Willkommen bei WCM
Um alle Funktionen dieser Website nutzen zu können müssen Sie sich Einloggen oder Registrieren. Die Registrierung ist unverbindlich und dauert nur einen Moment.
Sift Science ahnt Online-Betrug voraus
Veröffentlicht am 20.03.2013 16:13:56
San Francisco - Das Start-up Sift Science https://siftscience.com verspricht Online-Händlern und anderen Webseiten-Betreibern effektiven Schutz vor Risiken wie Rückbuchungen nach betrügerischen Kreditkarten-Transaktionen. Denn es hat eine Lösung entwickelt, die automatisch verdächtiges User-Verhalten erkennt. Dank großskaligem Maschinenlernen soll das System auch in der Lage sein, völlig neue Arten des Betrugs zu erkennen. Dem Anbieter zufolge wird der Schutz dabei umso effektiver, je mehr Webseiten das Angebot nutzen.
Betrügerische Bestellungen bei Online-Händlern sind ein Problem gewaltigen Ausmaßes. Nach Schätzung der Visa-Tochter CyberSource haben 2011 allein nordamerikanische Anbieter dadurch 3,4 Mrd. Dollar verloren. Ein Schaden für Händler entsteht beispielsweise dann, wenn es zu Rückbuchungen nach Käufen mit gestohlenen Kreditkarten kommt und die Waren bereits verschickt wurden. Sift Science verweist eben darauf mit der impliziten Warnung, dass so ein vermeintlich guter Monat für einen Online-Händler plötzlich zur Katastrophe werden kann.
Aktuelle Lösungen zur Betrugsbekämpfung nutzen dem Start-up zufolge 175 bis 225 Regeln und vielleicht noch einfache statistische Modelle, um verdächtige Transaktionen zu erkennen. Doch Betrüger spielen nicht nach Regeln, so Sift Science. Daher setzt das Unternehmen bei seinem System auf Maschinenlernen, eine Analyse des Verhaltens von ehrlichen Nutzern wie auch Betrügern, und hat nach eigenen Angaben aus hunderten Mio. User-Aktionen bereits eine Mio. Muster extrahiert, um Betrug vorauszuahnen und möglichst auch neue kriminelle Tricks als solche zu erkennen.
Der Ansatz beruht letztlich darauf, dass es viele kleine Details gibt, die auf betrügerische Absichten eines Users hindeuten. Laut Sift Science ist eine Rückbuchung beispielsweise sieben Mal wahrscheinlicher, wenn ein User nach dem Signup auf einer Webseite erst eine Stunde wartet, statt seine Transaktion gleich abzuschließen. Falls ein User mit nigerianischer IP-Adresse eine Zahlungsadresse in Kalifornien angibt, sei das verdächtig. Auch bestimmte Browser-Konfigurationen und die Art, wie ein Nutzer durch eine Webseite navigiert oder Text eingibt, können demnach Indizien für eine betrügerische Absicht sein.
Der Betreiber einer Website muss zur Nutzung des Systems lediglich ein wenig JavaScript-Code einfügen und Informationen bereitstellen, die Aufschluss darüber geben können, wie Betrugsversuche in der Vergangenheit ausgesehen haben. Das soll dem System helfen, die spezifische Seite gut zu schützen und auch dazu beitragen, ähnliche Tricks bei anderen Webseiten zu erkennen. Das System ist laut Sift Science unter anderem schon bei Airbnb, Uber und Listia im Einsatz.
Veröffentlicht am 20.03.2013 16:13:56
San Francisco - Das Start-up Sift Science https://siftscience.com verspricht Online-Händlern und anderen Webseiten-Betreibern effektiven Schutz vor Risiken wie Rückbuchungen nach betrügerischen Kreditkarten-Transaktionen. Denn es hat eine Lösung entwickelt, die automatisch verdächtiges User-Verhalten erkennt. Dank großskaligem Maschinenlernen soll das System auch in der Lage sein, völlig neue Arten des Betrugs zu erkennen. Dem Anbieter zufolge wird der Schutz dabei umso effektiver, je mehr Webseiten das Angebot nutzen.
Betrügerische Bestellungen bei Online-Händlern sind ein Problem gewaltigen Ausmaßes. Nach Schätzung der Visa-Tochter CyberSource haben 2011 allein nordamerikanische Anbieter dadurch 3,4 Mrd. Dollar verloren. Ein Schaden für Händler entsteht beispielsweise dann, wenn es zu Rückbuchungen nach Käufen mit gestohlenen Kreditkarten kommt und die Waren bereits verschickt wurden. Sift Science verweist eben darauf mit der impliziten Warnung, dass so ein vermeintlich guter Monat für einen Online-Händler plötzlich zur Katastrophe werden kann.
Aktuelle Lösungen zur Betrugsbekämpfung nutzen dem Start-up zufolge 175 bis 225 Regeln und vielleicht noch einfache statistische Modelle, um verdächtige Transaktionen zu erkennen. Doch Betrüger spielen nicht nach Regeln, so Sift Science. Daher setzt das Unternehmen bei seinem System auf Maschinenlernen, eine Analyse des Verhaltens von ehrlichen Nutzern wie auch Betrügern, und hat nach eigenen Angaben aus hunderten Mio. User-Aktionen bereits eine Mio. Muster extrahiert, um Betrug vorauszuahnen und möglichst auch neue kriminelle Tricks als solche zu erkennen.
Der Ansatz beruht letztlich darauf, dass es viele kleine Details gibt, die auf betrügerische Absichten eines Users hindeuten. Laut Sift Science ist eine Rückbuchung beispielsweise sieben Mal wahrscheinlicher, wenn ein User nach dem Signup auf einer Webseite erst eine Stunde wartet, statt seine Transaktion gleich abzuschließen. Falls ein User mit nigerianischer IP-Adresse eine Zahlungsadresse in Kalifornien angibt, sei das verdächtig. Auch bestimmte Browser-Konfigurationen und die Art, wie ein Nutzer durch eine Webseite navigiert oder Text eingibt, können demnach Indizien für eine betrügerische Absicht sein.
Der Betreiber einer Website muss zur Nutzung des Systems lediglich ein wenig JavaScript-Code einfügen und Informationen bereitstellen, die Aufschluss darüber geben können, wie Betrugsversuche in der Vergangenheit ausgesehen haben. Das soll dem System helfen, die spezifische Seite gut zu schützen und auch dazu beitragen, ähnliche Tricks bei anderen Webseiten zu erkennen. Das System ist laut Sift Science unter anderem schon bei Airbnb, Uber und Listia im Einsatz.
« Rostocker Forscher machen Krakelschrift lesbar · Sift Science ahnt Online-Betrug voraus
· Neue Chromebooks starten in Deutschland »