Neue Methoden zur Bekämpfung von Buy Now Pay Later (BNPL)-Betrügern
Martin Rehak, CEO von Resistente KI, erörtert die neuen Möglichkeiten, mit denen Unternehmen den Betrug „Jetzt bezahlen, später kaufen“ (BNPL) bekämpfen können.
Betrüger finden immer schnellere und ausgeklügeltere Wege, um die immer beliebter werdenden „Buy Now Pay Later“-Dienste (BNPL) auszunutzen. Während digitale Verbraucher die Vorteile des Kaufs von Artikeln genießen, die sie sich nicht unbedingt sofort leisten können – von Geschenkgutscheinen bis hin zu Hypotheken – finden Kriminelle schnell Schlupflöcher in diesem relativ unkomplizierten Prozess, sofort online einen kostenlosen Kredit zu erhalten.
Ein Anstieg der Kontoübernahmen
Im Jahr 2020 sahen wir einen Bericht 200 % mehr Kontoübernahmen im digitalen Handel. Im Februar 2021 wird die Die Compilation of Many Breaches (COMB) Datenpanne hat 3.2 Milliarden Benutzer offengelegt. Cyberkriminelle posteten die Konten der Opfer in einer durchsuchbaren Online-Datenbank, auf die Hacker und Betrüger gegen eine geringe Gebühr zugreifen und synthetische Identitäten erstellen konnten – bei denen ein Krimineller echte und gefälschte Informationen kombiniert, um eine neue Identität zu erstellen – und Eigenbetrug zum finanziellen Vorteil begehen .
Die Kontoübernahme kann besonders kostspielig sein, insbesondere wenn es sich um etablierte und angesehene Kunden handelt. Die Kundenhistorie und der gute Ruf bei einem Händler sind wertvoll, können jedoch gestohlen und missbraucht werden. Beim BNPL-Modell können Kunden die Genehmigung in Sekundenschnelle einholen und Einkäufe erhalten, wenn sie entweder nichts oder einen minimalen Betrag im Voraus bezahlt haben, der Traum eines Betrügers. Diese Bedrohungen können zu zusätzlichen Maßnahmen zur Bekämpfung von Identitätsbetrug führen, wodurch der Onboarding-Prozess für den Kunden umständlich wird. Darüber hinaus können Opfer von Identitätsdiebstahl unter schlechten Kredit-Scores und Problemen bei der Identitätsprüfung leiden, die alle vermieden werden müssen.
Der Konflikt des BNPL-Anbieters
Ein großer Konflikt für BNPL-Anbieter liegt in der Abwägung zwischen einem schnellen und einfachen Service mit einer „sanften“ Bonitätsprüfung der Verbraucher und dem Schutz der Kundenidentität vor Kriminellen.
Ein weiteres Problem ist ihre Abhängigkeit von erstklassigen Daten von Drittanbietern, da BNPL-Anbieter von mehreren externen Datenquellen und Diensten abhängig werden, um ihre internen Identifizierungsprozesse zu validieren. Und je fortgeschrittener das Scoring ist, desto größer ist ihre Abhängigkeit von Dritten. Dies legt eine Lücke offen, die Cyberkriminelle füllen können.
Typische BNPL-Betrügertaktiken
Der BNPL-Betrüger nutzt normalerweise Folgendes aus:
- Fehlkonfigurationen im CRM des Online-Händlers
- Sicherheitslücken im BNPL-Scoring-Code
- inaktive, selten verwendete Konten, um auf längst vergessene Passwörter zuzugreifen.
Mit jedem Informationsleck von Namen, Adressen, Telefonnummern und E-Mail-Adressen gibt es vor allem ein Verbrechen, das richtig Fahrt aufnimmt. Angreifer verwenden synthetische Identitäten, um sich zu bewerben Finanzen und dann Artikel bestellen, die sie "versehentlich" zur Lieferung an das Haus eines unschuldigen Opfers arrangieren. Die Kriminellen sammeln dann das Paket ein und lassen das ahnungslose Opfer mit der Rechnung zurück.
