Betrugserkennung im Zahlungsverkehr: Arten, Methoden und Prävention

Das Betrugsproblem nimmt nicht ab. Im vergangenen Jahr verzeichneten 79 % der Online-Marktplätze mehr Betrugsfälle als im Vorjahr. Die Angriffe sind schneller, automatisierter und mit den Regelwerken, die Händler vor Jahren entwickelt haben, schwerer zu erkennen. Betrugserkennung im Zahlungsverkehr ist keine Funktion mehr, die man nachträglich hinzufügt – sie gehört heute zum Standard.

Dieser Artikel behandelt die wichtigsten Betrugsarten, denen Online-Händler ausgesetzt sind, wie moderne Erkennungssysteme funktionieren, welche Betrugspräventionsinstrumente das Risiko verringern und wie die Zahlen aussehen, wenn die Abwehrmaßnahmen nicht ausreichen.

Was ist Zahlungsbetrug und warum kommt er vor?

Zahlungsbetrug bedeutet im einfachsten Sinne, dass jemand Zahlungsdaten, Konten oder Identitäten nutzt, die ihm nicht gehören, um Geld oder Waren zu stehlen. Davon betroffen sind Händler, Finanzinstitute und Karteninhaber gleichermaßen – und es kann vor einer Transaktion, während der Autorisierung oder nach der Abrechnung geschehen.

Betrug hat sich industrialisiert. Bots testen massenhaft gestohlene Kartendaten. Synthetische Identitätsbausteine werden auf Darknet-Märkten gehandelt. Das Ausmaß des Problems hat die Regelwerke, die die meisten Unternehmen vor fünf Jahren aufgestellt haben, längst überholt.

Die Zahlen verdeutlichen, wie rasant sich die Lage verändert. Betrug durch den Käufer selbst, bei dem ein legitimer Käufer einen tatsächlich getätigten Kauf bestreitet, macht im Jahr 2024 bereits 36 % aller Betrugsfälle aus. Im Jahr 2023 lag dieser Wert noch bei 15 %. Es handelt sich also nicht um einen schleichenden Trend – diese Kategorie hat sich innerhalb eines Jahres mehr als verdoppelt.

Herkömmliche regelbasierte Systeme können da nicht mithalten. Eine statische Regel, die Transaktionen über 500 US-Dollar von unbekannten IP-Adressen blockiert, verhindert zwar einen Teil des Betrugs, schreckt aber auch echte Kunden ab. Echtzeitfähige, adaptive Betrugserkennung im Zahlungsverkehr löst diesen Zielkonflikt direkt – sie erkennt echte Risiken, ohne die Konversionsraten zu beeinträchtigen.

Drei Kategorien sind hier relevant: Zahlungsbetrug (unbefugte Nutzung fremder Zugangsdaten), Friendly Fraud (ein Käufer, der das Streitbeilegungssystem nach einem tatsächlichen Kauf ausnutzt) und Händlerfehler (doppelte Abbuchungen, falsche Beträge), die zu Rückbuchungen führen, die zwar in den Daten wie Betrug aussehen, aber eine völlig andere Lösung erfordern. Die Kenntnis der jeweiligen Kategorie entscheidet darüber, ob Betrug auf technischer Ebene verhindert oder ein Prozessproblem behoben wird.

Die häufigsten Arten von Zahlungsbetrug

Zu wissen, wovor man sich schützen will, bestimmt die gewählten Kontrollmaßnahmen. Die wichtigsten Arten von Zahlungsbetrug, die Online-Händler betreffen:

