Ein Programm in drei Phasen für einen B2B-E-Commerce-Anbieter: zersplitterte, regelbasierte Betrugserkennung durch ML-Scoring ersetzen, mit intelligenten Kreditlimits den Umsatz wertvoller Kunden freisetzen und schließlich die verbliebene Prüfqueue mit einem Multi-Agenten-System abarbeiten.
Ein großer europäischer B2B-E-Commerce-Anbieter steigerte sein Transaktionsvolumen in 12 Märkten. Die Betrugserkennung war Land für Land entstanden – jeder Markt hatte eigene Regeln, geschrieben von dem Analysten oder Engineer, der das Thema vor Ort gerade verantwortete. Es gab keine gemeinsame Logik, keinen einheitlichen Standard und keine systematische Prüfung, ob eine Regel überhaupt noch etwas brachte. Die Regelwerke waren so groß geworden, dass sich die Wirkung einzelner Regeln praktisch nicht mehr überwachen ließ.
Auch die Kreditlimits folgten diesem regelbasierten Ansatz – grobe Schwellenwerte, die eine wirklich riskante Bestellung nicht von einer großen Bestellung eines verlässlichen Kunden unterscheiden konnten. Das Ergebnis: Das System markierte zu viele legitime Transaktionen und schützte trotzdem nicht zuverlässig vor echtem Betrug.
Das Regelwerk schickte über 20 % aller Bestellungen in die manuelle Prüfung – mehr, als das Operations-Team dauerhaft bewältigen konnte. Der Rückstau verzögerte Auftragsabwicklung und Versand und verschlechterte das Einkaufserlebnis für Kunden, die in den meisten Fällen völlig legitim bestellt hatten.
Das zweite Problem lag noch vor dem Betrug: Dieselbe vorsichtige Risikologik setzte die Kreditlimits für wertvolle Kunden zu niedrig an. Gerade diese Käufer – das wirtschaftlich wichtigste Segment – konnten nicht in den gewünschten Mengen bestellen oder wanderten ganz ab. Das Unternehmen verlor Umsatz nicht durch Betrug, sondern durch zu viel Vorsicht.
Zwei Phasen – erst der operative Engpass, dann der Umsatz.
Wir haben die zersplitterten Länder-Regelwerke durch ein einheitliches ML-System zur Betrugserkennung ersetzt, das in allen 12 Märkten gleich arbeitet. Jede Bestellung wird beim Eingang bewertet: Eindeutig legitime Transaktionen laufen automatisch durch, nur wirklich auffällige erreichen das Prüfteam.
Nachdem der Prüfrückstau abgebaut war, ging es um den gebremsten Umsatz. Das regelbasierte Kreditmodell wurde durch eines ersetzt, das einen wertvollen Kunden mit geringem Risiko von einer wirklich riskanten Bestellung unterscheidet – was starre Schwellenwerte nicht leisten können.
Die verbliebene manuelle Prüfqueue – Bestellungen, die das ML-Modell als unsicher einstufte – blieb ein menschlicher Engpass. In Phase 3 haben wir ein Multi-Agenten-System eingeführt, das diese Queue selbstständig abarbeitet. Jede markierte Bestellung wird von abgestimmt arbeitenden KI-Agenten untersucht: Sie sammeln Kontext, bewerten die Signale und treffen eine Entscheidung. An einen Menschen geht ein Fall nur, wenn er es wirklich erfordert.
Sprechen wir darüber, was in Ihrem konkreten Umfeld möglich ist.
Gespräch vereinbaren →