Please note: This content is originally written in German. An automatic translation is shown below.
Hinweis: Dieser Inhalt ist nur in Englisch verfügbar. Der original Inhalt wird gezeigt.

Sicherheit bei Ricardo: Wie Betrugsversuche abgewehrt werden

Für Ricardo war die Sicherheit der Plattform schon immer essenziell. Deshalb steckten sie Stunden manuelle Arbeit in die Identifizierung von Betrugsversuchen und betrügerischen Angeboten. Caroline Nef von Ricardo und Dominic Herzog von der TX Group haben sich zusammengeschlossen, um mit vereinten Kräften einen effizienten und automatisierten Prozess zu implementieren.

Zielsetzung und Umsetzung

Zuerst musste das Problem identifiziert und beschrieben werden. Ganz klar im Mittelpunkt stand der Zeitaufwand der Bearbeitung des bisherigen Sicherheits-Tools, der mit ca. 60 Stunden pro Woche zu hoch war.

Die manuelle Arbeit wollten sie um mindestens 30% verringern und gleichzeitig mindestens gleich viel Betrugsversuche zu identifizieren und blockieren.

Für Ricardo kam von Anfang an lediglich eine Inhouse Lösung in Frage, da so die Kosten tiefer gehalten werden konnten, zudem aber auch das interne Know-How bzgl. der Datenverarbeitung sowie der Schutz der Vertrauenswürdigen gesichert werden konnte.

Menschliche und maschinelle Ressourcen

Ein Teil der Herausforderungen war die Optimierung der bestehenden Sicherheit- und Fraud Tools, um Betrugsversuche zu identifizieren. Um diese Tools effizient weiter zu entwickeln, wurde das langjährige Know-How der Mitarbeitenden berücksichtigt. So konnten bereits identifizierte Muster in den Algorithmus des Tools gespielt werden und dieser musste diese nicht erst erlernen. Dieses Vorgehen ermöglichte es, dass sich das maschinelle lernen auf die Erkennung zusätzlicher Muster konzentrieren konnte, sowie dass Regelanpassungen nicht mehr manuell erfolgen mussten.

Ricardo konnte auch nicht vorhersagen in welchem Masse die gesetzten Ziele mit den gewählten Methoden erreicht werden konnten. Es war zudem wichtig, dass alle Kundendienstmitarbeiter die neuen Regeln nachvollziehen konnten und somit musste der Prozess auf verständliche Weise dokumentiert werden.

Mit Entscheidungsbäumen ans Ziel

Im Bereich der Verknüpfung von Benutzerkonten wurden Verbesserungen gemacht, welche es einem gesperrten Nutzer erschwert, ein neues Konto anzulegen. Für Verhalten, welches die erfahrenen Kundendienstmitarbeiter als Anzeichen für einen Betrug(sversuch) identifiziert haben, wurden zusätzliche Regeln erstellt. Potenzielle Betrügerkonten verwenden beispielsweise oft keine eigenen Bilder des angebotenen Artikels, akzeptieren keine Barzahlung bei Abholung und verkaufen oft Trendartikel zu unverhältnismässig tiefen Preisen.

Durch das intern trainierte “Random Forest”-Modell (für mehr Informationen zum Modell: Link) wird das Benutzerverhalten auf der Plattform analysiert. Dieser “Random Forest” Ansatz ist ein Klassifikationsverfahren und besteht aus einer grossen Anzahl von einzelnen, unkorrelierten Entscheidungsbäumen, die zusammen arbeiten. Jeder einzelne Baum im Random Forest generiert eine Vorhersage zur Gruppe, zu welcher ein Nutzerverhalten gehört. Das Nutzerverhalten wird der Gruppe mit den meisten Vorhersagen zugeteilt.

Die Inputdaten des Modells umfassen Kauf- und Verkaufsaktivitäten, Änderungen der Profildaten, Bewertungen, Browsing-Verhalten und vieles mehr. Durch diesen Ansatz werden 80% der potenziellen Betrugsfälle vom Modell erfolgreich automatisiert bewertet und nur rund 10 Fälle pro Stunde müssen an den Kundendienst zur manuellen Prüfung weitergeleitet werden.

Die Automatisierung machte den Fraud-Prozess effizienter und kann schneller mögliche Betrugsversuche evaluieren.

Über den Projektzeitraum von 6 Monaten, konnte die Anzahl der zu überprüfenden Fälle um 75 Prozent reduziert werden. Auch die Arbeitszeit für die manuelle Überprüfung durch die Mitarbeitenden des Kundendienstes wurde etwas mehr als halbiert. Dabei wurden sogar leicht mehr betrügerische Konten identifiziert und gesperrt also zuvor.

Zusammen gegen Betrüger

Der hybride Ansatz hat sich als sehr effizient erwiesen. Ricardo konnte auf das Wissen der Kundendienst Mitarbeitenden aufbauen und deren menschliche Mustererkennung in bedeutsame Regeln transformieren. Anschliessend konnte sich das Training des Modells darauf spezialisieren, die auffälligen Benutzerkonten zu beurteilen. Mittels des Random Forest Modells konnten die Entscheidungen des Algorithmus nachvollzogen werden. Dies war für den Kundendienst gerade anfangs sehr wichtig, da die Mitarbeitenden die Sperrung eines Benutzerkontos gegenüber den Kunden vertreten müssen. Nicht zuletzt war der ganze Prozess geprägt von einer engen Zusammenarbeit zwischen dem Data-Science Team der TX Group und dem Kundendienst von Ricardo. Durch kurze Feedback-Loops konnte man die Parameter laufend anpassen, ohne die essentiellen Tools des Kundendienstes zu fluten. So waren auch bei ungeplanten Ereignissen die Kunden keineswegs betroffen.

Weitere Blog-Artikel

December 9, 2020
 • 
Lesedauer: 7 Minuten
Jobs bei TX Markets

Wir suchen Talente. Immer.

Ob als Techie, Geek, Mastermind oder Project-Hero: Leute mit Herzblut und Skills finden bei uns spannende Jobs in einem ambitionierten Umfeld.