• Betrug ohne physische Kartenpräsenz (CNP-Betrug) – Betrüger nutzen gestohlene Kartendaten, um online einzukaufen, ohne die Karte physisch vorzulegen. Die häufigste Betrugsart im E-Commerce.
• Betrug mit autorisierten Push-Zahlungen (APP-Betrug) – Das Opfer wird durch Social Engineering dazu verleitet, Geld direkt an das Konto eines Betrügers zu überweisen. Ist die Zahlung erst einmal gesendet, lässt sie sich nur schwer zurückholen.
• Betrug durch Kontoübernahme – Gestohlene Zugangsdaten ermöglichen es Betrügern, Zugriff auf ein bestehendes Kundenkonto zu erlangen, das sie entweder leerräumen oder für Bestellungen mit hohem Wert nutzen.
• Betrug durch Kartentests – Dabei werden mit gestohlenen Karten kleine Testzahlungen getätigt, um deren Funktionsfähigkeit vor größeren betrügerischen Transaktionen zu überprüfen. Dies äußert sich häufig in einer Vielzahl von Mikrotransaktionen innerhalb kurzer Zeiträume.
• Identitätsbetrug mit synthetischen Daten – Dabei werden echte und gefälschte persönliche Daten miteinander vermischt, um eine neue, betrügerische Identität zu erstellen. Dieser Betrug ist schwerer aufzudecken, da Teile der Identität echt sind.
• Freundlicher Betrug / Betrug durch den Kunden selbst — Ein legitimer Kunde beanstandet einen tatsächlichen Kauf bei seiner Bank und behauptet, der Artikel sei nie angekommen oder die Abbuchung sei unberechtigt gewesen.
• Phishing und Social Engineering – Betrüger geben sich als Finanzinstitute, Händler oder Zahlungsanbieter aus, um direkt von ihren Opfern Karteninformationen, Anmeldedaten oder Einmalcodes zu erlangen.

Betrug durch Erstanbieter ist die am schnellsten wachsende Betrugskategorie. Standard-Betrugserkennungstools sind nicht darauf ausgelegt, diese Art von Betrug aufzudecken – die Transaktion selbst wirkt völlig legitim. Strategien zur Betrugsprävention erfordern daher andere Kontrollmechanismen als technische Sicherheitsmaßnahmen.

Wie die Erkennung von Zahlungsbetrug funktioniert

Betrugserkennung arbeitet mehrstufig, nicht mit einer einzigen Prüfung. Vor der Transaktion erfolgt eine Identitätsprüfung, zum Zeitpunkt der Autorisierung eine Risikobewertung und nach der Abwicklung eine Musterüberwachung.

Jede Phase verarbeitet unterschiedliche Eingaben. Vor der Transaktion: Geräte-Fingerabdruck, Kontoalter, Anmeldehistorie. Bei der Autorisierung: Transaktionsbetrag, Händlerkategorie, Geolokalisierung, Transaktionsgeschwindigkeit im Vergleich zu früheren Käufen. Nach der Abrechnung: Transaktionsübergreifende Muster, z. B. dass eine Karte innerhalb von drei Minuten bei fünf verschiedenen Händlern eingesetzt wird – erst bei Betrachtung der Gesamtsumme sichtbar.

Maschinelles Lernen übernimmt die Echtzeit-Bewertung. Modelle, die mit Millionen historischer Datensätze trainiert wurden, erkennen betrügerische Transaktionen mit einer Präzision, die kein handgeschriebenes Regelwerk erreichen kann. KI-basierte Betrugserkennung verbessert die Genauigkeit um 92 % und reduziert Fehlalarme um 40 % im Vergleich zu rein regelbasierten Systemen. Dieser zweite Wert ist entscheidend: Weniger echte Bestellungen werden abgelehnt.

Der Erkennungsablauf Schritt für Schritt:

1. Transaktion eingeleitet – Geräte-Fingerabdruck, IP-Adresse, Browserdaten und Verhaltenssignale wurden beim Bezahlvorgang erfasst.
2. Risikobewertung in Echtzeit – Hunderte von Signalen werden in Millisekunden anhand des ML-Modells analysiert.
3. Automatische Genehmigung oder Kennzeichnung – Transaktionen mit geringem Risiko werden sofort freigegeben; Transaktionen mit hohem Risiko werden blockiert oder zu einer 3D-Secure-Prüfung weitergeleitet.
4. Warteschlange für manuelle Überprüfung – Grenzfälle werden zur Beurteilung durch einen Analysten markiert.
5. Überwachung nach der Transaktion – die Abrechnungsdaten fließen zurück in das Modell, wodurch verzögerte Betrugsmuster erkannt und die zukünftige Bewertung verfeinert werden.

