Seit 2020 erlebte der E-Commerce eine beeindruckende Entwicklung, die durch die Corona-Pandemie noch beschleunigt wurde. Durch die Schließung physischer Geschäfte fokussierten sich viele Verbraucher auf das Online-Shopping, was zu einem exponentiellen Anstieg des Bestellaufkommens und damit auch zu einer Zunahme potenzieller Betrugsversuche führte. Die Bedeutung der Betrugsprävention stieg erheblich.
Um verdächtige Aktivitäten zu identifizieren und zu verhindern, nutzen viele Unternehmen neben der manuellen Prüfung bereits automatisierte Verfahren wie Machine Learning Modelle. Die manuelle Prüfung ist zeit- und kostenaufwendig und konfrontiert die Unternehmen mit einem hohen Bedarf an qualifizierten Prüfern. Durch den Einsatz von Machine Learning Modellen können Routineaufgaben automatisiert werden, was den manuellen Prüfaufwand erheblich reduziert und die Effizienz steigert. Ein Hybridansatz bei dem automatisierte Systeme Prüfungen durchführen und nur komplexe Fälle an menschliche Prüfer weiterleiten, kann besonders effektiv sein. Dies ermöglicht es, Ressourcen gezielt einzusetzen und sich auf komplexe Fälle zu konzentrieren, die menschliches Urteilsvermögen erfordern.
Der deutsche Informationsdienstleister CRIF, der zur globalen CRIF-Gruppe mit Kunden in über 50 Ländern gehört, verfügt über 130 Jahre Erfahrung mit datengetriebenen Risikolösungen im B2B- bzw. B2C-Bereich. Das CRIF-Datenuniversum beinhaltet Informationen zu allen relevanten Aktionen im Lebenszyklus von Kunden, nutzt umfangreiche Datenquellen zu Device-Informationen, Geo-Locations, Zahlungsdaten und Identitätsdaten und verarbeitet Profilverläufe und Muster, um Abweichungen identifizieren zu können. Mit Hilfe dieser Datenbasis hat CRIF bereits erfolgreich Machine Learning Modelle im Einsatz, die mit hoher Trennschärfe betrügerisches Verhalten und Fälle mit einem hohen Risiko für einen Zahlungsausfall vorhersagen. Durch eine modellgestützte Ablehnung dieser Fälle unterstützt CRIF seine Kunden dabei, den manuellen Prüfaufwand zu reduzieren.
Mit dem Ziel, die Aussteuerung in die manuelle Prüfung und die daraus resultierenden Kosten weiter zu optimieren, ist es CRIF nun gelungen, für ein großes E-Commerce Unternehmen ein innovatives Machine Learning Modell zu entwickeln, dessen Fokus nicht auf dem Verhalten der Besteller liegt, sondern auf dem Verhalten des Prüfers. Im Gegensatz zu Modellen zur Betrugsprävention, die mit Zahlungsausfällen trainiert werden, nutzt dieses Modell die qualifizierte Entscheidung des Prüfers als Zielgröße und imitiert diese. Dies ermöglicht Online-Händlern, das breite Spektrum an Kriterien, welche die manuelle Prüfung beinhaltet, zu nutzen und eine modellgestützte Entscheidung auf Basis der vom Prüfer real beschlossenen Annahme oder Ablehnung zu treffen.
Dieses Thema interessiert Sie? Dann lesen Sie hier kostenlos im Whitepaper weiter.
Whitepaper: Wie Machine Learning die manuelle Prüfung revolutioniert