Home Security Hoe kunnen ‘koop nu, betaal later’-providers fraude tegengaan?

Hoe kunnen ‘koop nu, betaal later’-providers fraude tegengaan?

Experian -
39

Een groeiend aantal onlinebedrijven bieden ‘koop nu, betaal later’ (Buy Now, Pay Later, BNPL) -diensten aan. De webshops willen op die manier klantervaringen verbeteren en de conversie verhogen. Uit onderzoek blijkt zelfs dat 78% van de consumenten wereldwijd sneller positief zijn over een merk wanneer zij de optie bieden om achteraf te betalen. De meest recente cijfers tonen aan dat al ruim 600 (web)winkels in Nederland gebruikmaken van deze betaaloptie. Terwijl de populariteit van BNPL-diensten blijft groeien, trekt het ook de aandacht van fraudeurs.

Fraudegevoeligheid ‘koop nu, betaal later’

BNPL is zo succesvol, omdat het consumenten direct toegang biedt tot kortlopend krediet. Het verkrijgen van deze eenvoudige point-of-sale-lening is een essentieel onderdeel van deze betaalmethode. Tegelijkertijd zijn BNPL-diensten erg fraudegevoelig. Klanten kunnen, dankzij deze betaalmethode, in eerste instantie een klein bedrag – meestal 25% van de totale kosten – afrekenen. En zij betalen later het resterende bedrag. Fraudeurs kunnen toegang krijgen tot de goederen tegen een fractie van de werkelijke waarde, wat de diensten heel aantrekkelijk maakt voor fraudeurs.

Het controleren van de identiteit en kredietwaardigheid van de koper omvat daarnaast veel minder stappen in vergelijking met een verificatieproces voor een traditionele lening of kredietaanvraag. Complexe phishingaanvallen geven oplichters toegang tot de inloggegevens van kopers. Deze gegevens gebruiken ze vervolgens bij het plegen van BNPL-fraude.

De balans vinden tussen een snel en eenvoudig afrekenproces en adequate fraudepreventie vormt een grote uitdaging. Dit hangt sterk af van de nauwkeurigheid van de fraudeoplossing die de aanbieder gebruikt. Nieuwe technologieën, zoals machine learning (ML), device fingerprinting en Artificial Intelligence (AI) bieden BNPL-providers ondersteuning bij het nauwkeuriger beoordelen van fraude. Deze hulpmiddelen behouden ook de snelle en veilige checkout-ervaring, waardoor de optimale klantervaring gewaarborgd blijft.

De kracht van machine learning

Dankzij de sterke analytische kracht van ML kunnen BNPL-providers fraude veel nauwkeuriger identificeren dan met alleen frauderegels. ML legt verbanden tussen eerdere fraudegevallen en nieuwe transacties op het moment dat deze plaatsvinden. Op deze manier identificeert én voorkomt ML fraude proactief.

Aanbieders kunnen ook transacties veel efficiënter analyseren dankzij deze technologie. Zo ontdekken ze patronen die legacy-systemen hoogstwaarschijnlijk missen. Een groot deel van de beslissingen kan dankzij ML worden geautomatiseerd, waardoor de druk op de interne fraudeteams die transacties handmatig beoordelen afneemt.

Een derde voordeel van ML is dat de modellen zich voortdurend ontwikkelen, waardoor ze de continu veranderende fraudedreigingen kunnen bijhouden. Door het toevoegen van ieder fraude-incident, blijven de ML-modellen up-to-date. Daarnaast is het mogelijk om handmatig cases toe te voegen, waardoor ML uiteindelijk steeds nauwkeurigere adviezen uitbrengt.

Device fingerprinting

Device fingerprinting is een andere technologie die helpt bij het verder verbeteren van fraudedetectie. Deze methode verzamelt en analyseert unieke identiteitsgegevens van ieder apparaat (zoals een laptop, tablet, mobiele telefoon etc.) van aanvragers die de BNPL-dienst gebruikt.

Een combinatie tussen ML en device fingerprinting zorgt voor een razendsnelle analyse van klantgedrag en apparaatgegevens. Hierdoor worden fraudeurs vóór het doen van de daadwerkelijke aankoop geïdentificeerd. De combinatie van ML en device fingerprinting monitort subtiele veranderingen in gebruikersgedrag die kunnen duiden op fraude. Denk aan accountaanmeldingen van nieuwe apparaten, wijzigingen in IP-adressen en het resetten van wachtwoorden, waardoor verdacht gedrag makkelijk gesignaleerd wordt en de BNPL-providers snel in actie kunnen komen voordat de fraudeur naar de betaalfase gaat. ML en devicefingerprinting zijn onderdeel van een automatisch proces. Klanten ondervinden geen hinder van de fraudeuridentificaties waardoor de klantervaring behouden blijft.

Vind de juiste balans met Artificial Intelligence

Artificial Intelligence ondersteunt BNPL-providers bij het vinden van de juiste balans tussen het check-out proces en het handhaven van security. Een slim computermodel voedt zichzelf voortdurend met nieuwe data. De oplossing wordt zo steeds nauwkeuriger in het herkennen van fraude. Een combinatie tussen AI, Machine Learning en device fingerprinting classificeert transacties met een nauwkeurigheid van 99,99%. Hierdoor is het onderscheiden van mogelijke fraudeurs en goedwillende klanten nog makkelijker. En bedrijven kunnen tot wel 15% meer omzet genereren. Daarnaast vervangt deze combinatie handmatige fraudecontroles, zodat fraudeteams zich kunnen focussen op andere, meer strategische werkzaamheden.

BNPL-providers kunnen dus zelf onlinefraude tegengaan. Het toepassen van een combinatie tussen ML, device fingerprinting en AI zijn de eerste, efficiënte stappen in de bestrijding van onlinefraude. Wie weet wat de toekomst nog meer in petto heeft.

Door Herman Peeters, Principal Consultant bij Experian

 

LAAT EEN REACTIE ACHTER

Vul alstublieft uw commentaar in!
Vul hier uw naam in