Anders als bei einem statischen Regelsatz lernt das Modell. Jede genehmigte, markierte oder stornierte Transaktion dient als Trainingsdatensatz. Dieser Feedback-Kreislauf sorgt dafür, dass die adaptive Betrugserkennung stets einen Schritt voraus ist – Systeme, die ausschließlich auf Regeln basieren, können sich nicht auf diese Weise aktualisieren.

Methoden und Werkzeuge zur Erkennung von Zahlungsbetrug

Keine einzelne Methode deckt alle Betrugsarten auf. Effektive Betrugserkennung im Zahlungsverkehr kombiniert mehrere Kontrollmechanismen, die jeweils unterschiedliche Angriffsvektoren adressieren. Händler setzen durchschnittlich fünf Betrugserkennungstools pro Unternehmen ein, im Vergleich zu vier im Jahr 2022.

Die wichtigsten Methoden, die in Betrugserkennungssoftware verwendet werden:

• 3D Secure (3DS2) – Eine Authentifizierungsmethode des Kartennetzwerks, die den Karteninhaber während des Bezahlvorgangs auffordert. Bei korrekter Implementierung wird die Haftung für betrügerische Transaktionen vom Händler auf den Kartenaussteller verlagert.
• Das Adressverifizierungssystem (AVS) gleicht die beim Bezahlvorgang eingegebene Rechnungsadresse mit den beim Kartenaussteller gespeicherten Daten ab. Es erkennt gestohlene Karten, bei denen der Betrüger die tatsächliche Rechnungsadresse nicht kennt.
• CVV/CVC-Verifizierung – Bestätigt den physischen Besitz der Karte durch Abfrage des Sicherheitscodes. Bei umfassenden Datenlecks ist diese Methode zwar umgangen, verhindert aber dennoch viele einfache Betrugsversuche mit Kartenpräferenzen.
• Geschwindigkeitsprüfungen – Kennzeichnet ungewöhnliche Transaktionshäufigkeit: beispielsweise, dass dieselbe Karte innerhalb von zehn Minuten bei fünf Händlern eingesetzt wird oder dass innerhalb einer Stunde fünfzig Zahlungsversuche von einer einzigen IP-Adresse unternommen werden.
• Geräte-Fingerprinting – Es wird ein Profil des verwendeten Geräts erstellt und über mehrere Sitzungen hinweg verfolgt, um wiederkehrende Betrüger auch dann zu identifizieren, wenn sie neue Karteninformationen verwenden.
• Standortverifizierung – Der Transaktionsort wird mit dem erwarteten Standort des Karteninhabers abgeglichen. Die Standortverifizierung reduziert Betrug bei mobilen Zahlungen um 28 %.
• Risikobewertung mittels maschinellen Lernens – Adaptive Bewertung, die sich mit jeder verarbeiteten Transaktion verbessert und Muster erkennt, die für manuelle Regeln zu subtil sind.
• Verhaltensanalyse – Überwacht Mausbewegungen, Tippgeschwindigkeit, Scrollverhalten und Verweildauer auf der Seite, um Bot-Aktivitäten und Kontoübernahmeversuche zu erkennen.

Wie sich diese Methoden bei verschiedenen Betrugsarten vergleichen lassen:

Mehrere Ebenen gleichzeitig – eine einzelne reicht nicht aus. Ein Betrüger, der Antivirenschutz umgeht, kann dennoch durch Verhaltensanalysen oder Geschwindigkeitsprüfungen entdeckt werden.

Die wahren Kosten von Zahlungsbetrug für Händler

Der angegebene Schaden durch Betrug entspricht selten dem vollen Schadensbetrag. Für jeden betrügerisch entstandenen Dollar verlieren Händler insgesamt 4,61 Dollar, wenn Rückbuchungsgebühren, Warenverluste, Arbeitsaufwand für die Klärung von Ansprüchen und Verwaltungskosten hinzugerechnet werden. Dieser Multiplikator erhöht den Schaden erheblich und übersteigt den reinen Transaktionswert bei Weitem.

