Machine Learning: probates Mittel gegen Online-Betrug
Autoren/Redakteur: Martin Baumann (Director Analytics bei Experian DACH), Dr. Christian Fritsch (Senior Analyst bei Experian DACH)/gg
Online-Betrug grassiert. Neben den direkten Verlusten, die Unternehmen deshalb erleiden, treiben die notwendigen, oft manuellen Betrugskontrollen die Kosten für alle Unternehmen in die Höhe, die Online-Geschäfte tätigen. Entsprechend sieht sich laut dem Consumer and Business Report von Experian rund die Hälfte der Befragten gezwungen, ihre Investitionen in die Betrugserkennung und -abwehr zu erhöhen.
Die Studie zeigt, dass Unternehmen auf künstliche Intelligenz (KI) und Machine Learning (ML) setzen, um Betrugsverluste zu reduzieren und die mit der Betrugsbekämpfung verbundenen Kosten zu senken. Diese neuen Technologien ermöglichen es den Unternehmen, Betrugsfälle genauer zu erkennen und so den Zeit- und Kostenaufwand für manuelle Überprüfungen zu reduzieren, da ein höherer Anteil der Anträge oder Käufe automatisch korrekt als gültig oder betrügerisch eingestuft wird.
Die größten Herausforderungen für eine effektive Betrugsbekämpfung
Laut der Experian-Studie gibt es fünf Hauptfaktoren, die Unternehmen daran hindern, die Kosten und Risiken des zunehmenden Betrugs erfolgreich zu bewältigen. Der wichtigste Faktor sind die Schwierigkeiten und Kosten, die mit der Verwaltung mehrerer Arten von Software zur Betrugsbekämpfung verbunden sind. Da die Bedrohung durch Betrug immer komplexer wird – mit immer neuen Methoden und Einfallstoren – setzen Unternehmen mehrere spezialisierte Betrugslösungen ein und haben dann Schwierigkeiten, diese effizient zu kombinieren. Ohne einen koordinierten Ansatz verursacht dies nicht nur Kosten, sondern kann auch die Prozesse für die Kunden beeinträchtigen.
Der zweite Faktor ist die Zunahme von Verzögerungen und Kosten im Zusammenhang mit Anfragen. Unternehmen, die traditionelle, regelbasierte Betrugsprävention einsetzen, stellen fest, dass sie einen Großteil ihrer Anfragen manuell überprüfen müssen. Diese Überprüfungen sind mit hohen Kosten verbunden, da ein Team von Betrugsspezialisten ständig zur Verfügung stehen muss, um Anfragen oder Käufe zu bewerten. Darüber hinaus wirken sich die durch manuelle Überprüfungen verursachten Verzögerungen negativ auf den Umsatz aus, da Kunden gerade im Internet nicht gerne warten und gegebenenfalls zur Konkurrenz abwandern.
Diese beiden Faktoren stehen im Zusammenhang mit dem dritten Hauptproblem: der Unfähigkeit, Strategien zur Betrugsbekämpfung mit Strategien zur Umsatzsteigerung in Einklang zu bringen. Verbraucher erwarten schnelle und einfache Online-Prozesse, so dass Lösungen zur Betrugsprävention, die zu Reibungsverlusten führen, die Neukundengewinnung behindern können. Ein angemessener Schutz vor Betrug ist jedoch unerlässlich, da fast die Hälfte der für die Studie befragten Unternehmen im vergangenen Jahr einen Anstieg der Verluste durch Betrug verzeichnet hat.
Der vierte Faktor sind „False Positives“ (Anfragen, die fälschlicherweise als betrügerisch eingestuft werden). Strenge Regeln zur Betrugsbekämpfung können dazu führen, dass legitime Kunden fälschlicherweise abgewiesen werden. Je nach Unternehmen kann dieser Verlust an potenziellen Einnahmen sogar höher sein als die tatsächlichen Verluste durch Betrug. Die Studie legt nahe, dass sich viele Unternehmen dieser Auswirkungen von False Positives nicht bewusst sind, da nur 32 Prozent der Befragten diese Kennzahl überhaupt in Betracht ziehen.
Der letzte Faktor, der in der Studie hervorgehoben wird, ist die Schwierigkeit der Unternehmen, ihre Modelle und Regeln schnell genug anzupassen, um auf neue Betrugsmethoden zu reagieren. Da sich Betrug ständig weiterentwickelt, suchen viele Unternehmen nach neuen Lösungen, um mit dieser Entwicklung Schritt zu halten.
ML-Grundlagen
Derzeit wird das Potenzial von ML in den meisten Unternehmen noch nicht voll ausgeschöpft. Nur etwa die Hälfte der befragten Unternehmen setzt ML in mehr als einem Anwendungsfall ein. Die Akzeptanz dieser Technologie steigt jedoch schnell: 31 Prozent der befragten Unternehmen planen die Einführung von ML in den nächsten zwölf Monaten.
