Der Online-Handel erlebt einen nie dagewesenen Boom. Die Pandemie hat den Trend vom stationären Handel zum E-Commerce nochmals beschleunigt. Am Black Friday dieses Jahres beispielsweise hat der Online-Handel in Deutschland 40 Prozent mehr Transaktionen verzeichnet als am selben Tag 2019. Über das ganze Black Friday-Wochenende steigerte sich der Umsatz um 45 Prozent im Vergleich zum letzten Jahr. Das lässt nicht nur die Kassen klingeln, sondern sorgt auch für zusätzliche Herausforderungen. Mit der Zahl der Bestellungen steigt auch die Anzahl der Betrugsversuche. Das bringt manch technische Systeme, insbesondere jene zur Risikokontrolle, an ihre Grenzen und führt nicht selten zu Beeinträchtigungen der Customer Journey.
Wenn diese Systeme an ihre Grenzen stoßen, könnte es zu Verzögerungen im Checkout-Prozess kommen, zuweilen gar zu Systemabstürzen. Für Händler bedeutet dies, dass nicht mehr alle Prozesse auf Risiken kontrolliert werden. Kunden brechen aufgrund der Verzögerungen häufig den Kaufprozess ab oder sind zumindest unzufrieden. So kann auch ein bisheriger Lieblings-Shop schnell die Gunst des Kunden verlieren.
Technisch gesehen ist es unwahrscheinlich, dass eine bloße Aufrüstung der IT-Infrastruktur etwa mit mehr Rechenpower, Abhilfe schaffen kann. Viel mehr gilt es, die Risikokontroll-Lösung selbst kritisch unter die Lupe zu nehmen und gegebenenfalls durch eine zu ersetzen, die von den Folgen des Online-Booms selbst zu Peak-Zeiten nicht überfordert ist. Eine solche Lösung zeichnet sich nicht nur durch den Einsatz fortschrittlicher Technologien wie Machine Learning (ML) aus, sondern ist insgesamt so aufgebaut, dass die Customer Journey nicht beeinträchtigt wird. Es gilt nicht zuletzt, zahlungsfähigen Kunden weiterhin ein positives Erlebnis und die Bezahlmethode ihrer Wahl bieten zu können: für Deutsche vorwiegend der Kauf auf Rechnung.
Keine Verzögerungen beim Checkout
Um Verzögerungen beim Checkout zu vermeiden und eine umfassende Betrugskontrolle zu bieten, sollten Prüfmechanismen bereits frühzeitig ansetzen, nicht erst beim Checkout. So sollte schon während des Kaufprozesses kontrolliert werden, ob der Aufenthaltsort des Kunden zu seiner registrierten Lieferanschrift passt und ob er ein bekanntes Gerät zum Besuch des Webshops nutzt. Natürlich tätigen Kunden auch auf Geschäftsreisen oder an ihrem Urlaubsort Einkäufe. Nutzen sie dann aber beispielsweise nicht ihr bereits im Shop bekanntes Smartphone, sondern einen PC mit exotischer IP-Adresse, ist erhöhte Vorsicht geboten.
Auch ein Blick in den Einkaufskorb kann sich lohnen: Bestellt ein Kunde, der für gewöhnlich wenige Kleidungsstücke in Größe S ordert, 50 T-Shirts in Größe XL, ist auch dies ein Indiz für einen möglichen Betrugsversuch. Gleiches gilt im Falle eines Kunden, der für gewöhnlich 30 Euro pro Einkauf ausgibt, und plötzlich einen Warenkorb im Wert von 1000 Euro abrechnen will.
Avancierte Systeme zur Betrugsabwehr setzen zudem ML ein, um auch nicht-strukturierte Daten in die Risikobewertung einfließen zu lassen. Das gilt vor allem für die Erkennung und Kontrolle von Verhaltensmustern, die sogenannte „Behavioural Biometrics“. Ein solches System kann unter anderem das Tippverhalten eines Kunden kontrollieren und eventuelle Diskrepanzen zu seinem früheren Verhalten feststellen, um die Identitätsprüfung zu verbessern. Der Einsatz derartiger ML-Methoden steigert die Genauigkeit der Betrugserkennung und reduziert so u.a. die Anzahl der False Positives, was zu einer reibungslosen Customer Journey beiträgt.
Ergänzungen zu traditionellen Parametern
Die beschriebenen Kontrollen sollten die traditionellen Parameter wie Bonitätskontrolle und Zahlungshistorie ergänzen, um in einem automatisierten Prozess das Scoring in eine intelligente Zahlartensteuerung umzusetzen. Je nach Bewertung werden dem Kunden im Kaufprozess ausgewählte sichere Zahlarten oder auch der Kauf auf Rechnung angeboten. Die wesentlichen Resultate für den Online-Händler sind eine gesteigerte Betrugserkennungsrate sowie reibungslose Customer Journeys, die zuverlässige Kunden nicht vergraulen, sondern an das Unternehmen binden, unter anderem indem sie ihnen die Zahlart ihrer Wahl anbieten.
Die abschließende Erwägung für einen Online-Händler auf der Suche nach dem passenden System zur Betrugsabwehr ist die Frage, ob er die Fraud/Risk Architektur selbst hosten kann. In den meisten Fällen wird sich ein erfahrener Partner, der auf stabilen Systemen bereits ML und Behavioural Analytics anbietet, als die bessere Option erweisen.05