KI und Betrugserkennung – wie schützt künstliche Intelligenz Onlineshops

Die Entwicklung des E-Commerce hat dazu geführt, dass der Onlineshop nicht mehr nur ein Vertriebskanal ist. Heute ist er Teil eines komplexen Ökosystems aus Transaktionen, Daten, Zahlungen, Logistik, Kundenkonten, Marketing Automation, Integrationen mit ERP, Marktplätzen und Systemen zur Bestellabwicklung. Je größer die Skalierung des Onlinevertriebs, desto größer die Anzahl der Punkte, an denen Missbrauch auftreten kann. Fraud betrifft nicht mehr nur den Diebstahl von Zahlungskartendaten. Immer häufiger umfasst er die Übernahme von Nutzerkonten, Fake-Bestellungen, Retourenmissbrauch, Chargebacks, Bots, Versuche zur Umgehung von Promotions, Manipulation von Lieferdaten, Rabattmissbrauch, Testen von Zahlungskarten, automatisierte Aktionen und Szenarien, die Lücken zwischen Systemen ausnutzen.

In einem solchen Umfeld wird der traditionelle Sicherheitsansatz unzureichend. Statische Regeln sind weiterhin notwendig, aber sie sind allein nicht in der Lage, mit dem Tempo Schritt zu halten, in dem sich die Methoden von Betrügern verändern. Wenn ein System ausschließlich auf einfachen Regeln basiert wie „blockiere eine Bestellung über einem bestimmten Betrag“, „prüfe eine ungewöhnliche Lieferadresse“ oder „markiere eine Transaktion aus einem bestimmten Land“, beginnt es sehr schnell entweder zu breit oder zu spät zu wirken. Es kann ehrliche Kunden blockieren, fortgeschrittenere Fraud-Schemata durchlassen und eine große Anzahl manueller Überprüfungen erzeugen.

Künstliche Intelligenz verändert dieses Modell, weil sie erlaubt, Verhaltensweisen, Abhängigkeiten und Anomalien in Echtzeit zu analysieren. Sie betrachtet nicht nur eine einzelne Bedingung, sondern den Kontext der gesamten Transaktion: Kundenhistorie, Gerät, Verhalten auf der Website, Warenkorb, Standort, Zahlungsmethode, Lieferadresse, Geschwindigkeit der Bestellaufgabe, Datenkonsistenz, frühere Kaufmuster und Signale aus externen Systemen. Dadurch kann KI die Betrugserkennung nicht nur durch Blockierung offensichtlicher Fälle unterstützen, sondern vor allem durch Risikobewertung dort, wo ein Mensch oder ein einfaches regelbasiertes System nur eine weitere Bestellung sieht.

Aus der Perspektive von CREHLER ist jedoch am wichtigsten, KI nicht als magische Sicherheitsschicht zu behandeln, die nur an den Shop angeschlossen werden muss. Wirksame Betrugserkennung erfordert Daten, Integrationen, Prozesse, Automatisierung, klare Entscheidungsregeln und eine gut gestaltete Plattformarchitektur. KI kann den Schutz eines Onlineshops sehr effektiv unterstützen, aber nur dann, wenn sie Zugriff auf die richtigen Daten hat und in den realen Prozess der Abwicklung von Bestellungen, Zahlungen, Kundenkonten und Logistik eingebettet ist.

Genau deshalb sollte in E-Commerce-Projekten auf Basis von Shopware das Thema Sicherheit und Fraud Detection nicht als separates Add-on analysiert werden, sondern als Teil eines breiteren Ökosystems. Shopware kann eine flexible Vertriebsschicht darstellen, die mit Zahlungssystemen, Antifraud-Tools, ERP, PIM, WMS, CRM, Marktplätzen und Lösungen zur Prozessautomatisierung integriert werden kann. Über die Wirksamkeit eines solchen Modells entscheidet jedoch nicht die bloße Präsenz eines KI-Tools, sondern die Art und Weise, wie es mit den Daten und Prozessen des Unternehmens verbunden wurde.

Fraud im E-Commerce ist kein einzelnes Ereignis mehr

Noch vor einigen Jahren konzentrierte sich die Diskussion über Betrug im E-Commerce sehr häufig auf Zahlungen. Händler fürchteten Transaktionen mit gestohlenen Karten, Chargebacks und Bestellungen, die niemals hätten realisiert werden sollen. Dieser Bereich ist weiterhin wichtig, aber moderner Fraud ist deutlich breiter. Er umfasst den gesamten Kaufprozess, vom Betreten der Website durch den Nutzer über Registrierung, Login, Nutzung von Promotions, Aufgabe einer Bestellung, Zahlung, Lieferung, Abholung, Rückgabe und Kontakt mit dem Kundenservice.

In der Praxis bedeutet das, dass Betrug viel früher beginnen kann als im Moment der Zahlung. Bots können Login-Formulare testen, versuchen, Nutzerkonten zu übernehmen, Passwortleaks aus anderen Diensten nutzen oder automatisch Fake-Konten erstellen, um Promotion-Codes zu verwenden. Organisierte Gruppen können Bestellungen für hochwertige Produkte aufgeben, verschiedene Lieferadressen nutzen und versuchen, interne Verifizierungsverfahren zu umgehen. Kunden können Rückgaberichtlinien missbrauchen, fiktive fehlende Artikel in Paketen melden oder Unklarheiten in Promotionsbedingungen ausnutzen.

Im B2B sehen die Risiken anders aus, können aber ebenso kostspielig sein. Problematisch können unbefugte Käufe über ein Firmenkonto sein, die Übernahme von Login-Daten eines Mitarbeiters des Kunden, Bestellungen außerhalb eines zugewiesenen Limits, falsche Zuordnung von Handelsbedingungen, Missbrauch individueller Preislisten, Versuche zur unrechtmäßigen Nutzung von Zahlungszielen oder falsche Angebotsanfragen mit dem Ziel, Handelsinformationen zu erhalten. Bei Unternehmen mit internationalem Vertrieb kommen noch verschiedene Lieferländer, Währungen, Steuern, Zahlungsmethoden und lokale Kaufverhalten hinzu.

