Erkennen betrügerischer Onlineaktivitäten

Onlinebetrug verhindern und zugleich reibungsloses Kundenerlebnis sicherstellen

Weltweit gehen jedes Jahr Dutzende von Milliarden Dollar durch Onlinebetrug verloren. Unternehmen nutzen meist regelbasierte Anwendungen zur Betrugserkennung, die nicht genau genug sind und mit den geänderten Verhaltensweisen von Betrügern nicht Schritt halten können. Mit den Machine-Learning-Lösungen zur Betrugserkennung von AWS können Unternehmen Onlinebetrug proaktiv und genauer erkennen und verhindern. Die Lösungen helfen, Umsatzverluste zu reduzieren und Markenimage-Schäden zu vermeiden. Dabei bieten sie ein reibungsloses Onlineerlebnis für Kunden und passen sich an geänderte Bedrohungsmuster an.

Vorteile

Bessere personalisierte Kundenerlebnisse

Betrugserkennung nach Ihren Vorstellungen

Unternehmen ohne Machine-Learning-Experten können Amazon Fraud Detector verwenden, um ihre Geschäftsanwendungen innerhalb weniger Minuten um ML-basierte Betrugserkennungsfunktionen zu erweitern. Unternehmen mit einem eigenen Team von Datenwissenschaftlern können mit Amazon SageMaker innerhalb weniger Tage hochgradig spezialisierte Betrugserkennungslösungen entwickeln.

Kundenengagement stärken

Basiert auf Amazons Know-how zur Betrugserkennung

Die ML-Lösungen von Amazon zur Betrugserkennung bauen auf Amazons 20-jähriger Erfahrung beim Verhindern von Betrug und Missbrauch bei AWS, Amazon.com und Tochtergesellschaften auf. Dieses Wissen zu Betrugsmustern fließt in die erzeugten Modelle ein.

Jeden Berührungspunkt personalisieren

Onlinebetrug in Echtzeit erkennen und verhindern

Die ML-Lösungen zur Betrugserkennung von Amazon bewerten das Risiko eines Ereignisses in Echtzeit. So können Kunden umgehend Eindämmungs- oder Abhilfemaßnahmen ergreifen, die Betrüger blockieren oder abwehren, und stattdessen risikoarme Aktivitäten beschleunigen, um die Kundenerlebnisse für legitime Kunden zu verbessern.

Jeden Berührungspunkt personalisieren

Betrugsbekämpfungsteams mehr Kontrolle geben

Die ML-Lösungen zur Betrugserkennung von Amazon führen die komplexen Aufgaben zum Trainieren, Optimieren und Bereitstellen eines Betrugserkennungsmodells automatisch aus. Dadurch können auch Benutzer, die keine Machine-Learning-Experten sind, aber mit Betrugsproblemen vertraut sind, an der Entwicklung und Aktualisierung höchst präziser Modelle teilnehmen.

Erfahrungsberichte von Kunden

Omnyex

SLA Digital

SLA Digital schafft durch reibungslose und sichere Fakturierungslösungen für Netzbetreiber neue Umsatzströme für Mobilfunkanbieter und Onlinehändler in aller Welt. SLA Digital bietet eine Fakturierungsplattform für Netzbetreiber, die Händler und Mobilfunkanbieter miteinander verbindet und die Kosten, operativen Risiken und Markteinführungszeiten für beide verringert. Als Zahlungsaggregator ist das Erkennen und Verhindern betrügerischer Transaktionen für das Geschäft von SLA Digital entscheidend.

„Vor 12 Monaten waren wir auf der Suche nach einer Betrugserkennungslösung, bei der wir keine großen Investitionen in unser eigenes Machine-Learning-Know-how tätigen mussten. Mit Amazon Fraud Detector konnten wir auf einfache Weise ein effektives und erschwingliches Machine-Learning-Modell erstellen und in unsere vorhandene Infrastruktur integrieren. Dabei profitieren wir von den transparenten, nutzungsbasierten Preisen.“

Richard Fisher, Head of Technology bei SLA Digital

Omnyex

FlightHub Group

Die FlightHub Group macht die Welt des Reisens für mehr Menschen zugänglich und erlaubt ihnen, neue Länder und Kulturen kennenzulernen. Das Unternehmen, das über 5 Millionen Kunden pro Jahr verzeichnet, möchte Reisenden die günstigsten Flüge sowie optimale Routen und einen hervorragenden Kundenservice bieten. Eine der höchsten Prioritäten des Betrugserkennungsteams von FlightHub ist, kostenbewusste Reisende, die ein erschwingliches Flugticket buchen möchten, von Betrügern zu unterscheiden, die Tickets mit gestohlenen Kreditkarten erwerben.

