche aufgrund von Verdacht auf Betrug abgelehnt haben. Diese Zahl könnte einem Einnahmeverlust im Millionenbereich entsprechen – sofern die abgelehnten Zahlungen tatsächlich nicht von betrügerischer Art waren.

Wie ist es also möglich, dass ein Unternehmen weiterhin schnell wächst und Kunden schützt, ohne zu viele echte Transaktionen zu blockieren? Betrüger und ihre Methoden entwickeln sich weiter. Für jede Betrugsmanagementlösung ist es deshalb von entscheidender Bedeutung, auffällige Verhaltensweisen zu erkennen, zu analysieren und sich entsprechend anzupassen.

Der Nutzen von A/B-Tests

Unternehmen sollten Ihre Betrugsstrategie kontinuierlich anpassen und kalibrieren. Die willkürliche Anpassung von Regeln und Punkteständen, der Austausch eines Modells zugunsten eines anderen oder die Zusammenarbeit mit Dritten für die Bewertung von Kundendaten ist eine Option, aber meist nicht der effizienteste Weg.

A/B-Tests sind zwar nicht neu, aber eine bewährte Methode, um festzustellen, ob sich Veränderungen von Konfigurationen auf die Ergebnisse in Form von repräsentativen Kennzahlen auswirken.

Der A/B-Test ist eine Methode, mit der entschieden wird, ob eine Variante das Ergebnis im Vergleich beeinflusst.

Im Bereich Risiko und Betrug müssen unbedingt die Auswirkungen auf etwaige Veränderungen nachverfolgt sowie ermittelt werden, wie sie False-Negatives und False-Positives beeinflussen. Unter False-Negatives werden die eigentlichen Betrugsfälle verstanden, die Ihr System nicht erkannt hat und die dann zu einem Chargeback werden. False-Positives sind Bestellungen von echten Kunden, die fälschlicherweise als Betrug klassifiziert werden und entgangene legitime Einnahmen zur Folge haben.

Das Ziel von A/B-Tests besteht darin, die Auswirkungen einer Veränderung auf die vorhin genannten Kennzahlen zu messen und eine akkurate Entscheidung hinsichtlich der „Echtheit“ einer gemessenen Auswirkung oder ihrer Zufälligkeit (natürliche Variation) zu treffen. Daraufhin wird schließlich entschieden, ob die Änderungen auf alle Transaktionen angewendet werden sollen.

In der Marketing- und Web-Analyse wurden A/B-Tests bereits früh eingesetzt. Angesichts der Komplexität und Tiefe der verfügbaren Daten im Betrugsmanagement müssen A/B-Tests jedoch als grundlegend betrachtet werden. A/B-Tests können als kontrolliertes Experiment mit zwei Varianten, A und B, verstanden werden. Es ist eine Methode, um zwei Versionen einer einzigen Variante zu testen. Meist erfolgt dies, indem man die Reaktion einer Person auf die Varianten A und B miteinander vergleicht und dadurch feststellt, welche der beiden Versionen wirksamer ist.

Unsere Versuchsmethode

Adyens Risikoexperten nutzen dieses experimentelles Framework bereits seit Langem. Nun können wir diese Funktion auch unseren Händlern zur Verfügung zu stellen.

Für die jüngsten Fortschritte im Bereich „Machine Learning“ (ML) wird eine solide Versuchsplattform benötigt, um die damit verbundenen Auswirkungen auf Benutzer in Echtzeit zu überwachen und anzuzeigen und Händlern letztendlich die volle Kontrolle zu geben.

Anstatt einfach eine bestehende Konfiguration mit einer neuen zu ersetzen, können kleine Änderungen an einer bestimmten Reihe von Risikoeinstellungen mithilfe von A/B-Tests festgestellt werden.

Wir lassen alle vorgegebenen Konfigurationen (eine Kombination aus einer bestimmten Reihe von Risikoeinstellungen bezeichnen wir als ein Profil) durch unseren ML-gestützten „Risk Optimizer“ laufen, um schließlich eine Hybrid-Lösung zu erhalten, die das beste beider Welten vereint: die Transparenz und Kontrolle eines regelbasierten Ansatzes mit den skalierbaren und genauen Vorhersagen des Machine Learnings.

Die ersten Versionen überprüften wir mit Testhändlern, wobei wir uns auf Schlüsselkennzahlen wie Autorisierungs- und Betrugsraten konzentrierten. Wir bemerkten jedoch schnell, dass detaillierte Insights ebenfalls eine Hauptkomponente werden müssen.

Anhand von bloßen Zahlen und Echtzeit-Diagrammen können Benutzer z.B. die genauen Gründe für die Ablehnung des Kartenherausgebers detailliert einsehen, um die Auswirkungen auf die durchgeführten Änderungen zu bewerten.