Deshalb sollte Fraud Detection nicht auf den Checkout selbst beschränkt werden. Eine wirksame Strategie zum Schutz eines Onlineshops sollte viele Schichten umfassen: Nutzerverhalten, Kontodaten, Warenkorb, Zahlung, Lieferung, Bestellhistorie, Rückgaben, Promotions, Verfügbarkeit, Integrationen und manuelle Prozesse des Teams. Je mehr Vertriebskanäle und Systeme vorhanden sind, desto wichtiger wird eine kohärente Sicherheitsarchitektur.

Warum traditionelle Regeln nicht mehr ausreichen

Statische Antifraud-Regeln sind nützlich, aber sie haben Grenzen. Sie funktionieren gut dort, wo das Risikoszenario einfach und wiederholbar ist. Man kann beispielsweise Bestellungen mit sehr hohem Wert, Bestellungen aus einem ungewöhnlichen Land, viele Zahlungsversuche in kurzer Zeit, Abweichungen zwischen Rechnungsadresse und Lieferadresse oder die Nutzung einer bestimmten Zahlungsmethode in Kombination mit einer konkreten Produktkategorie markieren. Solche Regeln helfen, eine grundlegende Kontrolle zu strukturieren.

Das Problem entsteht, wenn Fraud komplexer wird. Ein Betrüger muss sich nicht mehr offensichtlich verhalten. Er kann eine Bestellung mit einem Wert aufgeben, der im normalen Bereich liegt. Er kann eine Adresse verwenden, die glaubwürdig aussieht. Er kann ein Konto mit Kaufhistorie nutzen. Er kann über Zwischentools agieren, die den Standort verschleiern. Er kann sein Verhalten ändern, je nachdem, welche Sicherheitsmaßnahmen zuvor erkannt wurden.

Traditionelle Regeln haben auch ein zweites Problem: Sie können Fehlalarme erzeugen. Wenn ein Unternehmen Transaktionen zu aggressiv blockiert, beginnt es, ehrliche Kunden zu bestrafen. Ein Kunde, der wirklich ein teureres Produkt kaufen möchte, kann nur deshalb gestoppt werden, weil die Bestellung einen bestimmten Schwellenwert überschreitet. Ein Kunde, der ein Geschenk mit Lieferung an eine andere Adresse kauft, kann als verdächtig markiert werden. Ein Kunde aus einem neuen Markt kann nur deshalb in die manuelle Überprüfung geraten, weil der Shop noch keine historischen Daten aus diesem Land hat.

Im E-Commerce darf Sicherheit nicht losgelöst von Conversion gestaltet werden. Zu schwache Sicherheitsmaßnahmen führen zu finanziellen Verlusten. Zu restriktive Sicherheitsmaßnahmen senken den Verkauf, frustrieren Kunden und erhöhen die Arbeit des Teams. Die echte Herausforderung besteht darin, das Gleichgewicht zwischen Schutz und einem reibungslosen Einkaufserlebnis zu finden.

KI hilft genau an dieser Stelle. Anstatt sich ausschließlich auf einfache Schwellenwerte zu stützen, kann sie Risiko kontextbezogener bewerten. Das System kann erkennen, dass eine Bestellung mit hohem Wert für einen konkreten B2B-Kunden normal ist, aber für ein neues Konto ohne Historie verdächtig. Es kann verstehen, dass Lieferung an eine andere Adresse in einer bestimmten Produktkategorie typisch ist, aber in Kombination mit anderen Signalen riskant. Es kann lernen, welche Verhaltensweisen tatsächlich zu Fraud geführt haben und welche nur ungewöhnlich, aber ehrlich waren.

Wie KI Betrug im E-Commerce erkennt

Künstliche Intelligenz in der Betrugserkennung basiert vor allem auf der Analyse von Mustern und Anomalien. Machine-Learning-Systeme können aus historischen Daten lernen, Merkmale risikoreicher Transaktionen identifizieren und neue Ereignisse mit dem vergleichen, was zuvor für einen bestimmten Shop, Kunden, eine Kategorie, einen Markt oder Vertriebskanal typisch war. In der Praxis sucht KI nicht nach einem Signal, sondern nach einer Konstellation vieler Signale.

Ein solches Signal kann zum Beispiel ein ungewöhnliches Tempo der Bewegung auf der Website sein. Ein ehrlicher Kunde betrachtet in der Regel Produkte, vergleicht Varianten, liest die Beschreibung, kehrt zum Warenkorb zurück oder sucht nach Lieferinformationen. Ein Bot oder eine Person, die nach einem Fraud-Schema handelt, kann sich anders verhalten: schnell zum Checkout gehen, ähnliche Aktionssequenzen wiederholen, verschiedene Zahlungsdaten testen oder viele Bestellungen mit ähnlicher Struktur aufgeben. Geschwindigkeit allein muss keinen Betrug bedeuten, kann aber in Kombination mit anderen Signalen das Risiko erhöhen.

Ein weiterer Bereich ist die Analyse von Transaktionsdaten. KI kann die Konsistenz von Kundendaten, Zahlungshistorie, Lieferadressen, Geräten, Standorten, Warenkorb, Bestellwert, Produktkategorie, Kaufhäufigkeit, Zahlungsversuchen und früheren Reklamationen bewerten. Sie kann bemerken, dass eine bestimmte Bestellung nicht zum normalen Verhaltensmuster des Kunden oder zum typischen Verhalten in einem bestimmten Segment passt.