„Seit der Einführung von Amazon Fraud Detector ist unsere Abbruchrate auf unter 2 % gesunken (zuvor 5 %). Außerdem ist unsere Rückbuchungsrate die niedrigste seit der Gründung des Unternehmens. Das Unternehmen kann jetzt mehr Zahlungsvorgänge an der Kasse akzeptieren, die unsere früheren Modelle als riskant eingestuft und abgelehnt hätten. Das Beste dabei ist vielleicht, dass wir diese tollen Ergebnisse bei praktisch unveränderten Betriebskosten erzielen. All das führt zu einer größeren Zahl von Buchungen und mehr Umsatz sowie geringeren Verlusten durch Rückbuchungen.“

Drayton Williams, Fraud Investigations Manager bei FlightHub

Pulselive

Aella Credit

„Die Verifizierung und Validierung von Identitäten sind eine große Herausforderung in Schwellenländern. Die Fähigkeit, Benutzer richtig zu identifizieren, ist ein wesentliches Hindernis bei der Kreditaufnahme für Milliarden von Menschen in Schwellenländern. Die Verwendung von Amazon Rekognition zur Identitätsprüfung in unserer mobilen Anwendung hat Verifizierungsfehler deutlich reduziert und uns die Möglichkeit gegeben, diese zu skalieren. Wir können nun die Identität einer Person in Echtzeit ohne menschliches Zutun erkennen und verifizieren und so einen schnelleren Zugang zu unseren Produkten ermöglichen. Wir haben verschiedene stark beworbene Lösungen ausprobiert, aber keine der beliebten Alternativen konnte verschiedene Hauttöne genau abbilden. Amazon Rekognition hat uns geholfen, Gesichter unserer Kunden in unseren Märkten effektiv zu erkennen. Es hat uns auch dabei unterstützt, mit KYC überlappende Profile und doppelte Datensätze zu entdecken.“

Wale Akanbi – CTO und Mitbegründer, Aella Credit

Pulselive

ActiveCampaign

„In den ersten beiden Quartalen des Jahres 2020 erlebten wir einen sprunghaften Anstieg der Konten, die für Phishing-Angriffe genutzt werden. Infolgedessen mussten wir unsere bestehende, selbst entwickelte Lösung durch stärkere Transaktionsdaten und Signale ergänzen, um böswillige Akteure früher zu erkennen. Eine skalierbare Lösung auf der Grundlage des vorausschauenden Machine Learning war für uns als wachsendes Unternehmen wichtig. Amazon Fraud Detector machte es uns leicht, mit unseren eigenen Daten ein Modell zu erstellen, das Kontoanmeldungen, die zu Phishing-Angriffen führen, genau identifiziert. Noch wichtiger ist, dass wir diese Ergebnisse mit einer sehr niedrigen False-Positive-Rate erzielen konnten, was für unser Betriebspersonal keinen zusätzlichen Arbeitsaufwand bedeutet. Amazon Fraud Detector verfügt über ein wettbewerbsfähiges Preismodell und wir können das Modell problemlos in unseren bestehenden Workflow integrieren.“

Alex Burch, Senior Email Operations Engineer, ActiveCampaign

Lotte Mart

Qantas Loyalty

„Amazon Fraud Detector ist eine großartige Ergänzung unserer Funktionen zur Betrugserkennung und -bekämpfung. Die Möglichkeit, benutzerdefinierte Regeln zu schreiben, die auf unsere spezielle Situation zutreffen, ML-Modelle nach Bedarf zu trainieren und die nahtlose Integration mit anderen AWS-Services erlauben es uns, schnell intelligente Entscheidungen zu treffen und dabei die vollständige Kontrolle über die Plattform zu behalten. AWS war während der Machbarkeitsnachweis-Phase sehr hilfreich und hat der Plattform im Einklang mit Betrugstrends neue Funktionen hinzugefügt.“

