Die Payment-Plattform Stripe Radar 2.0 gestartet Das Betrugspräventionsmodell habe allein im Jahr 2017 einen Schaden durch Betrugsversuche in Höhe von mehr als 4 Milliarden US-Dollar verhindert. Indem das System anhand von hunderttausenden vergangener Transaktionen im Stripe-Netzwerk lernt, betrügerische Aktivitäten besser zu erkennen, werde Stripe-Nutzern dabei geholfen, den Schutz individuell für ihr Unternehmen anzupassen.
Mit Radar 2.0 stellt Stripe einen neuen Baukasten an Tools zur Betrugsprävention und verbesserten Machine-Learning-Modellen vor, die im Risikomanagement größerer Unternehmen zum Einsatz kommen sollen. „Radar for Fraud Teams“ soll sich für folgende Optimierungen in großen Unternehmen eignen:
-
Schnellere und genauere Überprüfungen: Durch einen breiteren Einblick in ähnliche in der Vergangenheit abgewickelte Zahlungen sowie in Attribute wie den typischen Pfad eines Käufers oder ein Missverhältnis zwischen dem Land der IP-Adresse des Nutzers und dem Land seiner Kreditkarte, können im Risikomanagement betrügerische Aktivitäten schneller bewertet werden.
-
Benutzerdefinierte Regeln mit Echtzeit-Feedback: Die Betrugsverhinderungslogik kann jetzt mit Regeln angepasst werden (zum Beispiel „Alle Transaktionen über 1 000 Euro blockieren, wenn das IP-Land nicht mit dem Land der Kreditkarte übereinstimmt"). Auf der Grundlage historischer Daten gibt Radar dabei auch eine Prognose über die Auswirkungen einer neuen Regel ab. Auf diese Weise wird das Risikomanagement bei der Bewertung dieser Auswirkungen unterstützt.
-
Für die Sperrung von Zahlungen können individuelle Schwellenwerte festgelegt werden.
-
Benutzer können Listen mit Details wie Kartennummern, E-Mails oder auch IP-Adressen erstellen und pflegen, die konsistent zu sperren sind oder erlaubt sein sollen.
-
Umfassende Analysen zur Betrugsleistung: Radar zeigt Trends rund um strittige Zahlungen, die Effektivität der Überprüfung von markierten Zahlungen und die Auswirkungen von Regeln an - zugeschnitten auf die Bedürfnisse des Benutzers.
Mit Radar 2.0 erfolgt zudem ein Update der Radar-Machine-Learning-Modelle. Die verbesserten Modelle halfen den ersten testenden Unternehmen, Betrug bei hoch bleibender Zahlungsakzeptanz um bis zu 25 Prozent zu reduzieren.