So vermeiden Sie Betrug
So funktioniert's
Benutzerdefinierte Ingame-Parameter, die im Token übermittelt werden, ermöglichen es dem Anti-Fraud System (AFS), die Transaktionsdaten von Nutzern zusammenzufassen. Anhand von Informationen wie dem Registrierungsdatum, dem Datum der letzten Passwortänderung, der Gesamtsumme der geleisteten Zahlungen oder der Dauer der Spielsitzung werden Betrüger von legitimen Nutzern bestmöglich unterschieden. Je mehr Daten über Nutzergeräte und Verhaltensmuster Sie Xsolla zur Verfügung stellen, desto besser kann das AFS seine Filter anpassen und betrügerische Aktivitäten in den einzelnen Nutzergruppen und in Ihren Projekten erkennen.
Wenden Sie sich an Ihren Customer Success Manager oder senden Sie eine E-Mail an csm@xsolla.com, um benutzerdefinierte Parameter hinzuzufügen.
Beispiele:
- Bei Rückbuchungsstreitigkeiten können das Registrierungsdatum, die Gesamtspielzeit und das Level des Nutzers im Spiel herangezogen werden, um die typischen Aktivitäten des Nutzers zu ermitteln und potenziell betrügerisches Verhalten zu erkennen.
- Das Datum der letztmaligen Anmeldung und der letztmaligen Passwortänderung sind hilfreich, um gehackte Konten zu identifizieren.
Empfohlene Parameter
Wir empfehlen, die folgenden zusätzlichen Parameter im Objekt custom_parameters des Tokens zu übermitteln:
| Parameter | Typ | Beschreibung |
|---|---|---|
registration_date | string | Datum der Kontoerstellung gemäß ISO 8601. |
last_change_password_date | string | Datum der letzten Passwortänderung; Datumsangabe gemäß ISO 8601. |
total_sum | float | Gesamtsumme der Zahlungen. |
unlocked_achievements | integer | Anzahl der freigeschalteten Errungenschaften. |
user_level | integer | Level, Ansehen oder Rang des Spielers. |
pvp_activity | boolean | Ob der Spieler an PvP-Schlachten (Player versus Player) teilnimmt. |
total_bans | integer | Wie oft der Spieler im Chat/Forum gesperrt wurde. |
total_friends | integer | Anzahl der Freunde. |
session_time | string | Durchschnittliche Sitzungsdauer, Angabe gemäß ISO 8601. |
Anwendungsfall
Das in diesem Abschnitt beschriebene Beispiel veranschaulicht, wie das AFS die Zahl der Betrugsfälle deutlich reduziert.
Ende Mai 2022 wurde ein neues Spiel veröffentlicht. Unmittelbar nach dem Verkaufsstart identifizierte das AFS eine beträchtliche Anzahl von Betrügern in dem Projekt: Bis zum Ende des ersten Monats nach Release erreichte die Betrugsrate 4,5 %.
Monatliche Entwicklung der Betrugsrate:
Um die Betrugsrate auf akzeptable 0,1–0,3 % zu senken, legten wir das AFS in diesem Projekt streng aus. Infolgedessen sank die Akzeptanzrate von 96 % auf 81,7 % im Monatsvergleich und an manchen Tagen sogar auf 70 %. Dieses Zahlen deuteten darauf hin, dass mehr Nutzer einer zusätzlichen Prüfung unterzogen wurden und Schwierigkeiten hatten, Zahlungen vorzunehmen, insbesondere wenn deren Zahlungsparameter und Verhaltensmuster betrügerischen Handlungen ähnelten.
Monatliche Entwicklung der Akzeptanzrate:
Um die Betrugsabwehr weiter zu verbessern, wurde vereinbart, die folgenden Ingame-Parameter über die Nutzer an das AFS weiterzuleiten:
- Spielzeit insgesamt (
total_hours) - Level des Nutzers im Spiel (
user_level) - Wie viele Spielcharaktere der Nutzer hat (
total_characters)
Anhand der zur Verfügung gestellten Daten haben wir die AFS-Filterparameter zwischen dem 20. und 22. Juli angepasst, wie in dem folgenden Diagramm dargestellt. Dies führte zu einem Anstieg der täglichen Akzeptanzrate um etwa 15 %, von 71,4 % auf 86 %. Außerdem sank die Zahl der betrügerischen Transaktionen von 4,5 % auf akzeptable 0,14 % und blieb in den folgenden Monaten auf diesem Niveau.
Tägliche Entwicklung der Akzeptanzrate:
Haben Sie einen Tippfehler oder einen anderen Textfehler gefunden? Wählen Sie den Text aus und drücken Sie Strg+Eingabe.