Im E-Commerce ist auch das Erkennen von Promotionsmissbrauch wichtig. Das System kann analysieren, ob viele Konten dieselben Codes, Adressen, Geräte, Zahlungsmethoden oder ähnliche Aktionssequenzen nutzen. Es kann Verhaltensweisen erkennen, die auf die Erstellung von Fake-Konten hinweisen, um einen Rabatt für Neukunden mehrfach zu nutzen. Es kann auch helfen, Situationen zu erkennen, in denen eine Promotion technisch den Bedingungen entspricht, aber auf eine Weise genutzt wird, die nicht mit der geschäftlichen Intention des Unternehmens übereinstimmt.

Im B2B kann KI die Analyse ungewöhnlicher Bestellungen im Verhältnis zur Kundenhistorie, zur Rolle des Nutzers in der Organisation, zu Einkaufslimits, Bestellhäufigkeit, Produkttyp, Warenkorbwert oder Lieferadressen unterstützen. Wenn ein Mitarbeiter des Kunden plötzlich eine Bestellung aufgibt, die deutlich vom bisherigen Muster abweicht, kann das System sie zur zusätzlichen Überprüfung weiterleiten, anstatt den gesamten Prozess automatisch zu blockieren.

Am wichtigsten ist, dass KI nicht ausschließlich im Modus „akzeptieren“ oder „ablehnen“ arbeiten muss. Oft ist das beste Modell ein Risikoscoring. Eine Bestellung kann ein niedriges, mittleres oder hohes Risikoniveau erhalten, und das Unternehmen kann festlegen, was danach passiert. Niedriges Risiko läuft automatisch weiter. Mittleres Risiko geht in eine zusätzliche Kontrolle. Hohes Risiko kann stärkere Autorisierung, Änderung der Zahlungsmethode, Kontakt mit dem Kunden oder vorübergehendes Aussetzen der Abwicklung erfordern.

KI ersetzt den Menschen nicht, sondern ordnet Entscheidungen

In vielen Unternehmen basiert die Betrugserkennung weiterhin auf manueller Bewertung von Bestellungen. Ein Mitarbeiter prüft Kundendaten, Adresse, Warenkorbwert, Kaufhistorie, Zahlungsstatus und eigene Erfahrung. Ein solcher Ansatz kann in kleiner Skalierung funktionieren, wird aber in einem wachsenden E-Commerce schnell unzureichend. Erstens ist er langsam. Zweitens hängt er von der Erfahrung bestimmter Personen ab. Drittens lässt er sich schwer skalieren. Viertens hinterlässt er nicht immer eine klare Entscheidungsspur.

KI kann das Team entlasten, sollte ihm aber nicht die Kontrolle nehmen. In einem gut gestalteten Prozess ersetzt das System nicht alle Entscheidungen, sondern gibt ihnen Struktur. Es zeigt, welche Bestellungen typisch sind, welche Aufmerksamkeit erfordern und warum. Das Team muss nicht alles analysieren, sondern konzentriert sich auf Fälle, in denen das Risiko real ist. Dadurch verändert sich die Arbeit von reaktiver Bestellprüfung hin zum Management von Ausnahmen.

Ein solches Modell ist besonders wichtig in größeren Shops, in denen die Anzahl der Bestellungen, Kanäle und Märkte schneller wächst als das operative Team. Wenn jedes verdächtige Ereignis ohne Priorisierung in die manuelle Überprüfung gelangt, erzeugt das Unternehmen eine Warteschlange, verzögert die Bestellabwicklung und erschwert die Arbeit des Customer Service. Wenn KI das Risiko ordnet, kann das Team schneller und bewusster reagieren.

Es geht jedoch nicht um blindes Vertrauen in den Algorithmus. Jedes Antifraud-System sollte überwacht werden. Das Unternehmen sollte wissen, wie viele Transaktionen markiert wurden, wie viele sich tatsächlich als problematisch erwiesen, wie viele Fehlalarme es gab, welche Kategorien das meiste Risiko erzeugen, welche Kanäle zusätzliche Sicherungen erfordern und ob Verfahren ehrliche Kunden nicht blockieren. KI sollte Entscheidungsunterstützung liefern und keine Black Box schaffen, die niemand versteht.

Die wichtigsten Fraud-Bereiche, die KI unterstützen kann

Einer der offensichtlichsten Bereiche ist Zahlungsbetrug. KI-Systeme können Transaktionsrisiko, Zahlungsversuche, Datenkonsistenz, Kundenhistorie, Verhalten im Checkout und Signale von Zahlungsdienstleistern analysieren. In Kombination mit Mechanismen der starken Authentifizierung, 3D Secure und Payment-Risk-Scoring-Tools kann dies die Fähigkeit des Shops, riskante Transaktionen von normalen Käufen zu unterscheiden, deutlich verbessern.

Der zweite Bereich ist Account Takeover, also die Übernahme eines Nutzerkontos. In einem solchen Szenario nutzt der Betrüger ein bestehendes Kundenkonto, was den Eindruck einer glaubwürdigen Transaktion erwecken kann. KI kann helfen, ungewöhnliche Logins, Adressänderungen, plötzliche Verhaltensänderungen, Versuche zur Bestellung mit anderen Lieferdaten oder Nutzung des Kontos in einer Weise zu erkennen, die von der Kundenhistorie abweicht.

Der dritte Bereich sind Bots und Automatisierung von Missbrauch. Bots können Rabattcodes testen, Konten erstellen, Produktverfügbarkeit prüfen, limitierte Waren aufkaufen, Fake-Bestellungen aufgeben oder das System überlasten. In solchen Fällen kann die Analyse von Nutzerverhalten, Häufigkeit der Aktionen, Wiederholbarkeit von Sequenzen und technischen Signalen deutlich wirksamer sein als einfache Sperren nach IP-Adresse.