Allein die Rückbuchungen werden Händler im Jahr 2026 voraussichtlich 28,1 Milliarden Dollar kosten. Jede strittige Transaktion ist mit einer Gebühr von 15 bis 100 Dollar verbunden, unabhängig vom Ergebnis, beansprucht Arbeitszeit der Mitarbeiter und wirkt sich negativ auf die Rückbuchungsquote des Händlers aus – eine Kennzahl, die Kartennetzwerke verwenden, um risikoreiche Konten zu kennzeichnen.

Wird die 1%-Marke überschritten, beginnt der Zahlungsdienstleister mit der Überwachung. Bleibt der Händler in diesem Bereich, riskiert er den vollständigen Verlust der Zahlungsabwicklung.

Der Markt für Software zur Betrugserkennung spiegelt wider, wie ernst Unternehmen dieses Problem nehmen. Die weltweiten Investitionen in die Erkennung von Zahlungsbetrug erreichten 2026 13,7 Milliarden US-Dollar und werden Prognosen zufolge bis 2035 auf 47,5 Milliarden US-Dollar ansteigen, was einem durchschnittlichen jährlichen Wachstum von 14,78 % entspricht.

Betrugsverluste beschränken sich nicht nur auf direkte finanzielle Einbußen. Hohe Rückbuchungsquoten schädigen die Beziehungen zu Zahlungsdienstleistern. Wiederholte Betrugsfälle untergraben das Vertrauen der Kunden.

Datenpannen im Zusammenhang mit Zahlungsbetrug setzen Händler regulatorischen Strafen von Finanzinstituten und Kartennetzwerken aus. Betrugsprävention ist günstiger als die Behebung der Folgen – der Kostenunterschied zwischen der Blockierung einer betrügerischen Transaktion und der Bearbeitung einer Rückbuchung ist erheblich.

Wie Sie als Händler Zahlungsbetrug verhindern können

Betrugsprävention ist ein vielschichtiges Thema. Technische Kontrollen decken systematische Angriffe ab; Prozesskontrollen zielen auf von Menschen verursachte Angriffe ab. Hier ist eine praktische Checkliste:

1. Setzen Sie 3D Secure für alle Transaktionen ein, bei denen die Karte nicht physisch vorliegt. Wenn 3DS korrekt auslöst, geht die Haftung auf den Kartenaussteller über. Dadurch wird das Risiko von Rückbuchungen bei authentifizierten Transaktionen vollständig eliminiert.
2. Ersetzen Sie statische Regeln durch maschinelles Lernen zur Betrugsbewertung. Regeln veralten schnell – Betrüger lernen sie. Maschinelles Lernen passt sich kontinuierlich an neue Muster an.
3. Legen Sie Geschwindigkeitsbegrenzungen für Karten, IPs und Geräte fest. Kartentestangriffe basieren auf hoher Frequenz. Geschwindigkeitsprüfungen erkennen diese Angriffe, bevor der Betrüger bestätigen kann, welche Karten aktiv sind.
4. Überprüfen Sie die Rechnungsadressen bei allen Kartenzahlungen per AVS. Dies verhindert einen Großteil des einfachen Kartenmissbrauchs, bei dem Betrüger nur die Kartennummer, nicht aber die vollständigen Rechnungsdaten kennen.
5. Implementieren Sie Geräte-Fingerprinting. Ein Betrüger, der eine Karte verbrennt und mit einer neuen zurückkommt, trägt immer noch dieselbe Gerätesignatur.
6. Schulen Sie Ihre Mitarbeiter im Erkennen von Social Engineering. Betrugsversuche mit autorisierten Push-Zahlungen und Phishing zielen auf Personen ab, nicht auf Systeme. Ein Kundendienstmitarbeiter, der eine ungewöhnliche Rückerstattung auf ein neues Bankkonto genehmigt, stellt ein potenzielles Einfallstor für Betrug dar.
7. Gestalten Sie Ihre Rückgabe- und Erstattungsrichtlinien leicht auffindbar und anwendbar. Kunden, die Anspruch auf eine berechtigte Rückerstattung haben, müssen keine Rückbuchung veranlassen. Diese Hürde zu minimieren, ist eine der einfachsten Methoden, Betrug – auch freundlichen Kunden – vorzubeugen.
8. Überwachen Sie die Rückbuchungsquoten nach Zahlungsmethode. Verschiedene Zahlungsmethoden weisen unterschiedliche Betrugsprofile auf. Wenn ein digitaler Zahlungskanal dreimal so viele Streitfälle generiert wie ein anderer, ist das ein wichtiges Signal – kein Zufall. Passen Sie die Kontrollen für jeden Kanal individuell an, anstatt pauschale Einstellungen zu verwenden.
9. Führen Sie detaillierte Transaktionsaufzeichnungen. Bestellbestätigungen, Versanddaten, IP-Protokolle und Kommunikationsaufzeichnungen sind die Grundlage für eine erfolgreiche Rückbuchungsbeschwerde. Ohne Dokumentation gibt es keine Verteidigung.

