Wie ließen sich Betrugsversuche im E-Commerce in der Vergangenheit erkennen – und welche Fortschritte gibt es durch Machine Learning? Die KI-Expertin Martina Neumayr vom IT- und Analyse-Dienstleister Experian verrät es in ihrem Gastbeitrag im Fachmagazin BigData-Insider, den wir unseren Leser:innen gerne empfehlen möchten.
„Lange Zeit waren Unternehmen auf klassische analytische Verfahren und Systeme angewiesen, um die Spreu vom Weizen zu trennen“, schreibt Martina Neumayr in einem Gastbeitrag für das Fachmagazin BigData-Insider. Die Expertin arbeitet als Senior Vice President Credit Risk & Fraud Services bei Experian DACH.
Die damaligen Systeme hätten Transaktionsdaten im E-Commerce auf statische Weise untersucht, gemäß genau definierter Parameter. Sie lösten dann zum Beispiel eine Warnmeldung aus, wenn die Online-Bestellung eines besonders teuren Produkts über ein Smartphone mit deutscher SIM-Karte aus dem Ausland erfolgte. Häufig habe in solchen Fällen ein Fraud Manager überprüfen müssen, ob es sich um eine valide Transaktion oder einen Betrugsversuch handelte. Das habe nicht nur Zeit und Geld gekostet, sondern auch die Abläufe verzögert, was wiederum zu Kaufabbrüchen ehrlicher Kunden führte.
„Ein solches Verfahren ist bei steigendem Profitabilitätsdruck, massiv steigenden Transaktionszahlen und der anspruchsvolleren Erwartungshaltung der Kunden nicht mehr zeitgemäß“, postuliert die Expertin in ihrem Beitrag – und wendet sich dann den Vorzügen moderner Machine-Learning-(ML)-Systeme zur Transaktionskontrolle zu und erklärt deren Funktionsweise und Einsatzmöglichkeiten.
Denn diese seien – anders als viele Mythen rund um künstliche Intelligenz (KI) suggerierten – in der Realität „keineswegs bedrohlich“, sondern vielmehr „nützliche und unterstützende, moderne analytische Methoden“. Und: „Sie können Unternehmen dazu verhelfen, ihre Online-Umsätze zu steigern und ihre Geschäfte solide zu steuern, indem sie sehr konkret ehrliche Kunden besser von Betrügern unterscheiden helfen.“
Neugierig geworden? Den vollständigen Artikel gibt es hier:
Am beliebtesten