Mary Criniti, CTO, Qantas Loyalty

Lotte Mart

CDKeys

„Mit Amazon Fraud Detector haben wir betrügerische Transaktionen um 6 % reduziert. Gleichzeitig haben wir die Kassenabwicklung bei mehr als 90 % der Transaktionen, die zuvor für eine manuelle Überprüfung markiert worden wären, automatisiert. Mittlerweile überprüfen wir weniger als 1 % unserer Transaktionen manuell – vorher waren es 10 %. Seit der Einführung dieses Service hat sich unsere Trustpilot-Bewertung deutlich verbessert. Wir wissen, dass dies ein Ergebnis der Automatisierung der Checkout-Erkennung sowie weiterer Optimierungen ist, die wir ständig an der Website vornehmen. Vertrauen ist für uns eine wichtige Geschäftsgrundlage, daher ist das für uns ein enormer Gewinn.“

Kevin Cole, Operations Director bei Omnyex

Lotte Mart

Truevo

„Amazon Fraud Detector hat es uns ermöglicht, unsere Abläufe drastisch zu verbessern, unsere Flexibilität beim Reagieren auf böswillige Akteure zu erhöhen und eine bessere Kontrolle über Systeme und Prozesse zu erlangen. Zunächst sahen wir uns eine hausinterne und eine Drittanbieterlösung an. Als Amazon Fraud Detector angekündigt wurde, haben wir sofort den Kurs geändert. Wir sind seit vielen Jahren Kunde von AWS und haben großes Vertrauen in die Produkte von Amazon. Mit Amazon Fraud Detector sind wir nicht mehr an die herkömmlichen Beschränkungen von On-Premise- oder SaaS-Angeboten gebunden. Stattdessen haben wir die Flexibilität, einen auf Machine Learning basierenden Service an unsere Bedürfnisse anzupassen, und die Möglichkeit, die Nur-Regeln-Option von AWS zu nutzen, während wir bei Bedarf leicht auf volle ML-Fähigkeiten skalieren können. Dies sparte Truevo 3–6 Monate an Entwicklungszeit! Tatsächlich haben wir unser erstes Prototypmodell innerhalb von 30 Minuten bereitgestellt. Insgesamt arbeiten wir mit größerem Vertrauen in unsere Fähigkeit, Betrug in Echtzeit aufzudecken. Wir sind besser in der Lage, Regelerkennungen bereitzustellen, wenn wir merkwürdige Aktivitäten bemerken, die wir vielleicht nicht ganz verstehen, die wir aber stoppen müssen. Wir sind in der Lage, auf die sich ständig ändernden regulatorischen und projektspezifischen Anforderungen zu reagieren und uns an diese anzupassen, sodass wir immer den Überblick behalten.“

Charles Grech, COO, Truevo

Anwendungsfälle

Betrugserkennung für Zahlungen und Transaktionen

Im Blickpunkt stehen dabei Versuche, einen Onlinekauf abzuschließen oder eine Onlinezahlung vorzunehmen bzw. zu verarbeiten. Ein häufiges Beispiel im E-Commerce sind Funktionen zum „Kaufen als Gast“. Diese Transaktionen betreffen Benutzer, die keine Kontohistorie haben oder eine Option zum „Kaufen als Gast“ ausgewählt haben, um den Vorgang anonymer abschließen zu können.

Betrug mit neuen Konten

Hier steht das Registrieren für ein neues Konto im Blickpunkt. Der Betrug fängt an, wenn ein böswilliger Akteur gefälschte, gestohlene oder synthetische Identitäten erstellt oder – oft mithilfe von Bots – mehrere Konten erstellt. Sobald eine Identität in einer digitalen Plattform eingerichtet wurde, ist es einfacher, Angriffe zu starten.

Kontoübernahme

Im Blickpunkt stehen hier Anmeldeversuche bei einem legitimen Benutzerkonto. Kontoübernahme bezeichnet Situationen, in denen die Anmeldeinformationen eines legitimen Benutzers kompromittiert wurden, weil ein böswilliger Akteur dessen Benutzer-ID und Passwort gestohlen, diese im Dark Web gekauft oder erraten hat.

