Künstliche Intelligenz: Wie sie Shops gegen Zahlungsausfälle schützt

Digitale Finanzdienstleistungen und die Kanäle des Onlinehandels wachsen wie Pilze nach einem feuchten Sommer: schnell, unaufhörlich und in großer Vielzahl, weil auch immer mehr Kunden die Vorteile von Apps und mobiler Konnektivität erkennen. Für Händler wiederum bedeutet dies, dass fast täglich neuen Geschäftsmodelle entstehen und sie in einer Omnichannel-Umgebung agieren müssen, die unterschiedlichste Devices und unterschiedlichste Touchpoints einbindet.

Dieses Wachstum hat aber einen Preis: Auch betrügerische Aktivitäten wachsen in ähnlich schnellem Maße und ganz besonders im Onlinehandel, in dem Betrugsprävention deutlich schwieriger und komplexer ist als bei Transaktionen im stationären Handel. Onlinebetrüger haben ihre Fähigkeiten, Schwachstelle in Systemen zu erkennen, deutlich verbessert - etwa durch die Möglichkeiten von Big Data und des Dark Webs. Betrüger nutzen darüber hinaus auch zunehmend multidimensionale Taktiken, die oftmals nicht nur einen Schwachpunkt auf Händlerseite ausnutzen. So werden ECommerce-Unternehmen immer häufiger Opfer von Betrügern. Laut der Studie von ibi research 'Betrug und Betrugsprävention im Onlinehandel'  . So worden demnach bereits 84 Prozent der befragten Händler mit Betrug oder Betrugsversuchen konfrontiert. Die Auswirkungen dieser betrügerischen Aktivitäten können dabei verschiedene Formen annehmen wie etwa Reputationsschäden, juristische Kosten und direkten finanziellen Schaden. Doch kein Händler ist diesen Risiken völlig hilflos ausgeliefert, denn es lassen sich immer wieder Betrugsmuster erkennen, einordnen und dann bekämpfen. Künstliche Intelligenz bietet nun einen relativ neuen Ansatz hierbei und wie es beispielsweise Dominique Zielgelmayer , Director Enterprise Platform bei Trusted Enterprise  , formuliert: "Künstliche Intelligenz wird uns noch lange als Trendthema begleiten und die Möglichkeiten sind hier bei weitem noch nicht ausgenutzt."
Kein Wunder, dass auf Unternehmensseite das Bestreben herrscht, die Betrügereien in Echtzeit abzuwehren. Doch dazu benötigt man Lösungen, die dynamisch und responsive agieren und dennoch einfach zu bedienen und zu pflegen sind. Denn traditionelle regelbasierte Fraud Management Engines kommen zunehmend an ihre Grenzen.
Hier kommt nun immer öfters künstliche Intelligenz (KI), oft mit dem englischen Begriff Artificial Intelligence (AI) bezeichnet, ins Spiel. AI ist dabei bei weitem kein Nischenmarkt mehr, denn wie beispielsweise die CB Insights annual AI funding   , ein Report der die alljährlichen Investitionen in AI-Startups auflistet, herausgefunden hat, stiegen diese Investitionen von etwa 600 Millionen US-Dollar im Jahr 2012 auf 5,021 Milliarden im Jahr. Und auch am Beispiel von Firmen wie Google oder Tesla kann man bestens beobachten, wie jeder sich rüstet, die Kontrolle über die Zukunft von AI zu behalten. AI nimmt aber mittlerweile Bezug auf alle Aspekte des Payments, beginnend damit, wie wir Payment ausführen über Betrugserkennung bis hin zum Kundensupport.

Wie AI-Kompetenz im Unternehmen aufgebaut wird

Auch wenn bei AI der Fokus meist auf der Technik liegt, sind doch die Menschen dahinter der wichtigste Faktor. Der Unternehmensleitung beziehungsweise dem CIO obliegt es also, die IT-Belegschaft auf das AI-Zeitalter vorzubereiten und entsprechendes Know-how aufzubauen. Dafür empfiehlt es sich, drei Kompetenzbereiche zu etablieren:

1. Machine Management & Process Management
Bei vielen Führungskräften und ihren Mitarbeitern herrscht große Verunsicherung, wenn es um künstliche Intelligenz geht. Doch den Kopf in den Sand stecken gilt nicht, denn Unternehmen sollte bewusst sein, dass die Verbreitung von AI nicht aufzuhalten sein wird und nahezu jede Branche und jede Organisation verändern wird. Der springende Punkt dabei: Wird AI sinnvoll eingesetzt, kann es die Produktivität eines Unternehmens deutlich steigern. Nutzt man die Potenziale "falsch", wird AI sicher eher ein Kosten- und Zeitfresser. Unternehmen müssen sich daher damit befassen, in welchen Bereichen AI unterstützen könnte - und in welchen nicht. Um hier zu einem Ergebnis zu kommen, sollten Unternehmen zunächst ihre IT-Mitarbeiter in Sachen Business Process Management als auch in Richtung Machine Learning gezielt weiterbilden.