Die technische Herausforderung für BNPLs
BNPL-Organisationen müssen die zunehmende Raffinesse von Cyberkriminellen mit ihren eigenen High-Level-Tools herausfordern, um Risiken zu mindern und bekannten und unbekannten Betrugsversuchen entgegenzuwirken. Insbesondere, damit sie ihre Kreditbewertungsalgorithmen verbessern und Betrugserkennungsschichten vor Manipulationen und Lücken durch Drittanbieter schützen können.
Wie können sie das tun?
Eine neue Art von adaptivem KI-Add-on für die Finanzautomatisierung
BNPL-Organisationen können ihren bestehenden Betrugserkennungssystemen eine Schutzschicht hinzufügen. Die heutigen neuen Aufsichts-Engines für die Finanzautomatisierung kombinieren AI mit fortschrittlichen statistischen und maschinellen Lerntechniken, um zugrunde liegende Systeme zu überwachen, betrügerische Transaktionsmuster aufzudecken und die Effektivität risikobasierter Entscheidungssysteme zu verbessern. Sie passen sich auch kontinuierlich an neue Betrugsmuster an, damit BNPL-Unternehmen robustere Kontrollen über mehrere Plattformen hinweg einrichten können.
Die neuen Aufsichtsmodule für die Finanzautomatisierung können in drei kritischen Bereichen helfen:
1. Mehrere Algorithmen werden kombiniert, um schwache Muster zu erkennen und Betrug zu kennzeichnen
Sie finden Inkonsistenzen und hochdimensionale Korrelationen in Daten und markieren sie für weitere Untersuchungen. Dadurch kann die BNPL-Organisation fortgeschrittenen Betrug und Manipulation früher und schneller erkennen. Die zuvor erwähnte „versehentliche“ Zustellung von Paketen ist weniger wahrscheinlich. Beispielsweise warnt das System, wenn ein IP-Adresse Cluster in Nottingham wird verwendet, um Produkte an mehrere Adressen in Bristol zu bestellen.
2. Sie identifizieren zuvor nicht identifizierte Schwachstellen und Lücken von Drittanbietern
Die neue Art von Automatisierungs-Engine wird mehrere Arten von Fehlklassifizierungen kennzeichnen. Beispielsweise wird eine Warnung erstellt, wenn ein Geschenkgutscheinkauf, der normalerweise mit risikoarmen Artikeln wie Schokolade und Seifen verbunden ist, plötzlich für risikoreiche elektronische Artikel verwendet wird. Ein hochrangiger Krimineller könnte planen, Elektronik woanders zu kaufen oder die Gutscheine bei eBay zu verkaufen.
3. Sie können mehrere Transaktionen identifizieren, die keinen physischen Artikel enthalten
Diese verdächtige Aktivität weist auch auf eine falsche Zuordnung zur BNPL-Organisation hin.
Zufriedenere Kunden, zufriedenere BNPL-Organisationen
Das Ergebnis sind gute Nachrichten für Kunden, die weniger wahrscheinlich Opfer von Betrug werden oder durch unnötige Flags belästigt werden – was seitdem ein ebenso großes Plus für BNPL-Organisationen ist 40% der Verbraucher sagen, dass sie nicht wieder bei einem Händler einkaufen, der ihre Bestellung fälschlicherweise ablehnt.
WEITERLESEN:
- Old Credit is History: Klarnas neue Kampagne
- Wie wurde 2021 zum goldenen Zeitalter für Fintechs?
- Mastercard zum Entfernen des Magnetstreifens von Karten
- Nach der Pandemie: Die Top 5 der europäischen E-Commerce-Märkte als Wachstumstreiber
Es verbessert auch das Arbeitsleben von BNPL-Analysten, während BNPL-Organisationen schnell und sicher neue Kunden gewinnen können – Kunden, die eine vertrauenswürdige Erfahrung machen, den Ruf der Marke stärken und einen treuen Kundenstamm aufbauen.
Folge uns auf LinkedIn und Twitter
