SAN FRANCISCO – Stripe hat heute Radar 2.0 vorgestellt, das neue Funktionen für Unternehmen bietet und die bisher größte Verbesserung seiner Modelle für maschinelles Lernen mitbringt.

Allein im Jahr 2017 hat Radar Betrugsversuche in Höhe von 4 Mrd. USD verhindert, indem es aus den über das Stripe-Netzwerk verarbeiteten Transaktionen Hunderttausender Unternehmen lernt und den Nutzer/innen bei der Anpassung der Schutzmaßnahmen für ihre Unternehmen hilft. Radar ist in Unternehmen und führenden Start-ups in über 100 Ländern im Einsatz und kombiniert Transaktionsdaten unmittelbar mit Informationen von Banken und Kartennetzwerken. Mit der heutigen Ankündigung stellt Stripe den Risikoexpert/innen in großen Unternehmen ein neues Paket mit fortschrittlichen Tools zur Betrugsprävention zur Verfügung.

„Die Modelle für maschinelles Lernen von Stripe werden jetzt auf Hunderten von Milliarden individueller Datenpunkte aus dem Stripe-Netzwerk trainiert. Wir nutzen diese Datenpunkte für die Aktualisierung unserer Betrugsmodelle, die Unternehmen dabei helfen, Betrüger/innen genauer zu identifizieren und die Betrugsraten um bis zu 25 % zu senken, während die Akzeptanzraten für Zahlungen hoch bleiben“, sagte Michael Manapat, Engineering Manager für Radar und maschinelles Lernen bei Stripe. „Mit Radar for Fraud Teams bringen wir ein Tool für Betrugsbekämpfungs-Teams insbesondere für unsere größeren Kunden auf den Markt, das granulare Steuerungsmöglichkeiten für ein effektiveres und effizienteres Betrugsmanagement bietet.“

Verbesserung von Radar dank schnellerer Verbesserungen beim maschinellen Lernen

Der heutige Tag markiert das umfassendste Update der Modelle für maschinelles Lernen von Radar seit dem Start im Jahr 2016. Stripe hat Hunderte neuer Signale hinzugefügt, die legitime Kund/innen von Betrüger/innen unterscheiden, darunter auch Kaufmuster, die eine hohe Vorhersagekraft für Betrug haben. Das Ergebnis: Die erweiterten Modelle für maschinelles Lernen helfen Unternehmen, Betrug um bis zu 25 % zu reduzieren (bei gleichzeitig hohen Akzeptanzraten für Zahlungen).

Die Proxy-Erkennung ist ein Beispiel für ein neues Signal mit hoher Prognosekraft, das in die Modelle für maschinelles Lernen von Radar integriert wurde. Sie misst die Round-Trip-Zeit zwischen Stripe und dem Browser potenzieller Betrüger/innen und hilft dabei, festzustellen, ob diese einen Proxy oder ein VPN verwenden.

Radar wertet auch ständig Muster aus, die für die Geschäfte der Nutzer/innen typisch sind. Radar aktualisiert und trainiert seine Modelle nun täglich und evaluiert dabei das spezifische Transaktionsprofil aller Nutzer/innen, um festzustellen, welches Modell die beste Leistung erzielt. Durch das Trainieren von Modellen für maschinelles Lernen für spezifische Anwendungsfälle kann Radar Unternehmen aller Größen und Arten mit präziseren und leistungsfähigeren Ergebnissen unterstützen. Durch die Nutzung eines Cloud-basierten Dienstes profitieren Nutzer/innen automatisch von zukünftigen täglichen Updates, deren Abwehrmechanismen sich immer schneller an sich stetig ändernde Betrugstaktiken anpassen.

Informationen zu Radar for Fraud Teams

Radar for Fraud Teams wurde für anspruchsvolle Teams mit Expert/innen für Betrugsbekämpfung entwickelt, verbessert die Erkennbarkeit und bietet eine granulare Steuerung zur Erkennung und Verhinderung von Betrug.

Nun können Expert/innen für Betrugsbekämpfung in großen Unternehmen Radar zur Optimierung der Prozesse nutzen, und zwar mit Folgendem:

• schnellere und genauere Bewertungen: Bei der Überprüfung von Zahlungen zeigt Radar relevante Informationen und zugehörige Zahlungen an, die das Unternehmen eines Nutzers/einer Nutzerin verarbeitet hat. Durch den erweiterten Einblick in Attribute wie einen typischen Kaufpfad oder eine Diskrepanz zwischen dem Land der eingehenden IP-Adresse und dem Land, in dem eine Karte ausgestellt wurde, können Risikoexpert/innen betrügerische Aktivitäten schneller identifizieren.
  
• benutzerdefinierte Regeln mit Echtzeit-Feedback: Die Betrugspräventionslogik von Radar kann jetzt mit individuellen Regeln angepasst werden (beispielsweise „Alle Transaktionen über 1.000 USD blockieren, wenn das IP-Land nicht mit dem Land der Karte übereinstimmt“). Außerdem wird eine Vorschau der Regel auf historische Daten angezeigt, damit Risikoexpert/innen die Auswirkungen auf Live-Transaktionen beurteilen können.
  
• benutzerdefinierte Risikoschwellen: Radar hilft Risikoexpert/innen bei der Umsatzoptimierung, indem es benutzerdefinierte Schwellenwerte für die Sperrung von Zahlungen ermöglicht.
  
• Sperr- und Zulassungslisten: Nutzer/innen können nun auf einfache Weise Listen mit Attributen (Kartennummern, E-Mails, IP-Adressen usw.) erstellen und pflegen, die durchgängig gesperrt oder zugelassen werden sollen.
  
• umfangreiche Analysen zur Betrugsbekämpfung: Radar zeigt Anfechtungstrends für die Unternehmen der Nutzer/innen, die Effektivität der Überprüfung gekennzeichneter Zahlungen und die Auswirkungen von benutzerdefinierten Regeln.
  

„Online-Unternehmen verzeichnen dramatische Veränderungen, da die Betrugsbekämpfung immer komplexer, globaler und teurer wird. Mit der Fähigkeit, ständig aus Daten zu lernen, hat sich das maschinelle Lernen als ein adaptiver und effizienter Weg erwiesen, Verluste in Milliardenhöhe zu vermeiden“, sagt Jordan McKee, Principal Analyst bei 451 Research. „Stripe Radar macht diese Informationen nun für spezialisierte Teams von Expert/innen für Betrugsbekämpfung in Unternehmen verfügbar und gibt ihnen Daten und Tools an die Hand, mit denen sie ihre Möglichkeiten zur Betrugsbekämpfung verbessern können. Stripe Radar eignet sich auch für multinationale Unternehmen, die ihre internen Betrugsbekämpfungsteams mit Tools für maschinelles Lernen und kontextbezogene Überprüfungen verstärken können. Mit dem heutigen Start ist Radar das jüngste Beispiel dafür, wie Stripe sein Produktangebot erweitert, um dieses auf immer größere und komplexere Unternehmen auszudehnen.“

Radar for Fraud Teams hat schon das Betrugsmanagement für Watsi, Fitbit, Restocks, Patreon und viele andere einfacher und effektiver gemacht. Weitere Informationen zu finden Sie unter stripe.com/radar.