2. Plattform Management & Algorithmen
Ist ein Unternehmen zu dem Schluss gekommen, dass AI auch in seinem Bereich eine zukunftsträchtige Technologie ist, dann muss die IT-Belegschaft im nächsten Schritt fundiertes Wissen in Sachen Big Data aufbauen. Denn prädiktive Modelle, die sich mit Hilfe von Machine Learning entwickeln lassen, werden nur so gut sein, wie die dafür genutzten Daten. Fehlen den Mitarbeitern die Fachkenntnisse, um mit solchen Methoden und Modellen umzugehen, werden sie schnell zum Flaschenhals in KI-Vorhaben.
Selbstverständlich muss hierbei nicht jeder Mitarbeiter zum Data Scientist mutieren, doch sollte sich jeder IT-Mitarbeiter zumindest grundlegende Kenntnisse in Sachen Statistik und Entwicklung von AI-Algorithmen aneignen. Für Unternehmen bringt diese Weiterbildung gleich mehrere Vorteile: Zum einen lernen die IT-Mitarbeiter die Möglichkeiten von AI besser kennen und können sie dann den anderen Kollegen besser erklären. Zum anderen führt dieses grundsätzlich höhere Qualifikationsniveau dazu, dass sich eventuell mehr Raum für die eigene Kreativität entfalten kann. Diese Kenntnisse sollten also vorhanden sein:

• Wissen über Algorithmen und Statistik
  
• Programmiersprachen: C++, Java, JavaScript, Phyton sowie Ruby on Rails
  
• Wissen über Bots. Hintergrundwissen gibt es beispielsweise bei Xpath, Regex
  
• Wissen über Machine Learning

3. Führung
Intelligente Maschinen entwickeln sich zu neuen Arbeitskollegen und erledigen viele administrative Aufgaben, für die Menschen bisher viel Zeit aufwenden mussten. Doch die Mitarbeiter müssen lernen, mit dieser Arbeitsteilung umzugehen und zu erkennen, wo AI an ihre Grenzen stößt und wo menschliche Entscheidungen notwendig sind. Dafür benötigen Mitarbeiter eine höhere Problemlösungskompetenz und die Fähigkeit, Fragen in einer Weise zu formulieren, die für Maschinen verständlich ist. Um diese Kompetenz zu entwickeln, empfehlen beispielsweise Unternehmensberatungen als ersten Schritt interne Weiterbildungsinitiativen zu starten.

Wie sollte man starten?

Sind diese ersten internen Hausaufgaben gemacht, kann es losgehen. Benötigt werden zunächst Daten. Doch woher die Daten nehmen, wenn nicht stehlen? In der Regel besitzt fast jedes Unternehmen bereits viele Systeme, die sich für intelligente Datenanalysen anzapfen lassen. Das können beispielsweise bei strukturierten Daten die eingesetzten relationalen Datenbanken (z.B. MySQL, Oracle, SQL Server) und Data-Warehouse-Lösungen sein. Aber auch CRM-, Content-Management- oder ECommerce-Systeme bergen meist großes Potential.

Für unstrukturierte, also schemalose Daten empfehlen sich eher No-SQL-Datenbanken wie beispielsweise MongoDB. Doch die größten Chancen liegen in der Kombination mehrerer Datenquellen und deren intelligenter Verarbeitung. Außerdem sollten sich Unternehmen bewusst machen, dass Daten zumeist auch einen "versteckten" Wert besitzen, der sich erst nach und nach durch die Formulierung neuer Fragen, Ideen und Aufgaben erschließt.

