Der Inhalt dieses Artikels wird nur zu Informationszwecken zur Verfügung gestellt. Sie sollten immer eine unabhängige Unternehmens-, Steuer-, Finanz- und Rechtsberatung einholen, bevor Sie eine Geschäftsentscheidung treffen.
Erfahren Sie, warum Händler Machine Learning nutzen sollten, um Betrug zu managen und die Einhaltung von gesetzlichen Bestimmungen sicherzustellen, ohne die Kundenbindung zu beeinträchtigen oder Reibungsverluste zu verursachen.
Der E-Commerce hat im vergangenen Jahr einen Aufschwung erlebt, und es wird erwartet, dass er auch in den nächsten Jahren rasant wachsen wird. Daten sind dabei der Treibstoff, der die Händler befähigt und es ihnen ermöglicht, das Kundenerlebnis zu personalisieren, um Engagement und Gewinne zu steigern. Allerdings werden dieselben Kundendaten von Personen, die über ausgefeilte Tools und Zugang zu kriminellem Know-how verfügen, in immer stärkerem Maße für ihre Zwecke missbraucht.
Laut der IDC 2021 PayPal Enterprise Payments Survey sind "das Verhindern von Betrug und Risikomanagement" die Top-Herausforderungen beim Online-Verkauf.1 Da Händler ihr Geschäft weiterhin digital optimieren, benötigen Sie ein System, das Betrugsmanagement ermöglicht und regulatorische Compliance unterstützt, ohne dass die Kundenbindung beeinflusst wird, Reibungen entstehen oder die Betriebskosten steigen. Dafür benötigen sie adaptive Betrugsprävention, gestützt durch Machine Learning.
Und das sind die fünf Gründe:
Die digitale Betrugs-Community im Untergrund hat sich in den letzten Jahren stark entwickelt. Sie haben zahlreiche Darkweb-Foren, um Wissen und Tools auszutauschen. Ein breites Spektrum an Technologien, die alles von Standort-Spoofing bis zu groß angelegten botgesteuerten Angriffen ermöglichen, hat Abläufe automatisiert und vereinfacht. Leider haben viele Systeme zur Betrugsprävention nicht Schritt gehalten. Sie können hoch entwickelte und fortlaufend veränderte Muster böswilliger Verhaltensweisen nicht erkennen, was zu vielen Falschmeldungen, Reibungen beim Endkunden und betrieblicher Ineffizienz führt.
Glücklicherweise kann Betrug heutzutage effektiv mit Machine Learning bekämpft werden. Mithilfe von Trainingsmodellen mit großen Datensätzen können durch Machine Learning gestützte Betrugserkennungslösungen filigrane Betrugsmuster genau erkennen, die der Mensch nicht wahrnimmt, und Transaktionen rund um die Uhr überwachen. So wird der Druck von den innerbetrieblichen Teams der Händler genommen. Machine Learning kann eine schnelle, agile und hoch effektive Möglichkeit sein, Betrugsrisiken zu verwalten; tatsächlich stimmen etwa 60% der Unternehmen, die Automatisierung, Machine Learning oder Verhaltensanalyse einsetzen, zu, dass KI-Technologien unerlässlich sind, um Online-Betrugsvorfälle zu erkennen.2
Einer der größten Vorteile einer durch maschinelles Lernen gestützten Betrugspräventionslösung ist, dass sie nicht nur heute, sondern auch später noch einen Mehrwert bieten kann. Das liegt daran, dass die Technologie sowohl Betrugsmuster in großen Datensätzen erkennen als auch Empfehlungen zur Optimierung der eingesetzten Betrugsregeln vorschlagen kann. Auf diese Weise kann die Lösung so konfiguriert werden, dass sie mit jeder Transaktion intelligenter wird. In dem Maße, wie die böswilligen Akteure ihre Techniken anpassen, entwickeln sich auch die Modelle des maschinellen Lernens weiter.
Der Schlüssel bei Betrugsmanagement ist, die Anzahl von Ablehnungen zu reduzieren, ohne betrügerische Transaktionen zu steigern. Mit einem effektiven adaptiven Risikomanagement-Ansatz können Sie betrügende Personen fernhalten, ohne legitime Kundschaft falsch zu markieren. Dadurch werden Kosten für betrugsbezogene Kreditkartenrückbuchungen reduziert und die Gewinne durch Verbesserung der Autorisierungsraten erhöht.
Wenn Ihre Betrugsschutzfilter richtig funktionieren, verringern Sie nicht nur die Anzahl falscher Ablehnungen, sondern auch das Volumen von zur manuellen Prüfung gekennzeichneten Transaktionen. Letztere können für Kundschaft erhebliche zusätzliche Reibungen bedeuten, die zu Warenkorbabbrüchen, zu Umsatzrückgängen und zur möglichen Abwanderung von Kundschaft führen. Die Schaffung eines besseren umfassenden Zahlungserlebnisses trägt zu Kundenbindung, Engagement und Umsatzsteigerung bei.
Unser zweiseitiges Netzwerk von über 360 Millionen aktiven Verbraucherkonten und über 28 Millionen Händlerkonten weltweit bietet eine reiche Datenquelle. Diese Daten werden in unsere Modelle für maschinelles Lernen für genauere, adaptive Betrugserkennung in Echtzeit eingespeist.
Rückbuchungsschutz*: PayPal erstattet den strittigen Betrag und alle damit verbundenen Gebühren (bis zu einem vorab festgelegten Limit) für alle automatisch genehmigten berechtigten Transaktionen mittels einer Kreditkartenrückbuchung.
Betrugsschutz: Der Betrugsschutz ist ein in der PayPal Commerce Platform und Braintree integriertes, sofort einsetzbares Toolkit, das Händlern mehr Sichtbarkeit und Kontrolle über den Transaktionsentscheidungsprozess bietet.
Erweiterter Betrugsschutz: Der erweiterte Betrugsschutz ist in Braintree integriert und unterstützt das (die) Betrugsschutz-Team(s) eines Händlers bei der Identifizierung und Untersuchung verdächtiger Transaktionen, der Analyse von Mustern und dem Erhalt wichtiger Analysen zur Begrenzung von Betrugsverlusten.
Risiko-APIs: Risiko-APIs sind für besonders große E-Commerce-Händler verfügbar und können von diesen zum Schutz vor verschiedenen Betrugsfällen, wie z.B. Anmeldung, Login und Zahlungsbetrug, einfach integriert werden.
Teilen Sie uns Ihre E-Mail-Adresse mit, um die neuesten Unternehmens-News, Storys und Branchenberichte zu erhalten.
Wenn Sie Cookies akzeptieren, verwenden wir diese, um Ihre Erfahrung zu verbessern und anzupassen und unseren Partnern zu ermöglichen, Ihnen personalisierte PayPal-Anzeigen zu zeigen, wenn Sie andere Websites besuchen. Cookies verwalten und mehr erfahren