Betrugsüberwachung

Betrugsprävention bezieht sich typischerweise auf die Tools, die eine Transaktion zum Zeitpunkt des Checkouts stoppen, wie z. B.

CVV-Prüfungen oder 3-D Secure. Betrugsüberwachung ist ein breiterer, kontinuierlicher Prozess, der das gesamte Transaktionsumfeld analysiert.

Sie umfasst die Echtzeit-Erkennung, erstreckt sich aber auch auf die Post-Autorisierungsanalyse, die Trendberichterstattung und die Identifizierung systemischer Schwachstellen. Die Überwachung liefert die Daten, die zur Aktualisierung der Präventionsregeln erforderlich sind, um sicherzustellen, dass der Händler den sich entwickelnden Angriffsmustern von Betrügern einen Schritt voraus ist.

Eine effektive Überwachung ist so konzipiert, dass sie für den legitimen Karteninhaber weitgehend unsichtbar ist. Durch die Verwendung passiver Datenpunkte wie Geräte-Fingerprinting und Geschwindigkeitsprüfungen können die meisten Transaktionen ohne zusätzliche Eingaben validiert werden.

Nur Transaktionen, die einen bestimmten Risikoschwellenwert überschreiten, werden mit Strong Customer Authentication abgelehnt oder zur manuellen Überprüfung umgeleitet. Dieser gezielte Ansatz priorisiert die Sicherheit und minimiert gleichzeitig den Abbruch, der häufig durch übermäßige oder unnötige Reibung während des Zahlungsvorgangs entsteht.

Kein System kann die Abwehr aller Rückbuchungen garantieren, insbesondere solcher, die aus „Friendly Fraud“ resultieren, bei dem der legitime Karteninhaber einen gültigen Kauf anficht. Die Überwachung reduziert jedoch die Wahrscheinlichkeit von Rückbuchungen, die mit gestohlenen Anmeldeinformationen oder unbefugter Nutzung verbunden sind, erheblich.

Durch die Identifizierung und Blockierung von Hochrisikotransaktionen, bevor sie erfasst werden, können Händler ihre Gesamtsstreitquote senken und ihren Status in den Überwachungsprogrammen der Kartensysteme, wie dem Visa Fraud Monitoring Programme, aufrechterhalten.

Maschinelles Lernen identifiziert nichtlineare Beziehungen zwischen Variablen, die statische, regelbasierte Systeme möglicherweise übersehen. Beispielsweise könnte ein maschinelles Lernmodell erkennen, dass eine bestimmte Kombination aus E-Mail-Domain, Tageszeit und Browserversion mit einer hohen Betrugswahrscheinlichkeit in einer bestimmten Region korreliert.

Diese Modelle werden anhand riesiger Datensätze sowohl betrügerischer als auch legitimer Transaktionen trainiert, wodurch sie sich an neue Verhaltensweisen anpassen können. Dies reduziert die Anzahl der Fehlalarme im Vergleich zu starren, manuellen Schwellenwerten.

Automatisierte Systeme sind darauf spezialisiert, im Bruchteil einer Sekunde Entscheidungen auf der Grundlage klarer Muster zu treffen. Bestimmte Transaktionen können jedoch tatsächlich mehrdeutig sein, wie z.

B. ein hochpreisiger Kauf von einem langjährigen Kunden, der ein neues Gerät in einem anderen Land verwendet.

Eine manuelle Überprüfung ermöglicht es einem geschulten Analysten, menschliches Urteilsvermögen anzuwenden und möglicherweise weitere Überprüfungen vom Kunden anzufordern. Dies verhindert den Verlust legitimer Einnahmen, die andernfalls durch eine übervorsichtige automatische Ablehnung blockiert worden wären.

Schwellenwerte werden typischerweise auf der Grundlage einer Kombination aus Industriestandards für den spezifischen Händlerkategoriecode und der individuellen Risikotoleranz des Unternehmens festgelegt.

Ein Luxus-Einzelhändler mit hohen Margen könnte eine höhere Fehlalarmrate akzeptieren, um maximale Sicherheit zu gewährleisten, während ein Digitaldienst mit geringen Margen das Volumen priorisieren und ein etwas höheres Risiko akzeptieren könnte.

Diese Schwellenwerte werden regelmäßig überprüft und angepasst, basierend auf der Leistung der Regeln und der sich entwickelnden Art der im Verarbeitungsumfeld erkannten Bedrohungen.