Wir möchten nicht nur die kontinuierliche Prüfung von neuen Risikokonfigurationen fördern, vielmehr sind wir der festen Überzeugung, dass ein erfolgreiches Betrugsmanagement auf soliden datengestützten Entscheidungen basiert und nicht auf persönlichen Meinungen. Adyens Versuchsfunktion ist ein Teil dieses Ansatzes und unterstützt Händler dabei, immer einen Schritt voraus zu sein.

Vimeo video will be rendered here

Jetzt da Sie mit den Möglichkeiten unserer Versuchsfunktion vertraut sind, werfen wir einen Blick auf eine echte Erfolgsgeschichte.

Das Experiment in der Praxis: Die Erfolgsgeschichte von OLX

OLX Brasilien als größter Marktplatz weltweit besitzt ein hohes Transaktionsvolumen. Das Unternehmen hat das Zahlungsrisikomanagement schon immer als eine Herausforderung angesehen.

Gemeinsam haben OLX und Adyen eine Strategie auf Grundlage von Machine Learning und intelligenter Datennutzung entwickelt. Nach der Analyse der Zahlungsdatenbank konnte der Algorithmus Konsumentenverhalten besser nachvollziehen und optimierte Einblicke in Conversions, Transaktionsgenehmigungen und Wege zum „besten Kundenerlebnis“ bereitstellen.

Mit den neu erworbenen Kenntnissen konnte das Risikoprofil, das in dem Tool zum Schutz vor Betrugszahlungen von OLX verwendet wird, analysiert werden.

Das Profil besteht aus verschiedenen Datenfeldern wie Standort, E-Mail, durchschnittlicher Warenkorbwert, Kartendaten, Artikel im Warenkorb, Benutzerhistorie und mehr. Jedem Feld werden Punkte zugewiesen, abhängig vom Betrugsrisiko. Profil „A“ war somit abgeschlossen.

„Nach acht Wochen hatten wir das gesamte Volumen nach dem neuen Risikoprofil migriert, und das Endergebnis war ein Zuwachs der Autorisierungsrate um 2,6 % unter Beibehaltung der Chargeback-Quote.“

Ligia Pires Trust and Safety Manager bei OLX Brasilien

Anschließend erstellten wir ein zweites Zahlungsrisikoprofil, Profil „B“, indem ein neues Regelset zusammengestellt wurde. Machine Learning kalibrierte die Punkte der einzelnen Profile gemäß den Daten, die von der Verkaufshistorie des Unternehmens generiert wurden. „Da wir genügend Daten, ein leistungsstarkes Tool und Kunden hatten, die Tests zu neuen Lösungen immer offen gegenüberstehen, starteten wir einen A/B-Test“, erklärt Ligia Pires, Trust and Safety Manager bei OLX Brasilien. „Der Test geht folgendermaßen vonstatten: Wir lassen ein altes und neues Profil zur Betrugsbekämpfung parallel laufen und überprüfen, welches die besten Ergebnisse erzielt.“

Die erste Phase des Tests dauerte vier Wochen, in denen nur 10 % des Verkaufsvolumens an das neue Profil zur Betrugsbekämpfung geschickt wurden. Als gute Ergebnisse erzielt wurden, wurde das Volumen für weitere zwei Wochen auf 25 % angehoben und in den letzten beiden Wochen schließlich auf 50 % gesteigert.

„Heute unterstützt uns Adyen bei unseren Zahlungsinitiativen, und dank ihrer Technologie können wir nun das beste aus beiden Welten vereinen: genehmigte Transaktionen und ein solides System zur Betrugsbekämpfung, das illegitime Verkäufe blockiert.“

Ligia Pires Trust and Safety Manager bei OLX Brasilien

So profitieren Sie mit der Versuchsfunktion von Adyen

Das Risikomanagement, RevenueProtect, von Adyen wird die neue Versuchsfunktion als Premium-Risiko-Add-on anbieten, sobald die Betatests abgeschlossen sind. Wenn Sie daran interessiert sind, am Testprogramm teilzunehmen und sich selbst ein Bild von seiner Leistung zu machen, kontaktieren Sie uns.

Für den Augenblick können Sie sich von den Funktionen überzeugen, die das End-to-End-Zahlungssystem von Adyen für Sie bereithält: mehr Daten an einem zentralen Ort und die Möglichkeit, anhand von Versuchen zu testen, zu lernen und zu optimieren.

Stimmen Sie Ihr Risikomanagement ab

Finden Sie die effektivste Methode, um Betrüger zu blockieren anhand von ausführlichen Tests zur Risikokonfiguration.

Mehr erfahren

Holen Sie sich Payment-News direkt in Ihre Inbox.

Ich stimme zu, dass Adyen mir Newsletter mit Neuigkeiten über Adyen, unser Unternehmen und unsere Branche, unsere Partner und verbundenen Unternehmen, unsere Produkte und Dienstleistungen sowie über neue Funktionen und Einführungen sendet. Durch Absenden dieses Formulars bestätigen Sie, dass Sie die Bedingungen unserer Datenschutzerklärung gelesen haben und der entsprechenden Verwendung Ihrer Daten zustimmen.


Are you looking for test card numbers?

Would you like to contact support?