KI im Payment: Mehr Intelligenz beim Bezahlen

Wer mit Payment im Internet zu tun hat, ist immer auch mit ­Betrug und Zahlungsausfällen konfrontiert. Manche Kunden vergessen schlicht, eine Rechnung zu begleichen, andere sind pleite und können nicht zahlen. Oder aber Krimi­nelle haben Kreditkartendaten ergaunert und setzen die Daten betrügerisch ein. Für Händler bedeutet das: Sie müssen zwingend präventiv gegen Betrug vorgehen und über ein ausgeklügeltes Mahnwesen ihre offenen Forderungen beitreiben.

Künstliche Intelligenz, kurz KI, und ­maschinelles Lernen helfen Händlern und vor allem auch Dienstleistern, diese Heraus­forderungen zu meistern. Die meisten Payment Service Provider, Inkasso-Anbieter und Auskunfteien setzen die Technologie heute bereits ein.

Und auch Zahlungsanbieter wie Klarna und PayPal verwenden die schlauen Algorithmen: "Wir haben eine der besten Conversion Rates im Checkout und eine der niedrigsten Betrugsraten - weil wir künstliche Intelligenz einsetzen", ­erklärt Sri Shivananda, Chief Technology Officer bei PayPal. Ohne KI könnte PayPal Services wie den Käuferschutz gar nicht ­anbieten, zu gross wäre das Risiko von massenhaften Zahlungsausfällen.

Die Betrugserkennung und das Inkasso sind derzeit die beiden wichtigsten Anwendungsgebiete von KI im Payment-Umfeld. Ausgangspunkt ist eine schier ­unüberschaubare Menge von Daten: Welche Kunden nutzen welche Bezahlverfahren? Was kaufen sie zu welcher Zeit und wie gross sind die Warenkörbe? Wo wohnen diese Kundengruppen, was für ­Geräte nutzen sie? In welchen sozialen Netzwerken sind sie aktiv? Werden alle diese ­Daten gesammelt, miteinander verknüpft und analysiert, lassen sich eindeutige Muster erkennen. Wenn eine anstehende Bezahltransaktion diesem Muster nicht entspricht, weist dies auf einen Betrugs­versuch hin. Dabei gilt: Je stärker die ­Abweichung, desto wahrscheinlicher sind Kriminelle am Werk.

Neben diesen Mustern liefern die Daten die Basis für ein Regelwerk, anhand dessen das Betrugspräventionssystem automatisch entscheidet, ob eine verdächtige Transaktion blockiert wird oder nicht.
Was so einfach klingt, ist in Wirklichkeit hochkomplex. Deswegen greifen die Dienstleister auf künstliche Intelligenz zurück: "Im Bereich der Risikoanalyse sorgt maschinelles Lernen als ein Teilbereich der KI bereits heute dafür, dass sich die Auswertungen selbstständig verbessern, indem sie betrügerische Transaktionen der Vergangenheit heranziehen, Risikofaktoren abgleichen und ihre Entscheidungslogiken selbstständig daraufhin anpassen. So werden neue Betrugsstrategien schnell entdeckt und in die Entscheidungsfindung einbezogen", erklärt Ralf Gladis, Geschäftsführer und Gründer des Payment Service Providers Computop. Weil die Systeme ­eigenständig lernen, können sie Betrugsmuster auch dort erkennen, wo zunächst keine Zusammenhänge vermutet werden.

Durch ihre Lernfähigkeit sind die ­Systeme in der Lage, deutlich flexibler zu rea­gieren als auf Basis eines starren Regelwerks. Das wiederum sorgt für mehr Umsatz beim Händler. "Wo die Standardregeln eine Transaktion blockieren würden, erkennt das System anhand von händlerspezifischen Transaktionsprofilen wiederkehrende Muster und lässt mehr gute Transaktionen zu", verdeutlicht Vasyl ­Ostapchuk, ­Director Digital Transformation beim Payment Service Provider Payone.

Seiner Meinung nach müssen die Präventionssysteme in Zukunft immer ausgeklügelter werden - nicht zuletzt, weil auch die Betrüger mit KI arbeiten. Sie identifizieren mit gezielten kleinen Angriffen Lücken im bestehenden Regelwerk, um diese dann im grossen Stil auszunutzen. Herkömmliche Regelwerke werden dem absehbar nicht mehr gewachsen sein. "Es wird einen Wettbewerb geben zwischen Betrügern, die KI anwenden, und Unternehmen, die gezwungen sind, sich immer stärker mit dem eigenen KI-Einsatz dagegen zu rüsten",  meint Ostapchuk.

Damit stossen einzelne Händler bei ­einer eigenständigen Betrugsprävention auch an ihre Grenzen. Denn: "Bei KI ist die ­Datenbasis entscheidend für die Qualität und das Ergebnis. Je mehr Daten eingespeist werden, desto präziser wird sie", ­erklärt Mirko Hüllemann, CEO und Gründer des Payment Service Providers Heidelpay Group. Über solch grosse ­Datenmengen verfügen aber nur einige grosse Händler. Für die meisten Shop-­Betreiber wird es sinnvoller sein, die ­Betrugsprävention in die Hände eines ­externen Dienstleisters zu legen.

Ähnlich verhält es sich beim Inkasso: Auch hier hilft KI auf Basis von Datenanalysen, mehr Schuldner zum Bezahlen zu bewegen. Bis zu 80 Merkmale fliessen in die Definition sogenannter Schuldnergruppen und Mahntypen ein - von der E-Mail-­Adresse und der Telefonnummer über den Wohnort und das Xing-Profil bis hin zu Handy-Nutzungsgewohnheiten und Einträgen in Auskunfteien. Mithilfe selbstlernender Algorithmen entwickeln Inkassodienstleister daraus Strategien, wie die Schuldner angesprochen werden. "Wir bewegen uns bei säumigen Zahlern zwischen den Parametern können/nicht ­können und wollen/nicht wollen. Der ­Algorithmus erkennt, an welcher Stelle ­innerhalb dieser Vier-Felder-Matrix ein Schuldner steht und präsentiert einen auf ihn zugeschnittenen Lösungsansatz", verdeutlicht ­Stephan Stricker, CEO des Inkassodienstleisters Pairfinance.

Wer die Zahlung vermutlich einfach nur vergessen hat, wird freundlich daran erinnert. Wer zahlungsunwillig zu sein scheint, wird nachdrücklicher auf die Konsequenzen seines Verhaltens hingewiesen. Gleichzeitig erhalten die Kunden individuelle Angebote, sei es eine Zahlungspause oder einen an die persönlichen Umstände angepassten Ratenzahlungsplan. Pairfinance bietet in Kooperation mit dem Recommerce-­Anbieter Clevertronic sogar die Inzahlungnahme hochwertiger elektronischer Geräte an, um die Schuld zu begleichen.