Der vierte Bereich sind Retouren- und Reklamationsmissbrauch. In einigen Branchen, insbesondere Fashion, Elektronik, Beauty, Premium-Produkten und Marketplace, können Retouren ein erheblicher operativer Kostenfaktor sein. KI kann die Analyse von Retourenmustern, Reklamationshäufigkeit, Produktkategorien, Kundenverhalten und ungewöhnlichen Verbindungen zwischen Bestellungen unterstützen. Ziel ist nicht, Kunden für die Nutzung ihres Rückgaberechts zu bestrafen, sondern Missbrauch zu erkennen, der wiederholbar und kostenintensiv ist.

Der fünfte Bereich ist Promotionsmissbrauch. Auf den ersten Blick kann er weniger gefährlich erscheinen als Zahlungsbetrug, aber bei großer Skalierung kann er die Marge erheblich senken. Wenn Nutzer massenhaft Konten anlegen, Promotions auf unvorhergesehene Weise kombinieren, Lücken in Rabattregeln nutzen oder Codes automatisch testen, verliert das Unternehmen die Kontrolle über die Rentabilität der Kampagne. KI kann helfen, solche Verhaltensweisen zu erkennen, aber genauso wichtig ist die richtige Gestaltung von Promotionsregeln.

Der sechste Bereich ist Fraud im B2B-Vertrieb. Hier besteht das Risiko nicht immer in einer einzelnen verdächtigen Bestellung. Es kann die falsche Nutzung von Limits, Änderungen in der Nutzerstruktur, Bestellungen durch unbefugte Personen, Versuche zur Umgehung des Freigabeprozesses, Missbrauch bei Angebotsanfragen oder ungewöhnliche Nutzung individueller Handelsbedingungen betreffen. In einem solchen Modell kann KI die Erkennung von Anomalien unterstützen, muss aber in die Logik von Rollen, Berechtigungen, Preisen, Limits und Workflow des Geschäftskunden eingebettet sein.

Daten als Fundament wirksamer Betrugserkennung

KI ist so gut wie die Daten, mit denen sie arbeitet. Dieser Satz mag banal klingen, hat im E-Commerce aber sehr konkrete Konsequenzen. Wenn Daten verstreut, inkonsistent, veraltet oder unvollständig sind, bewertet das KI-System Risiko auf Basis von Fragmenten der Realität. Es sieht möglicherweise nicht die vollständige Kundenhistorie, Informationen zu Retouren, Daten aus dem Marketplace, aktuelle Zahlungsstatus, Änderungen von Lieferadressen oder den B2B-Kontext.

Deshalb sollte die Implementierung von KI zur Betrugserkennung mit Datenmapping beginnen. Welche Daten sind in Shopware verfügbar? Welche kommen vom Zahlungsdienstleister? Was befindet sich im ERP? Wo wird die Bestellhistorie gespeichert? Enthält CRM Informationen über die Kundenbeziehung? Bestätigt WMS Abwicklungs- und Retourenstatus? Gelangen Marketplace-Daten in das zentrale System? Hat das Unternehmen eine Kundenkennung über Kanäle hinweg?

Ohne Antworten auf diese Fragen ist es leicht, ein Tool zu implementieren, das nur punktuell arbeitet. Es kann Zahlungen gut analysieren, aber die Retourenhistorie nicht sehen. Es kann die Lieferadresse bewerten, aber die Beziehung des B2B-Kunden zum Vertriebsmitarbeiter nicht kennen. Es kann ungewöhnliches Verhalten markieren, aber nicht verstehen, dass es aus einer Saisonkampagne oder dem Eintritt in einen neuen Markt resultiert.

Bei CREHLER betrachten wir Fraud Detection als Element der Datenarchitektur. Zuerst muss bestimmt werden, welche Systeme die Quelle der Wahrheit sind, wie Informationen fließen, wo Ereignisse entstehen, wie Status aktualisiert werden und welche Daten für Risikoscoring genutzt werden können. Erst danach kann entschieden werden, welches KI-Tool am meisten Sinn ergibt.

In Projekten auf Basis von Shopware ist besonders wichtig, Daten aus Checkout, Bestellungen, Kunden, Zahlungen, Vertriebskanälen, Regeln, Status und Integrationen zu verbinden. Shopware kann das zentrale Element dieses Prozesses sein, aber die Wirksamkeit hängt davon ab, ob die Plattform richtig mit den übrigen Systemen des Unternehmens verbunden ist.

Shopware als Teil des Sicherheitsökosystems

Shopware sollte nicht als eigenständiges, natives KI-System zur Betrugserkennung dargestellt werden, das automatisch alle Sicherheitsprobleme löst. Deutlich präziser und glaubwürdiger ist ein Ansatz, in dem Shopware eine flexible E-Commerce-Plattform darstellt, die mit Antifraud-Tools, Zahlungssystemen, KI-Lösungen, ERP, PIM, WMS, CRM und anderen Elementen des Ökosystems integriert werden kann.

Diese Unterscheidung ist wichtig. Im modernen E-Commerce ist Sicherheit selten eine einzelne Funktion im Administrationspanel. Sie ist das Ergebnis eines gut gestalteten Datenflusses und von Automatisierung zwischen Systemen. Shopware als API-first-Plattform bietet Integrationsmöglichkeiten, die den Aufbau eines solchen Modells erlauben. Der Shop kann mit Zahlungsdienstleistern, Risk-Scoring-Tools, Systemen zur Transaktionsüberwachung, Prozessautomatisierung und internen Systemen des Unternehmens verbunden werden.

In der Praxis kann Shopware auf mehreren Ebenen am Fraud-Detection-Prozess teilnehmen. Erstens als Quelle von Daten über Bestellung, Kunde, Warenkorb, Vertriebskanal, Liefermethode, Zahlung und Status. Zweitens als System, in dem bestimmte Aktionen nach Erhalt von Risikoinformationen gestartet werden können. Drittens als Schicht, die über Integrationen mit externen Antifraud- und Zahlungstools kommuniziert. Viertens als Teil einer größeren Architektur, in der Entscheidungen über Bestellabwicklung, Zahlung, Sperre, Verifizierung oder Statusänderung kontrolliert getroffen werden.

