90 Prozent der Betreiber komplexer Programme zur Kundenbindung sind von Missbrauch betroffen. Wie groß der Schaden ist, zeigt sich auch, wenn man die Verbreitung solcher Loyalty-Programme betrachte: 71Prozent der Verbraucher nehmen an mindestens einem Bonusprogramm teil. Durch das große Volumen an Daten bieten sich die unterschiedlichsten Möglichkeiten für (Online-)Betrug. Künstliche Intelligenz kann solche Manipulationen aufdecken und verhindern.
Dass 90 Prozent der Betreiber komplexer Programme zur Kundenbindung von Missbrauch betroffen sind, hat der Loyalty Fraud Report von CyberSource Corporation gezeigt. Diese Programme erfreuen sich großer Beliebtheit, 3.000 Konsumenten aus Deutschland und fünf weiteren europäischen Ländern wurden für die Studie Zukunft des Einkaufens von Comarch und Kantar TNS befragt: 71Prozent davon nehmen an mindestens einem Bonusprogramm teil.
7 Tatbestände von Loyalty-Betrug
Missbrauch im Kontext von Kundenbindungsprogrammen ist nicht einfach zu definieren. Zu den am häufigsten gemeldeten Betrugsfällen gehören:
- Sammeln von Punkten durch Filialmitarbeiter, die ihre eigenen Karten einsetzen, wenn nicht am Programm teilnehmende Kunden einen Einkauf tätigen
- Rückgabe von Artikeln, Stornierung von Transaktionen oder Fehlkonfiguration von Punkteerstattungen, in deren Rahmen dem Kunden Geld zurückgezahlt wird, ohne die für den Kauf vergebenen Bonuspunkte abzuziehen
- Ausnutzen einer Fehlkonfiguration oder fehlerhaften POS-Integration, die rabattierte Kauftransaktionen bei Gutschrift der vollen Bonuspunktezahl zulässt
- Nicht autorisierte manuelle Punktekorrekturen, Punkteübertragungen oder Kontenzusammenführungen durch Filial- oder Contact-Center-Mitarbeiter
- Ausnutzen technischer oder konfigurationsbedingter Schlupflöcher, um das Punktesammeln zu beschleunigen bzw. die Qualifikation für eine höhere Teilnehmerstufe oder eine Bonusprämie zu erreichen
- Aneignung eines fremden Bonuskontos oder Identitätsdiebstahl
- Verwenden derselben Bonuskarte durch mehrere Personen (falls dies nach den Programmregeln nicht zulässig ist)
Künstliche Intelligenz im Einsatz gegen Betrug
Klassische Schutzmechanismen sind die Festlegung von Vergabe- und Einlösegrenzen, die Kontrolle der Anzahl an Registrierungen, die Verifizierung der Daten, die Überwachung der Anzahl risikobehafteter Transaktionen oder der Einsatz von Deduplizierungsverfahren. Methoden aus dem Bereich Machine Learning (ML), die auf Künstlicher Intelligenz basieren, können hier unterstützen. Sie erkennen Abweichungen in riesigen, vielfältigen Datenmengen.
6 Muster der Interaktion mit dem Loyalty-Programm
Das Ziel von Kundenbindungsprogrammen ist es, wiederkehrende Kunden zu belohnen und zu halten, die eigene Markenbekanntheit erhöhen und den Verkaufsumsatz zu steigern. Im Falle einer relativ statischen Programmkonfiguration sollten einige Muster in der Interaktion zwischen Programm und Teilnehmer erkennbar sein, die sich messen lassen, wie z. B.:
- Vergabe-/Einlöseverhältnis – übliche Anzahl an Vergabetransaktionen, bis die Punkte im Regelfall von einem Großteil der Programmteilnehmer eingelöst werden
- Sammelgeschwindigkeit – wie schnell steigt das Punkteguthaben
- Übliche Frequenz von Vergabe- und Einlösetransaktionen
- Gewöhnliche Kontolaufzeit
- Wertverhältnis zwischen Einkäufen und Punktetransaktionen
- Mögliche Beziehung zwischen dem Zeitpunkt der Registrierung für das Programm und der Gesamtzahl an Interaktionen
Künstliche Intelligenz ist in der Lage, diese und ähnliche Muster in Transaktionsdaten zu erkennen und dann Konten oder einzelne Transaktionen festzustellen, die von einem erkannten Muster abweichen. Im Rahmen der Forschung und Entwicklung für das Kundenbindungssystem Comarch Loyalty Management wird untersucht, wie sich maschinelles Lernen zur Erkennung von Abweichungen bzw. Betrug nutzen lässt.
Das wichtigste KI-Verfahren, das hierzu analysiert wurde, ist der Einsatz eines Autoencoders, einer Art künstlichem neuronalen Netz, das lernt, Eingabedaten zu komprimieren und wieder zu rekonstruieren. Um die Leistungsfähigkeit des verwendeten Algorithmus und seine allgemeine Eignung für den vorgesehenen Zweck zu ermitteln, werden die rekonstruierten Ausgabedaten mit der ursprünglichen Eingabe verglichen.
Je stärker die Rekonstruktion des Autoencoders abweicht, desto wahrscheinlicher handelt es sich bei dem untersuchten Datensatz um eine Anomalie. In seiner Untersuchung hat Comarch echte Daten zur Interaktion zwischen Teilnehmern und Kundenbindungsprogramm sowie Punkteständen genutzt. Im Ergebnis konnten Konten identifiziert werden, die ein zweifelhaftes Vergabe-/Einlöse-Verhältnis, ungewöhnlich schnelle Punktegewinne oder -verluste, bedeutende manuelle Punktekorrekturen, wiederholte Transaktionen oder andere unübliche Muster aufwiesen. Sämtliche festgestellten Anomalien sind nur schwer mit anderen Verfahren zu erkennen. So wurden auch verschiedene Tests mit Klassifikationsbäumen und Cluster-Algorithmen durchgeführt, doch Autoencoder haben sich bisher als am effektivsten erwiesen.
Studie: Zukunft des Einkaufens
Die Studie wurde in sechs Ländern zu unterschiedlichen Produktkategorien wie Bekleidung, Kosmetik, Schmuck, HiFi, Haushalt, Möbel und Baumarkt durchgeführt und steht zum kostenfreien Download bereit:
