Euroforum Jahrestagung

Konsumentenkredite 4.0

Ausbau des Kreditgeschäfts – transparent, digital & kundenorientiert EUROFORUM KonferenzDiese Veranstaltung hat bereits am 22. und 23. Oktober 2019 in Berlin stattgefunden!

ONLINE-KREDITVERGABE MIT DEEP TECH

Gastbeitrag von: Miriam Wohlfarth
Geschäftsführerin und Gründerin von
RatePAY

 

Unser Unternehmen RatePAY ist darauf spezialisiert, unsichere Zahlungsarten sicher zu machen. Neben dem Rechnungskauf und der Lastschrift wickeln wir als technologischer Dienstleister auch Online-Ratenzahlungen ab und übernehmen das Risiko eines Zahlungsausfalls.

Fraud: Größte Herausforderung im Online-Zahlungsverkehr

Wie alle anderen Online-Zahlungsarten ist der Ratenkauf betrugsanfällig. Unsere größte Herausforderung als Zahlungsdienstleister ist es, Systeme zu entwickeln und anzuwenden, die so viele echte und zahlungsfähige Kunden wie möglich annehmen und so viele Betrüger wie möglich ausschließen.

Viele Risikoprüfungssysteme sind noch nicht in der Lage, individuelle, auf den einzelnen Kunden bezogene Entscheidungen zu treffen und Betrugsmuster zu erkennen.

Bei RatePAY sind wir vor allem mit zwei Betrugsmustern konfrontiert:

  • Nutzung realer Identitäten mit guter Solvenz an realen Adressen; die Ware wird vor Ort abgefangen
  • Nachahmung des realen Kundenverhaltens (Device-/IP-Spoofing) – solche Betrugsfälle lassen sich nur über größere Datensätze erkennen (Clusteranalyse)

Die Spreu vom Weizen trennen: Für Anbieter wie RatePAY ist es kriegsentscheidend, bei der Risikoprüfung Systeme und Prozesse einzusetzen, die unsere enormen Mengen an Kunden- und Transaktionszahlen intelligent analysieren und die richtigen Rückschlüsse ziehen.

Lösung: Einsatz von Künstlicher Intelligenz und Machine Learning

Während Machine Learning in vielen Bereichen noch als fernes Zukunftsszenario angesehen wird, ist es in der Finanzindustrie schon seit vielen Jahren im Einsatz. Folgende Entwicklungen werden den Einsatz von Machine Learning noch verstärken:

  • Bezahlungen laufen zunehmend unsichtbar im Hintergrund ab, denn das Bezahlen ist immer der unangenehmste Teil einer Transaktion.
  • Bezahlen wird immer kanalübergreifender: Ob eine Transaktion von einem Laptop, einer Smartwatch, einem Kühlschrank oder einem Auto ausgelöst wird, darf für Finanzdienstleister kein Hindernis sein.
  • Zahlungen werden zunehmend in Echtzeit abgewickelt, deswegen müssen Backend-Prozesse vollautomatisiert ausgeführt werden.

Um diesen Herausforderungen gerecht zu werden, ist die Nutzung von Künstlicher Intelligenz unumgänglich. Strenggenommen verbergen sich dahinter Machine Learning-Algorithmen, die schon seit vielen Jahren im Einsatz sind. Aber die bekannten statistischen Verfahren können erst seit relativ kurzer Zeit durch die heute verfügbaren Rechenleistungen genutzt werden.

Bei RatePAY setzen wir Machine Learning an allen Punkten der Wertschöpfungskette ein. Besonders relevant aber ist es beim Herzstück unseres Unternehmens, unserem Echtzeit-Kundenscoring. Die wichtigsten Eckpunkte:

  • Risikoentscheidung in Echtzeit
  • Multiauskunftei-Ansatz in Kombination mit Künstlicher Intelligenz und Machine Learning
  • Fortlaufende Optimierung für maximale Annahmequoten
  • Transparente Kundenkommunikation bei Anfragen zur Risikoentscheidung

Durch eine Kombination aus menschlicher Genauigkeit und maschineller Skalierbarkeit können wir mit unserer Machine Learning-Plattform betrügerische Transaktionen in Echtzeit erkennen und stoppen. Damit erhöhen wir die Annahmerate für seriöse Transaktionen und den Umsatz der Händler.

Durch die Entwicklung unserer Plattform haben wir in den letzten Jahren viel gelernt. Zwei wichtige Erkenntnisse sind:

  • Aller Anfang ist einfach, der Teufel steckt im Detail: Unsere ersten Data Scientists haben die ersten simplen Modelle zur Betrugsprävention damals intern schnell entwickelt und im Livebetrieb eingesetzt. Um von dort aber zu einem voll performanten System mit hoher Treffgenauigkeit zu kommen, dauerte es einige Zeit. Die Kunst liegt nicht in den Modellen selbst, sondern vor allem in dem Verständnis der eigenen Daten und der Einbindung in die Softwarelandschaft.
  • Inhouse oder Extern? Beides hat seine Tücken: Viele Großkonzerne kaufen für viel Geld externe Lösungen ein. Andere entscheiden sich dafür, neue Systeme von Abteilungen entwickeln zu lassen, die kaum Berührungspunkte mit den Produktivsystemen haben. In beiden Fällen werden nicht nur das Potential von Künstlicher Intelligenz und Machine Learning ignoriert, sondern echte Gefahren geschürt. Versteht man die verwendeten Trainingsdaten nicht und wendet Modelle blind auf andere Märkte oder Produkte an, kann je nach Einsatzgebiet großer Schaden entstehen.

Machine Learning und Künstliche Intelligenz werden für Unternehmen in allen Branchen künftig unverzichtbar sein. Aber ohne Mensch keine Maschine: Automatisierte Systeme sind immer nur so gut wie die Daten, auf denen sie basieren, und wie diese Daten interpretiert werden.