Rule Builder und Flow Builder können die Automatisierung von Geschäftsprozessen unterstützen, obwohl sie nicht mit einer KI-Engine verwechselt werden sollten. Sie können jedoch helfen, Regeln und Reaktionen auf bestimmte Ereignisse zu erstellen. Beispielsweise kann ein Unternehmen Prozesse gestalten, in denen bestimmte Bestelltypen eine zusätzliche Prüfung erfordern, konkrete Ereignisse eine Benachrichtigung auslösen und eine Änderung des Zahlungs- oder Bestellstatus eine weitere Aktion auslöst. In Kombination mit externem Risikoscoring können solche Mechanismen einen praktischen Antifraud-Prozess schaffen.

Shopware kann auch mit Zahlungsdienstleistern zusammenarbeiten, die eigene Mechanismen zur Risikoerkennung besitzen. In einem solchen Modell findet ein Teil der Analyse auf Seiten des Payment Providers statt, während Shopware den Checkout-Prozess, Status, Bestellungen und Integration mit weiteren Systemen bedient. Für das Unternehmen ist wichtig, dass diese Elemente klar verbunden sind: Das Team sollte wissen, warum die Bestellung markiert wurde, welchen Status die Zahlung hat, ob die Ware versendet werden sollte, ob eine manuelle Verifizierung nötig ist und wie eine solche Entscheidung ins ERP oder WMS gelangt.

KI in Zahlungen: Sicherheit ohne unnötige Reibung

Zahlungen sind einer der sensibelsten Orte im E-Commerce. Hier treffen Sicherheit, Conversion, Regulierung, Kundenerlebnis und finanzielles Risiko aufeinander. Einerseits muss der Shop sich vor Betrug schützen. Andererseits darf er ehrlichen Kunden den Kauf nicht übermäßig erschweren. Jeder zusätzliche Schritt im Checkout kann Conversion senken, aber zu wenige Sicherungen können Verluste erhöhen.

In Europa ist ein wichtiges Element dieses Bereichs die starke Kundenauthentifizierung im Zusammenhang mit PSD2-Regulierungen. In der Praxis bedeutet das, dass ein Teil der Online-Transaktionen eine zusätzliche Bestätigung der Identität des Nutzers erfordert. Das erhöht die Zahlungssicherheit, verlangt aber zugleich, dass der Checkout so gestaltet wird, dass der Prozess möglichst flüssig ist.

KI kann diesen Bereich durch die Bewertung des Transaktionsrisikos und bessere Differenzierung des Sicherheitsniveaus unterstützen. Nicht jede Transaktion hat dasselbe Risiko. Ein Stammkunde, der ein Produkt kauft, das mit seiner Verhaltenshistorie übereinstimmt, kann einen anderen Ansatz erfordern als ein neues Konto, das eine ungewöhnliche Bestellung mit hohem Wert aufgibt. Dank Risikoanalyse kann das Unternehmen Reibung dort begrenzen, wo sie unnötig ist, und Kontrolle dort verstärken, wo das Risiko höher ist.

Das ist eine wichtige Veränderung im Denken. Sicherheit sollte nicht darin bestehen, jede Transaktion maximal zu erschweren. Sie sollte darin bestehen, das Kontrollniveau intelligent an das Risiko anzupassen. KI, Payment-Risk-Scoring-Systeme, 3D Secure, Zahlungsdienstleister und ein gut gestalteter Checkout können gemeinsam ein Modell schaffen, in dem Schutz und Conversion keine Gegensätze sind.

In Shopware-Projekten muss man Zahlungen daher nicht nur als Liste der im Checkout verfügbaren Methoden betrachten, sondern als Teil der Sicherheitsarchitektur. Welche Zahlungsmethoden sind für konkrete Märkte verfügbar? Wie werden Transaktionsstatus bedient? Wie reagiert das System auf Ablehnung der Zahlung? Wie gelangen Risikodaten zur Bestellung? Sieht das Team den Grund für das Aussetzen der Abwicklung? Erhalten ERP und WMS den richtigen Status? Diese Fragen sind ebenso wichtig wie die Integration des Payment Providers selbst.

Fraud Detection im B2B erfordert einen anderen Ansatz als im B2C

Im B2C konzentriert sich Fraud häufig auf Zahlungen, Kundenkonten, Lieferungen, Promotions und Retouren. Im B2B hat Risiko einen stärker prozessbezogenen Charakter. Ein Geschäftskunde kann viele Nutzer, unterschiedliche Rollen, Limits, Freigabeprozesse, individuelle Preise, Handelsbedingungen, Zahlungsziele und eine Beziehung zum Vertriebsmitarbeiter haben. Das bedeutet, dass Fraud Detection im B2B nicht nur die Transaktion berücksichtigen muss, sondern auch die Struktur der Kundenorganisation.

Das Beispiel ist einfach. Eine Bestellung mit hohem Wert kann in einem B2C-Shop verdächtig sein, aber im B2B vollkommen normal. Andererseits kann eine kleine Bestellung riskant sein, wenn sie von einem Nutzer aufgegeben wurde, der dazu keine Berechtigung haben sollte, oder wenn sie vom Standardfreigabeprozess des Kunden abweicht. Im B2B ist Kontext wichtiger als der Warenkorbwert selbst.

KI kann die Verhaltensanalyse im B2B unterstützen, muss aber Zugriff auf Daten über Rollen, Berechtigungen, Bestellhistorie, Limits, Preislisten, Angebotsprozesse und Kundenbeziehung haben. Ohne das bewertet sie Transaktionen zu flach. Sie kann normale Bestellungen als riskant markieren oder Situationen nicht bemerken, die aus Sicht einer bestimmten Organisation ungewöhnlich sind.