Daten gelten allgemein als das Wichtigste in Machine Learning oder KI-Projekten. Wenn ein Unternehmen über große Datenmengen verfügt, die noch dazu gut gelabelt sind - wunderbar. Aber auch wenn der Datensatz klein ist, ist das nicht schlimm. In vielen Bereichen ist Machine Learning auch mit kleinen Datenmengen möglich.
Für Machine Learning ist dabei kein großes Team erforderlich. Schon mit sechs bis neun Mitarbeiter lässt sich ein Projekt starten: Ein Product Owner oder Teamleiter, jemand der sich um UX / UI kümmert, ein oder zwei Data Scientists, ein Data Engineer und ein paar Software Ingenieure. Beim Data Scientist sollte sich ein Unternehmen aber im Vorfeld Gedanken gemacht haben, welche Anforderung an diesen gestellt werden, denn es gibt drei Arten von Data Scientists:

• Ein Data Analyst arbeitet mit großen Datenmengen und leitet daraus Insights ab. Das bedeutet, dass er beispielsweise in einer frühen Phase helfen kann, Trends aus den Datenmengen zu erkennen.
  
• Ein Datenstratege analysiert und bewertet Entwicklungen im Digitalbereich, Märkte & Wettbewerb und Technologien und Zielgruppen und entwickelt daraus Digitalstrategien, Implementierungskonzepte und Modelle/ Parameter zur Erfolgsmessung.
  
• Ein Machine Learning Engineer sollte Erfahrung mit der Software-Entwicklung haben und in der Lage sein, ein Produkt zu erstellen, mit dem man eine Aufgabe löst.

Die nächsten Schritte

Die Daten sind also vorhanden, die Mitarbeiter stehen parat, dann kann es weitergehen, am besten in acht Schritten:

1. Geschäftsanforderungen definieren
   Hier empfiehlt sich ein Top-Down-Ansatz: Was wollen Sie bewältigen und welche Anforderungen und Fragen wollen Sie lösen?
   
2. Datensätze identifizieren
   Nun kommt der Datenstratege zum Einsatz. Er sollte helfen, die Datensätze zu identifizieren, die die offenen Fragen der Geschäftsanforderungen beantworten könnten.
   
3. Lösungsart bestimmen
   In Ihrem Unternehmen haben Sie nun zumindest gedanklich die Anforderungen und die dafür sinnvollen Daten zusammengebracht. In Schritt drei folgt nun eine erste Projektskizze.
   
4. Architektur bestimmen
   Jetzt schlägt die Stunde des Data Engineer, denn er kann Empfehlungen abgeben, wie Daten am besten verarbeitet werden können.
   
5. Ein Schritt zurück
   Daten sind nicht nur wertvoll, sie sind auch sensibel. Daher empfiehlt sich jetzt ein Blick auf Compliance-Themen: Müssen Ihre Daten eventuell anonymisiert werden? Denn Themen wie Datenschutz und -sicherheit sind heutzutage unabdingbares Kriterium bei der Verarbeitung der Daten - schon mit Blick auf die Bußgelder, die nach der neuen europäischen Datenschutzverordnung ab 2018 verhängt werden können.
   
6. Einfach oder umfangreich: Das richtige Modell
   Im Kern der Lösung steht das Machine Learning Modell. Hier lassen sich viele Algorithmen verwenden, um unterschiedliche Business Use Cases mit unterschiedlicher Genauigkeit zu lösen. Dabei sollte man im Blick haben, dass sich einfache Modelle auch meist einfacher implementieren, skalieren und warten lassen. Wer also die Wahl zwischen einem sehr umfangreichen Modell mit hoher Genauigkeit und einem einfachen Modell hat, das womöglich etwas ungenauer ist, sollte aus oben genannten Gründen letzteres wählen.
   
7. Programmieren
   Hier kommt es dann zu der Zusammenarbeit von Software-Ingenieur, Data Scientist und Data Engineer, die dann eine passende Lösung erstellen sollten.
   
8. Testen und anpassen
   Es gibt immer mehr als eine Lösung für ein Problem und erst im Praxiseinsatz zeigt sich, ob in allen Bereichen der richtige Weg gewählt wurde. Wenn nicht, dann heißt es nachtarieren. Insgesamt dürfte man wohl etwa sechs Monate für ein solches Projekt veranschlagen.