Missbrauch von Werbeaktionen

Im Blickpunkt steht der Vorgang der Einlösung eines Vorteils, den ein Benutzer über eine Nachfragegenerierungs- oder Marketingkampagne erhalten hat. Böswillige Akteure greifen auf das Konto eines legitimen Benutzers zu, um Treuegutscheine oder -punkte per Transfer oder Kauf zu übertragen. Sie erstellen oft auch mehrere gefälschte Konten, um Werbeaktionen auszunutzen, z. B. kostenlose Probeversionen oder Guthaben, die für neue Konten vergeben werden, oder empfehlen sich selbst, um einen Empfehlungsbonus zu erhalten.

Falsche oder beleidigende Rezensionen

Hier steht die Veröffentlichung von Produktrezensionen im Blickpunkt, die irreführende oder beleidigende Inhalte enthalten können. Ein automatisches Screening ist essenziell, um gefälschte und beleidigende Rezensionen noch zuverlässiger zu entdecken. So müssen Kundendienstteams nicht haufenweise Warnungen durchgehen, von denen viele falsch positive Meldungen sein können.

Authentifizierung

Während der Registrierung von Onlinekonten können Funktionen zur biometrischen Gesichtserkennung, die auf Machine Learning basieren, zur Identitätsüberprüfung eingesetzt werden. Mit vortrainierten Gesichtserkennungs- und eingebetteten Analysefunktionen können Sie so Ihre Benutzer-Onboarding- und Authentifizierungs-Workflows verbessern, ohne dass Sie über Machine-Learning-Know-how verfügen müssen.

Sind Sie startbereit?

Vertrieb kontaktieren
Kontakt

Kontaktieren Sie uns, um mehr über Machine-Learning-Lösungen zur Betrugserkennung zu erfahren.

Kontakt 
Partner suchen
Partner suchen

Wenden Sie sich an das AWS Partner Network, um mit unseren globalen Technologie- und Beratungspartnern zusammenzuarbeiten

Erste Schritte 
Beginnen Sie mit der Ausführung von Initiativen
Selbst entwickelte Lösung

Nutzen Sie die KI-Services von Amazon oder Amazon SageMaker, um Ihre eigene Betrugserkennungslösung zu entwickeln.

Weitere Informationen 

Selbst entwickelte Lösung

Amazon bietet folgende KI-Services an, mit denen Sie Ihre Geschäftsanwendung um Betrugserkennung erweitern können.

Amazon Fraud Detector eignet sich vor allem für Unternehmen ohne Machine-Learning-Erfahrung oder mit besonderen Anforderungen an Markteinführungszeiten. Der vollständig verwaltete KI-Service lässt sich einfach in Anwendungen integrieren und deckt die häufigsten Anwendungsfälle für Betrugserkennung ab.

Unternehmen, die lieber ihre eigenen Machine-Learning-Modelle entwickeln möchten, können Amazon SageMaker nutzen. Dieser Service bietet integrierte Algorithmen und vortrainierte Modelle, die über den AWS Marketplace verfügbar sind. Damit lassen sich Lösungen zur Betrugserkennung innerhalb weniger Tage entwickeln.

Organisationen, die ihre Onboarding- und Authentifizierungs-Workflows um eine Benutzeridentitätsüberprüfung erweitern möchten, können über Amazon Rekognition eine auf Machine Learning basierende biometrische Gesichtserkennung nutzen. Die Lösung stellt vortrainierte Gesichtserkennungs- und Analysefunktionen bereit, die kein Machine-Learning-Fachwissen erfordern.

Alternativ können Sie Amazon SageMaker verwenden, um eigene ML-Modelle zur Betrugserkennung zu entwickeln.

Erfahren Sie, wie Sie eine Architektur entwickeln, die Amazon SageMaker nutzt, um potenziell betrügerische Aktivitäten zu erkennen und diese Aktivitäten zur Überprüfung zu kennzeichnen.

Ressourcen

Catch fraud faster by building a proof of concept in Amazon Fraud Detector

Blog lesen »

Erstellen, Trainieren und Bereitstellen eines Betrugserkennungsmodells mit Amazon Fraud Detector

Tutorial aufrufen »

Onlinebetrug mit der Leistungsfähigkeit von Machine Learning bekämpfen

Video ansehen »