Online betalen 2009 - Twinkle

90 - Het groeiende belang van e-identity
− Handmatige beoordeling daalde van 20% tot 14%. Dit lijkt een logisch gevolg omdat de
beoordeling van afgewezen bestelingen deels overgenomen is door geautomatiseerde
instrumenten.
− Na handmatige beoordeling zijn relatief minder (72% ten opzichte van 80%) bestelingen
goedgekeurd.
− Het afwijzingspercentage steeg van 3,3% tot 3,9%.
Detectie
instrumenten
Online betalen 2009
=100% Afwijzen (14%) 4%
OK (86%)
Handmatige
beoordeling (14%)
Frauduleus (80%)
0,8%
Frauduleus (28%)
OK (72%)
3,9%
96,1%
= Afgewezen
= Geaccepteerd
Figuur 7-2: het effect van fraudedetectie-instrumenten op de verkoopcijfers 2008 – naar bron: Cybersource
Fraud Report 2008
Fraudedetectie en –preventie zijn alleen mogelijk wanneer de winkelier ‗iets‘ weet over de
klant. Hoe meer hij weet, des te beter hij het risico van het accepteren van een bepaalde
transactie kan inschatten. Het mag duidelijk zijn dat de winkelier in een internetomgeving
weinig weet over (nieuwe) klanten en dat hij moet werken met de beperkte informatie die
wel beschikbaar is. We onderscheiden een tweetal benaderingen die ook kunnen worden
gecombineerd:
− Fraudepreventie en controle aan de kant van de winkelier. In deze situatie bouwt de
winkelier zelf een bestand van frauduleuze klanten op, bijvoorbeeld aan de hand van
creditcardnummers, namen of adressen. Hij houdt hierbij zijn eigen zwarte lijst bij.
− Het gebruik van externe bronnen voor fraudepreventie. De winkelier gebruikt externe
bronnen om bepaalde informatie te verifiëren die hij van klanten krijgt. Voorbeelden
hiervan zijn creditcardnummer, adres en kredietstatus. Hij kan ook gebruik maken van
een externe zwarte lijst.
In de praktijk worden deze twee benaderingen vaak samen gebruikt. Ook kunnen er
verschillen zijn in de mate waarin het proces is geautomatiseerd. In de volgende paragraaf
gaan we nader in op de tweede benadering.