Deshalb ist es in B2B-Projekten auf Basis von Shopware wichtig, die Struktur der Kunden, Rollen, Berechtigungen, Freigabeprozesse, Einkaufslisten, Schnellbestellungen, Angebotserstellung und Integration mit ERP richtig zu gestalten. KI kann dann auf deutlich besserem Kontext arbeiten. Sie analysiert keine anonyme Transaktion, sondern ein Ereignis, das in eine Handelsbeziehung eingebettet ist.

Das ist besonders wichtig im internationalen Vertrieb, wo verschiedene Märkte unterschiedliche Handelsbedingungen, unterschiedliche Risikoniveaus, unterschiedliche Zahlungsmethoden, unterschiedliche Regulierungen und unterschiedliche Kundenerwartungen haben können. Fraud Detection im B2B sollte daher als Teil des gesamten Vertriebsmodells gestaltet werden und nicht als universelle Antifraud-Schicht.

Automatisierung der Reaktion: was nach der Erkennung eines Risikos passieren sollte

Die Erkennung einer verdächtigen Transaktion allein reicht nicht aus. Das Unternehmen muss wissen, was danach passiert. Das ist eines der am häufigsten übersehenen Elemente einer Antifraud-Strategie. Das System kann eine Bestellung als riskant markieren, aber wenn kein Prozess zur Bearbeitung eines solchen Ereignisses existiert, wird das Team weiterhin manuell und chaotisch arbeiten.

Ein gut gestalteter Prozess sollte festlegen, welche Aktionen abhängig vom Risikoniveau folgen. Bestellungen mit niedrigem Risiko können automatisch zur Abwicklung weitergeleitet werden. Bestellungen mit mittlerem Risiko können eine zusätzliche Überprüfung durch das Team erfordern. Bestellungen mit hohem Risiko können angehalten, an den Kundenkontakt weitergeleitet, im ERP markiert, vor dem Versand gesperrt werden oder eine Änderung der Zahlungsmethode erfordern.

Wichtig ist auch, wer die Entscheidung trifft und wo sie sichtbar ist. Sieht der Customer Service den Grund der Verifizierung? Weiß das Lager, dass die Bestellung noch nicht versendet werden sollte? Erhält ERP den richtigen Status? Bekommt der B2B-Vertriebsmitarbeiter eine Benachrichtigung? Erhält der Kunde eine Nachricht, die keine unnötige Sorge auslöst? Wird die Entscheidung gespeichert, damit später die Wirksamkeit des Prozesses analysiert werden kann?

In Shopware kann Automatisierung durch Flow Builder, Status, Integrationen, Webhooks und mit Bestellungen verbundene Prozesse unterstützt werden. In fortgeschritteneren Projekten kann Shopware mit einem externen Antifraud-System verbunden werden, das Risikoscoring zurückgibt, und dieses Ergebnis anschließend im Prozess der Bestellabwicklung genutzt werden. Eine solche Architektur erlaubt den Übergang von bloßer Risikoerkennung zu echtem Risikomanagement.

Genau hier ist die Rolle des Technologiepartners besonders wichtig. Ein KI-Tool kann auf das Problem hinweisen, aber erst ein gut gestalteter Prozess sorgt dafür, dass das Unternehmen wirksam, schnell und ohne unnötige Auswirkungen auf ehrliche Kunden reagieren kann.

Reduktion von Fehlalarmen als Element des Conversion-Wachstums

In Gesprächen über Fraud Detection wird sehr häufig über das Blockieren von Betrug gesprochen, aber seltener darüber, wie viel Verkauf durch zu restriktive Sicherheitsmaßnahmen verloren gehen kann. Dabei sind Fehlalarme ein reales Geschäftsproblem. Wenn das System zu viele Transaktionen als verdächtig markiert, verzögert das Unternehmen die Bestellabwicklung, erhöht die Belastung des Teams und verschlechtert das Erlebnis von Kunden, die nichts falsch gemacht haben.

Für den ehrlichen Kunden ist eine Transaktionssperre oft unverständlich. Er weiß möglicherweise nicht, warum seine Bestellung angehalten wurde, warum er eine zusätzliche Verifizierung durchlaufen muss oder warum die Zahlung abgelehnt wurde. Im B2C kann das zum Kaufabbruch führen. Im B2B kann es einen Anruf beim Vertriebsmitarbeiter, die Rückkehr zu E-Mails und Vertrauensverlust in die Plattform bedeuten.

KI kann helfen, Fehlalarme zu reduzieren, weil sie einen breiteren Kontext analysiert. Anstatt jede Bestellung zu blockieren, die eine Bedingung erfüllt, kann sie die gesamte Situation bewerten. Dadurch kann der Shop reales Risiko präziser von ungewöhnlichen, aber ehrlichen Kundenverhalten trennen.

Das hat direkten Einfluss auf Conversion. Ein gut gestaltetes Antifraud-System sollte für die meisten ehrlichen Kunden nicht sichtbar sein. Es sollte im Hintergrund arbeiten, Kontrolle dort verstärken, wo sie benötigt wird, und dort nicht stören, wo das Risiko gering ist. In der Praxis sollte die Wirksamkeit von Fraud Detection nicht nur an der Anzahl blockierter Betrugsversuche gemessen werden, sondern auch an der Anzahl von Fehlalarmen, der Verifizierungszeit und dem Einfluss auf den Kaufabschluss.

Compliance, Privatsphäre und verantwortungsvolle Nutzung von KI

Betrugserkennung erfordert Datenanalyse, und das bedeutet Verantwortung. Das Unternehmen muss für Übereinstimmung mit Vorschriften, Schutz personenbezogener Daten, Transparenz der Prozesse und Begrenzung des Datenumfangs auf das tatsächlich Notwendige sorgen. Im Kontext der Europäischen Union haben DSGVO, Zahlungsregulierungen, starke Kundenauthentifizierung und Regeln zur Datenverarbeitung besondere Bedeutung.

