Fraudemonitoring

Fraudepreventie verwijst doorgaans naar de tools die een transactie op het moment van afrekenen stoppen, zoals CVV-controles of 3-D Secure. Fraudemonitoring is een breder, continu proces dat de gehele transactieomgeving analyseert.

Het omvat real-time detectie, maar strekt zich ook uit tot post-autorisatieanalyse, trendrapportage en de identificatie van systemische kwetsbaarheden. Monitoring levert de gegevens die nodig zijn om preventieregels bij te werken, zodat de merchant de evoluerende aanvalspatronen van fraudeurs voorblijft.

Effectieve monitoring is ontworpen om grotendeels onzichtbaar te zijn voor de legitieme kaarthouder. Door passieve gegevenspunten zoals apparaatvingerafdruk en snelheidscontroles te gebruiken, kunnen de meeste transacties worden gevalideerd zonder aanvullende invoer te vereisen.

Alleen transacties die een specifieke risicodrempel overschrijden, worden uitgedaagd met Strong Customer Authentication of doorgestuurd naar handmatige beoordeling. Deze gerichte aanpak geeft prioriteit aan veiligheid, terwijl de verlating wordt geminimaliseerd die vaak het gevolg is van overmatige of onnodige wrijving tijdens het betalingsproces.

Geen enkel systeem kan de preventie van alle terugboekingen garanderen, met name die welke voortvloeien uit 'vriendelijke fraude' waarbij de legitieme kaarthouder een geldige aankoop betwist. Monitoring vermindert echter aanzienlijk de kans op terugboekingen die verband houden met gestolen inloggegevens of ongeoorloofd gebruik.

Door risicovolle transacties te identificeren en te blokkeren voordat ze worden vastgelegd, kunnen merchants hun algehele geschillenratio verlagen en hun status behouden binnen de monitoringprogramma's van het kaartschema, zoals het Visa Fraud Monitoring Programme.

Machine learning identificeert niet-lineaire relaties tussen variabelen die statische, regelgebaseerde systemen mogelijk missen. Een machine learning-model kan bijvoorbeeld herkennen dat een specifieke combinatie van e-maildomein, tijdstip en browserversie correleert met een hoge fraudewaarschijnlijkheid in een bepaalde regio.

Deze modellen worden getraind op enorme datasets van zowel frauduleuze als legitieme transacties, waardoor ze zich kunnen aanpassen aan nieuw gedrag. Dit vermindert het aantal valse positieven in vergelijking met rigide, handmatige drempels.

Geautomatiseerde systemen zijn gespecialiseerd in het nemen van razendsnelle beslissingen op basis van duidelijke patronen. Bepaalde transacties kunnen echter echt dubbelzinnig zijn, zoals een aankoop met een hoge waarde van een langdurige klant die een nieuw apparaat in een ander land gebruikt.

Een handmatige beoordeling stelt een getrainde analist in staat om menselijk oordeel toe te passen en mogelijk verdere verificatie van de klant te vragen. Dit voorkomt het verlies van legitieme inkomsten die anders zouden kunnen worden geblokkeerd door een overdreven voorzichtige geautomatiseerde weigering.

Drempels worden doorgaans vastgesteld op basis van een combinatie van industriestandaarden voor de specifieke Merchant Category Code en de individuele risicotolerantie van het bedrijf.

Een luxe retailer met hoge marges accepteert mogelijk een hoger vals-positief percentage om maximale veiligheid te garanderen, terwijl een digitale dienst met lage marges mogelijk prioriteit geeft aan volume en een iets hoger risico accepteert.

Deze drempels worden regelmatig herzien en aangepast op basis van de prestaties van de regels en de evoluerende aard van de bedreigingen die in de verwerkingsomgeving worden gedetecteerd.