Kryptozahlungen als betrugsresistente Alternative

Manche Betrugsmethoden lassen sich nicht beheben – sie sind systembedingt. Betrug mit nicht physisch vorhandenen Karten existiert, weil Karten für die physische Nutzung konzipiert und für Online-Zahlungen angepasst wurden. Die Kartennummer ist ein Zugangsdokument, das gestohlen, getestet und missbraucht werden kann. Dieser Konstruktionsfehler lässt sich nicht durch zusätzliche Sicherheitsmaßnahmen beheben, sondern wird durch den Wechsel zu einer anderen Zahlungsstruktur umgangen.

Kryptowährungstransaktionen sind systembedingt unumkehrbar. Es gibt keine Karteninformationen, die gestohlen werden könnten, keine Zugangsdaten, die per Phishing abgefangen werden könnten, und keinen Rückbuchungsmechanismus, den Betrüger nachträglich missbrauchen könnten. Eine Kryptozahlung wird auf der Blockchain verbucht und bleibt dort verbucht. Dadurch wird die Möglichkeit von Rückbuchungsangriffen vollständig ausgeschlossen.

Stablecoins wie USDT und USDC sorgen für Preisstabilität bei Kryptozahlungen – ein Händler, der USDC erhält, bekommt den entsprechenden Dollarbetrag unabhängig von Marktbewegungen. Der Schutz vor Betrug bleibt erhalten. Bei digitalen Gütern, Abonnements und grenzüberschreitenden Transaktionen, wo Betrugsfälle wie CNP-Betrug und Friendly Fraud am häufigsten auftreten, ist der strukturelle Vorteil von Kryptowährungen offensichtlich.

Kryptowährungen eliminieren nicht alle Betrugsrisiken – KYC- und AML-Prüfungen bleiben weiterhin erforderlich, und Social-Engineering-Angriffe kommen in jedem Zahlungssystem vor. Sie eliminieren jedoch die gesamte Kategorie betrügerischer Transaktionen, die auf gestohlenen Kartendaten oder dem Chargeback-Verfahren beruhen.

Plisio ermöglicht Händlern die Akzeptanz von über 20 Kryptowährungen durch eine einzige Integration – ohne monatliche Gebühren und ohne Risiko von Rückbuchungen. Für Unternehmen, bei denen die Kosten für die Betrugserkennung im Zahlungsverkehr erheblich sind, bedeutet dies eine deutliche Reduzierung des Betrugsrisikos.

Simon Chartan

A journalist with a strong technical background and a passion for decentralized finance. With degrees in MBA and Master of Engineering in Data Science, the author combines analytical expertise with a clear, engaging writing style. At Plisio, they cover topics such as cryptocurrency, blockchain, DeFi, and digital finance—helping readers make sense of a rapidly evolving fintech landscape.