KI in Fraud Detection sollte nicht als unkontrollierter Mechanismus zur Bewertung von Kunden implementiert werden. Das Unternehmen sollte wissen, welche Daten genutzt werden, zu welchem Zweck, durch welches System, auf welcher Grundlage und wie lange sie gespeichert werden. Es sollte auch verstehen, ob Entscheidungen vollautomatisch sind oder den Menschen unterstützen. In sensiblen Bereichen lohnt es sich, Prozesse so zu gestalten, dass Überprüfung von Entscheidungen, Fehleranalyse und Korrektur von Regeln möglich sind.

In der Praxis bedeutet verantwortungsvolle KI-Implementierung mehrere Dinge. Erstens sollten Daten auf die Bedürfnisse des Prozesses begrenzt werden. Zweitens sollte der Zugriff auf Informationen kontrolliert werden. Drittens sollte das System hinsichtlich Wirksamkeit und Fehlern überwacht werden. Viertens sollten Entscheidungen mit hoher Auswirkung auf Geschäftsebene erklärbar sein. Fünftens sollte die Kommunikation mit dem Kunden durchdacht sein, insbesondere dann, wenn eine Bestellung zusätzliche Verifizierung erfordert.

Bei CREHLER behandeln wir Compliance nicht als Hindernis, sondern als Element der Architekturqualität. Ein gut gestaltetes Antifraud-System sollte das Unternehmen schützen, darf aber das Vertrauen der Kunden nicht verletzen. Sicherheit und Privatsphäre sollten keine Gegensätze sein. Sie sollten die Glaubwürdigkeit des E-Commerce stärken.

Herausforderungen bei der Implementierung von KI in der Betrugserkennung

Die größte Herausforderung ist nicht das Anschließen des KI-Tools selbst. Die größte Herausforderung ist die Vorbereitung einer Umgebung, in der ein solches Tool Sinn ergibt. In vielen Unternehmen sind Daten zwischen Shop, ERP, Zahlungsdienstleister, Marktplatz, CRM, Tabellen und Lagersystem verstreut. Ein Teil der Prozesse ist manuell. Ein Teil der Entscheidungen hängt von der Erfahrung konkreter Personen ab. Ein Teil der Status wird nicht automatisch aktualisiert. In einer solchen Umgebung löst KI das Chaos nicht. Sie kann es nur schneller zeigen.

Die zweite Herausforderung ist Integration. Das Antifraud-System muss Daten im richtigen Moment erhalten und das Ergebnis so zurückgeben, dass die E-Commerce-Plattform reagieren kann. Wenn das Risikoscoring erst erscheint, nachdem die Bestellung an das Lager gesendet wurde, ist es zu spät. Wenn das Ergebnis nicht ins ERP gelangt, kann das operative Team es nicht sehen. Wenn Customer Service keinen Zugriff auf die Information hat, wird er dem Kunden die Situation nicht erklären können.

Die dritte Herausforderung ist die Wahl des Automatisierungsniveaus. Nicht jedes Unternehmen sollte sofort automatisch Bestellungen mit hohem Risiko blockieren. In manchen Fällen ist das Markieren von Bestellungen und manuelle Verifizierung besser. In anderen können Entscheidungen schrittweise automatisiert werden, wenn das System eine entsprechende Wirksamkeit erreicht. Die sichersten Implementierungen beginnen häufig mit einem entscheidungsunterstützenden Modell und gehen erst später zu größerer Automatisierung über.

Die vierte Herausforderung ist Wartung. Fraud verändert sich. Modelle erfordern Monitoring. Regeln erfordern Überprüfung. Das Team muss Fehlalarme, Wirksamkeit der Erkennung und neue Missbrauchsszenarien analysieren. Die Implementierung von KI ist kein einmaliges Projekt, das das Sicherheitsthema abschließt. Es ist ein Prozess kontinuierlicher Verbesserung.

Die fünfte Herausforderung ist Kommunikation zwischen Business und Technologie. Das E-Commerce-Team weiß, wo Probleme auftreten. Customer Service kennt wiederkehrende Kundenfälle. Das Lager sieht Abwicklungsfehler. Finanzen beobachten Chargebacks und Zahlungen. IT versteht Integrationen. Erst die Verbindung dieser Perspektiven erlaubt, ein wirksames Antifraud-System zu gestalten.

Wie man die Implementierung von AI Fraud Detection in einem auf Shopware basierenden Shop plant

Der erste Schritt sollte ein Risikoaudit sein. Das Unternehmen muss verstehen, wo es real Geld, Zeit oder Kontrolle verliert. Sind Chargebacks das Problem? Kontoübernahmen? Retourenmissbrauch? Bots? Promotions? Fake-Konten? B2B-Bestellungen außerhalb des Freigabeprozesses? Oder ist der größte Kostenfaktor nicht der Betrug selbst, sondern die manuelle Bearbeitung verdächtiger Bestellungen?

Der zweite Schritt ist eine Datenkarte. Es muss bestimmt werden, welche Daten zur Risikobewertung benötigt werden und wo sie sich befinden. In Shopware können Daten zu Bestellungen, Kunden, Warenkorb, Vertriebskanälen, Zahlungen, Status und Regeln verfügbar sein. ERP kann Preise, Limits und Handelshistorie speichern. WMS kann Abwicklung und Retouren bestätigen. CRM kann Informationen zur Kundenbeziehung enthalten. Der Zahlungsdienstleister kann Transaktionsscoring liefern. Erst die Verbindung dieser Daten gibt ein vollständigeres Bild.

Der dritte Schritt ist die Wahl des Arbeitsmodells. Das Unternehmen sollte festlegen, ob KI als Scoring-System, automatischer Blocker, Tool zur Priorisierung von Verifizierung, System zur Anomalieerkennung oder Element einer größeren Risk-Management-Plattform wirken soll. Jedes Modell hat andere Konsequenzen für Prozesse, Team und Integrationen.

