Erkennen und verhindern Sie Betrug unmittelbar – mit einer KI, die am gesamten Stripe-Ökosystem trainiert wird.

Radar erkennt und verhindert Betrug mithilfe von Maschinellem Lernen, das sich durch die Daten von Millionen von Unternehmen weltweit immer weiter trainiert.

Traditionelle Ansätze der Betrugsprävention führen zu niedrigeren Akzeptanzraten und Umsatzeinbußen. Mit Radar können Sie betrügerisch Agierende mit höherer Genauigkeit von Kundschaft unterscheiden und Dynamic 3D Secure für Zahlungen mit hohem Risiko einsetzen.

Dank unserer Infrastruktur für Maschinelles Lernen können wir täglich Tausende von Modellen trainieren – auch individuell für Ihr Unternehmen. Die Radar-Algorithmen passen sich schnell an wechselnde Betrugsmuster und an Ihr Geschäft an.

Radar ist in Stripe integriert – Sie können vom ersten Tag an ohne jegliche Programmierung loslegen. Zudem ist es nahtlos in andere Produkte wie Checkout integriert, sodass Sie die gesamte Stripe-Plattform nutzen können.

Stripe wickelt Zahlungen aus 197 Ländern für alle Branchen und Geschäftsmodelle ab. Selbst Karten, die Ihnen neu sind, wurden mit 92 %iger Wahrscheinlichkeit bereits im Stripe-Netzwerk genutzt.

Radar lernt von Millionen globaler Unternehmen, die jedes Jahr Milliarden von Zahlungen abwickeln. So kann das System jeder Transaktion einen Risikowert zuweisen und besonders riskante Zahlungen automatisch blockieren.

Stripe Radar analysiert jede Zahlung anhand von mehreren Tausend Signalen aus dem gesamten Stripe-Netzwerk, um Betrugsversuche zu identifizieren und zu verhindern. Diese werden unterbunden, bevor Ihr Unternehmen dadurch geschädigt wird.

Radar erfasst Daten aus allen Ebenen Ihrer Finanzinfrastruktur und integriert Daten zum Bezahlvorgang, umfangreiche Zahlungsdaten sowie Kartennetzwerk- und Bankinformationen zur Bewertung des Betrugsrisikos.

Dank Partnerschaften mit Visa, Mastercard, American Express und führenden Banken kann Stripe Daten wie TC40s, SAFE-Berichte und frühzeitige Anfechtungsbenachrichtigungen nutzen, um betrügerische Zahlungen zu erkennen, noch bevor sie angefochten werden.

Radar ist vollständig in die übrigen Stripe-Dienste integriert. So können unsere Systeme direkt auf umfangreiche Zahlungsinformationen wie Kundendaten, Liefer- und Rechnungsadressen und andere Eigenschaften zugreifen – wodurch die Leistung des maschinellen Lernens verbessert wird.

Die Checkout-Tools von Stripe erkennen ungewöhnliche Zahlungen automatisch – mithilfe bestimmter Verhaltensmuster von Käuferinnen und Käufern auf Ihrer Website und in Ihrer mobilen Anwendung. Anhand dieser Signale bildet Radar einen umfassenden Kundenpfad ab, der eine genaue Betrugsvorhersage ermöglicht.

Radar wurde für Internet-Unternehmen entwickelt, die ständig neuen Betrugsrisiken ausgesetzt sind. Radar arbeitet laufend daran, seine Algorithmen zu optimieren, die relevantesten Attribute zu bestimmen und wirksame Signalkombinationen zu generieren, um Betrugsversuche präzise zu erkennen und zu unterbinden.

Fassen Sie mehrere Signale zu einem Geräteprofil zusammen.

Erkennen Sie wiederkehrende Muster in Daten der vergangenen Jahre.

Erkennen Sie IP-Spoofing und Proxy-Nutzung.

Radar bewertet das Betrugsrisiko jeder Zahlungstransaktion mithilfe von einer Kombination aus unterschiedlichen Signalen.

Effektive Systeme sollten Betrug erkennen, ohne legitime Zahlungen zu blockieren. Wir haben einen Leitfaden dazu erstellt, wie sich dank Maschinellem Lernen aus großen Datensätzen Betrugswahrscheinlichkeiten vorhersagen lassen.

Produktressourcen

Eine Einführung in das maschinelle Lernen zur Betrugserkennung

Verhindern Sie mit Anfechtungen mit dem Versand von Bestellübersichten und bearbeiten Sie angefochtene Zahlungen automatisch, um Ihre Anfechtungsquote zu senken – mit Verifi und Ethoca.

Die modernen Funktionen für Maschinelles Lernen von Radar sind für jedes Stripe-Konto verfügbar.

Mit einer zusätzlichen Authentifizierung ist es möglich, Kundschaft von betrügerisch Agierenden zu unterscheiden. In unserem Leitfaden erfahren Sie, wie die neue Version von 3D Secure Betrug reduzieren kann, ohne die Benutzerfreundlichkeit zu beeinträchtigen.

Preisgestaltung pro Transaktion ohne versteckte Gebühren

Globale Zahlungen

Geldmanagement

Umsatz- und Finanzautomatisierung

Nach Phase

Nach Geschäftsmodell

Nach Use Case

Ecosystem

Jetzt starten

Leitfäden

Produktressourcen

Eine Einführung in das maschinelle Lernen zur Betrugserkennung