AI-Lösungen: Die Kostenfrage

Obwohl man viel darüber lesen kann, dass AI ganz allgemein in Unternehmen Kosten senken hilft, gibt es doch erstaunlich wenig zuverlässige und aussagekräftige Daten darüber, wie viel die Implementierung einer AI-Lösung kostet. Beziehungsweise lassen sich hier nur wenige Unternehmen wirklich in die Karten blicken, doch können mittlere fünfstellige Beträge als gute Richtschnur gelten: So meinte beispielsweise Jennifer McCarron  , Technology Programm Manager bei Cisco, dazu auf der Konferenz "Legalweek: The Experience 2017 Conference" , dass ein Unternehmen für eine Lizenz für 10 User rund 30.000 US-Dollar als vollausgebaute Lösung und rund 12.250 US-Dollar für die Basisversion ansetzen sollte. Grundsätzlich scheint sich ein solider Preis zwischen 20.000 und 30.000 US-Dollar zu belaufen.

Aktuell umgesetzte Beispiele:

1. AI sorgt bei Mastercard für weniger fälschlicherweise abgelehnte Transaktionen

Decision Intelligence   heißt ein neuer Service, den Mastercard im Dezember 2016 vorgestellt hat. Dabei handelt es sich um ein Tool, das der Autorisierung und Betrugserkennung mit Hilfe von künstlicher Intelligenz im Zuge von Transaktionen dienen soll. AI überprüft Transaktionen auf ihre Rechtmäßigkeit und soll dabei auch die Quote jener Aktionen senken, die zu Unrecht abgelehnt werden. "Wir schätzen, dass der Wert von falschen Ablehnungen allein in den USA mehr als dreizehnmal so hoch ausfällt, wie der Verlust durch effektiven Kartenbetrug", kommentierte Al Pasqual , Senior Vice President Strategy bei Javelin Strategy & Research   die im vergangenen Dezember aus dem Hause Mastercard bekannt gemachte Produktneuheit. Bisher wird im Zuge vieler Transaktionen eine Risikobewertung aufgestellt, um einzuschätzen, ob die Autorisierung einer Zahlung gegeben werden soll oder nicht. Solche Risikobewertungen basieren zumeist auf vorprogrammierten Regeln. Die "Decision Intelligence" von Mastercard soll aber deutlich mehr können: Im Zuge neuer Services wird die Prüfung und Auswertung einer Transaktion viel umfassender vorgenommen. Mit jedem neuen Zahlungsauftrag und jeder neuen Prüfung lernt die künstliche Intelligenz also dazu und kann dieses Wissen auf künftige Transaktionen anwenden. Mastercard erhofft sich dabei, dass künftig weniger Kunden fälschlicherweise ein Einkauf verwehrt wird, was sich dann positiv auf das Kauferlebnis auswirken soll. Hochentwickelte Algorithmen sollen es dabei ermöglichen, eine vorausschauende Bewertung aufzustellen. Durch immer neu generierte Informationen, die in das System zur Betrugsvorbeugung eingespeist werden, kann die KI von Mastercard immer besser einschätzen, ob es sich bei der Transaktion um ein "normales oder abnormales" Einkaufsverhalten handelt.

2. Risk Ident: Künstliche Intelligenz als Schutz vor Betrug

Nicht nur etablierte Unternehmen wie Mastercard, auch jede Menge Start-ups tummeln sich bereits im Umfeld von AI und Betrugserkennung. Eines dieser Start-ups ist Risk Ident  . Es schreibt Software, anhand der Händler alle Transaktionen mit den vom Endkunden verwendeten Daten analysieren und betrügerische Aktionen in Echtzeit herausfiltern können. Dabei wird jede Transaktion einzeln bewertet, aber auch die Zusammenhänge zwischen den Transaktionen, denn es kann durchaus vorkommen, dass ein einziger Betrüger hunderte von Transaktionen initiiert. Risk Ident wurde in Liquid Labs, einem Inkubator der Otto-Gruppe, gegründet. Die Otto-Gruppe ist der zweitgrößte Online Retailer in Europa mit etwa sieben Milliarden Euro Umsatz. Dazu wird das meiste Geschäft über Rechnungskauf abgewickelt. Man kann sich also vorstellen, das Betrugsprävention eine große Rolle spielt. Zielgruppe sind alle größeren Unternehmen, die Waren oder Dienstleistungen im Internet verkaufen und Herausforderungen mit Betrugsversuchen haben. Das können Händler sein, aber auch Telekommunikationsunternehmen, Gaming-Anbieter oder beim Ticketverkauf - bei letzteren geht es beispielsweise darum, zu verhindern, dass Tickets über den Schwarzmarkt - etwa Fußball-Tickets - verkauft werden.