Der vierte Schritt ist die Gestaltung der Reaktion. Was passiert mit Bestellungen mit niedrigem, mittlerem und hohem Risiko? Wann erhält der Kunde eine Nachricht? Wann gelangt die Bestellung ins ERP? Wann kann das Lager sie realisieren? Wer sieht den Alert? Wie lange dauert die Verifizierung? Wie wird die Entscheidung gespeichert? Wie lernt das Team das System auf Basis der Ergebnisse?

Der fünfte Schritt ist die technische Implementierung. Je nach gewählter Lösung kann sie die Integration von Shopware mit einem Antifraud-Tool, Zahlungsdienstleister, ERP, WMS, CRM, Webhooks, Statusautomatisierung, Flow Builder, Panels für das Team und Reporting umfassen. An dieser Stelle ist die Erfahrung eines Integrators entscheidend, der nicht nur Shopware versteht, sondern auch Geschäftsprozesse und technische Abhängigkeiten zwischen Systemen.

Der sechste Schritt ist Messung und Optimierung. Nach der Implementierung muss die Wirksamkeit analysiert werden: wie viele Bestellungen markiert wurden, wie viele Fraud waren, wie viele Fehlalarme es gab, wie sich die Verifizierungszeit verändert hat, wie sich Conversion verändert hat, ob die Zahl der Chargebacks gesunken ist, ob das Team weniger manuelle Arbeit hat und ob das System gute Kunden nicht unnötig blockiert.

Die Rolle von CREHLER: AI Fraud Detection als Teil der E-Commerce-Architektur

Bei CREHLER betrachten wir KI in der Betrugserkennung nicht als einzelnes Modul zum Anschließen. Wir betrachten diesen Bereich als Teil der E-Commerce-Architektur, in der Daten, Integrationen, Prozesse, Automatisierung, Sicherheit und Kundenerlebnis Bedeutung haben. Dieser Ansatz ist besonders wichtig in Shopware-Projekten, in denen die Vertriebsplattform häufig viele Märkte, Kanäle, Systeme und Geschäftsszenarien verbindet.

Unsere Rolle besteht darin, dem Unternehmen zu helfen zu verstehen, wo Risiko real entsteht und wie es reduziert werden kann, ohne Verkauf zu blockieren. Wir analysieren Kaufprozess, Checkout, Zahlungen, Kundenkonten, Bestellungen, Retouren, Promotions, B2B-Rollen, Integrationen mit ERP, PIM, WMS und CRM sowie den Datenfluss zwischen Systemen. Erst auf dieser Grundlage kann entschieden werden, welches KI- oder Antifraud-Tool Sinn ergibt und wie es in das Ökosystem eingebunden werden sollte.

In der Praxis kann ein wirksames Projekt die Integration von Shopware mit einem Payment-Risk-Scoring-System, einem Antifraud-Tool, Automatisierung von Bestellstatus, einem manuellen Verifizierungsprozess, Reporting und Kommunikation mit ERP und WMS umfassen. Es kann auch die Ordnung von Daten, Änderung der Promotionslogik, Begrenzung von Missbrauch in Kundenkonten, bessere Retourenbearbeitung oder Gestaltung von Sicherheitsregeln für B2B umfassen.

Am wichtigsten ist, dass das Unternehmen KI nicht losgelöst von seinem Vertriebsmodell implementiert. Anders sieht der Schutz eines B2C-Shops mit großem Traffic und hoher Anzahl an Transaktionen aus. Anders ein Marketplace. Anders ein Premium-Shop mit hohem Warenkorbwert. Anders B2B mit individuellen Preislisten, Limits und Zahlungszielen. Anders internationaler Vertrieb mit vielen Währungen, Zahlungsmethoden und Lagern. KI muss an diesen Kontext angepasst werden.

KI schützt den Shop, wenn sie Teil eines gut gestalteten Systems ist

Künstliche Intelligenz kann die Sicherheit von Onlineshops deutlich erhöhen. Sie kann Daten in Echtzeit analysieren, Anomalien erkennen, Transaktionsrisiko bewerten, Fehlalarme reduzieren, den Schutz von Nutzerkonten unterstützen, im Kampf gegen Bots helfen, Promotionsmissbrauch erkennen und die Arbeit des Teams strukturieren. Sie kann auch die Einhaltung von Vorschriften unterstützen und Sicherheit besser mit Conversion ausbalancieren.

Sie ist jedoch keine Lösung, die in einem Vakuum wirksam funktioniert. KI braucht Daten, Integrationen, Prozesse, klare Geschäftsentscheidungen und verantwortungsvolle Implementierung. Ohne das kann sie zu einem weiteren Tool werden, das Alerts generiert, aber das reale Sicherheitsniveau nicht verändert.

Deshalb sollten Unternehmen, die E-Commerce entwickeln, strategisch auf Fraud Detection schauen. Nicht als Kosten, die nach dem ersten Problem getragen werden müssen, sondern als Element reifer Vertriebsarchitektur. Mit dem Wachstum der Skalierung des Shops, der Zahl der Kanäle, Märkte, Kunden und Bestellungen wächst auch der Bedarf an Automatisierung der Risikokontrolle.

Shopware gibt ein flexibles Fundament zum Aufbau eines solchen Ökosystems, besonders dann, wenn es mit Blick auf Integrationen, Automatisierung und Skalierung implementiert wird. CREHLER hilft, diese Architektur so zu gestalten, dass Sicherheit kein Zusatz zum Shop ist, sondern Teil des gesamten Onlinevertriebsprozesses.

Wenn ein Unternehmen seinen Onlineshop wirksam vor Betrug schützen möchte, sollte es nicht mit der Frage beginnen, welches KI-Tool es kaufen soll, sondern mit der Frage, ob seine Daten, Prozesse und Integrationen für intelligentes Risikomanagement bereit sind. Genau dort beginnt der Unterschied zwischen einer einfachen Reaktion auf Fraud und einem System, das Business, Kunden und die weitere Entwicklung des E-Commerce wirklich schützt.