3. Künstliche Intelligenz überstützt bei Pair Finance das Inkasso

Das seit September 2016 auf dem Markt agierende Start-up namens Pair Finance   will Forderungsmanagement und Inkasso dank AI auf ein neues Niveau heben. Denn sobald ein Kunde digital aktiv ist, werden dessen digitale Daten in der Interaktion von Kunde und Unternehmen erfasst, daraus werden Typologien erstellt und dann bei Zahlungsausfällen ein direkter Kontakt hergestellt, um den Kunden doch noch zur Zahlung zu bewegen. Pair Finance beurteilt dabei die Kunden aus dem Blickwinkel der Verhaltenspsychologie und gibt dann - AI basiert - Hinweise zur erfolgreicheren Kontaktaufnahme. So mag Pair Finance beispielsweise bei dem einen säumigen Kunden dem Händler raten, diesen am Montagmorgen, den anderen am Freitagnachmittag anzusprechen, um dessen persönliches Stresslevel zu berücksichtigen. Pair Finance gibt aber auch Hinweise, ob man einen Kunden wahlweise konfrontativ oder zurückhaltend kontaktieren sollte.

Möglichkeiten von AI im Payment-Bereich

Finanzdienstleister nutzen seit vielen Jahren künstliche Intelligenz in den unterschiedlichen Bereichen des Handels, doch weil sich AI immer weiterentwickelt, werden zunehmend auch erweiterte Einsatzszenarien im Bereich Payment interessant. Ein kleiner Überblick:

• Chatbot: Der beliebteste - aber vielleicht auch der am ehesten begrenzte - Einsatz von AI bei Finanzdienstleistern ist im Bereich Kundenkontakt. Chat- und Servicebots sind oft die erste Anlaufstelle bei einem Kundenkontakt. Als intelligente Programme beantworten sie Fragen oder leiten Kunden zu bestimmten Bereichen der Webseite. Wird die Konversation komplizierter, wird diese meist an einen menschlichen Kollegen übergeben.
  
• Marketing: Finanzdienstleister haben seit einiger Zeit begonnen, auch im Bereich Marketing mit AI herumzuspielen, etwa um das Kundenverhalten vorherzusagen, um dann bestimmte Produkte zu verkaufen, die den Kunden helfen sollen, ihre persönlichen Finanzen besser zu verwalten. Ausgestattet mit einem umfangreichen Datenpool erstellt das neuronale Netzwerk der Finanzdienstleister beispielsweise ein Profil der Kunden, um den Dienstleistern dann zu raten, was diese Kundengruppe besonders schätzt oder ablehnt. Ein Beispiel ist hier etwa die Verwaltung von Kreditkartenausgaben via App.
  
• Betrugserkennung: Üblicherweise basiert Betrugserkennung auf vordefinierten Regeln. AI mit selbstlernenden Algorithmen kann die Schwächen der vordefinierten Regeln gut ausgleichen und erweitere Kriterienkreise hinzuziehen.

Gartner Prognose: AI wird bis 2020 fast in jeder Software zu finden sein

In einer im Juli 2017 veröffentlichten Studie hat sich das IT-Research- und Beratungsunternehmen Gartner mit dem Thema AI befasst, um dem gestiegenen Interesse der IT-Welt Rechnung zu tragen. Denn war der Begriff "Artificial Intelligence" im Januar 2016 noch nicht einmal unter den Top 100-Suchbegriffen auf der Webseite von Gartner, eroberte AI im Mai 2017 sich schon Rank 7 all derjenigen, die sich damit beschäftigen wollten, wie AI Teil ihrer digitalen Geschäftsstrategie sein und wie AI diese unterstützen könnte. Gartner prognostiziert deswegen auch, dass das wachsende Interesse an AI etablierte Software-Anbieter dazu bringen wird, AI gezielt in ihre Produktstrategie zu integrieren: So soll AI bis 2020 Bestandteil fast eines jeden neuen Software-Produkts oder - Services sein. "Während AI im Hype-Circle-Aufschwung beschleunigt, wollen viele Software-Anbieter ihre Claim im größten Goldrausch der letzten Jahre abstecken" so Jim Hare , Research Vice President bei Gartner. "AI bietet spannende Möglichkeiten, doch leider konzentrieren sich die meisten Anbieter darauf, einfach ein AI-basiertes Produkt zu bauen und zu vermarkten - statt zuerst die Bedürfnisse, den potenziellen Nutzen und den Mehrwert für die Kunden zu identifizieren."