Risk-Scoring von Händlern beim Onboarding

Bewerte einen Händler beim Onboarding gleich nach zwei Fragen: Wie wahrscheinlich ist es, dass das Unternehmen dir gegenüber ausfällt, und wie wahrscheinlich ist es, dass es etwas anderes ist, als der Antrag behauptet. Das Erste ist das Kredit- und Chargeback-Exposure. Das Zweite ist Betrug und Geldwäsche. Beides muss geklärt sein, bevor die erste Transaktion durchläuft, denn danach fließt das Geld und der Acquirer trägt das Restrisiko.

Das ist der heikle Teil des Merchant Underwriting. Du triffst eine Entscheidung, die über Monate an Settlement-Exposure bestimmt, und zwar auf Basis eines Antragsformulars, einer Website und einer Handvoll Registerabfragen. Der Händler hat jeden Anreiz, unauffällig zu wirken. Ein Transaction Launderer reicht Unterlagen für einen Haushaltswarenshop ein und wickelt dann Kartenvolumen für etwas ab, das keine Acquiring-Bank wissentlich onboarden würde. Der Onboarding-Score ist der eine Punkt, an dem du das abfangen kannst, bevor das Exposure überhaupt existiert, und der größte Teil des benötigten Signals steckt bereits in Daten, die du ohnehin für KYB ziehst.

Was der Score tatsächlich vorhersagt

Teile das Ziel auf, denn ein einzelnes “Risiko”-Label verdeckt zwei völlig unterschiedliche Ökonomien. Übermäßige Chargebacks kosten dich Rückerstattungen, Scheme-Strafen und irgendwann ein Monitoring-Programm. Geldwäsche und Betrug kosten dich deutlich mehr und bringen deine Acquiring-Lizenz ins Gespräch. Ein Händler kann beim einen niedrig und beim anderen hoch sein, und die Maßnahmen unterscheiden sich, deshalb trainieren und kalibrieren wir sie getrennt, selbst wenn sie sich Features teilen.

Die Definitionen der Labels sind wichtiger als der Algorithmus. Wir legen ein Beobachtungsfenster und ein Performance-Fenster vorab fest:

• Chargeback-Risiko: Wahrscheinlichkeit, dass der Händler innerhalb von, sagen wir, den ersten sechs Monaten im Processing einen Dispute-Ratio-Schwellenwert überschreitet.
• Geldwäsche-Risiko: Wahrscheinlichkeit, dass der Traffic des Händlers Anzeichen von Transaction Laundering oder eines falsch angegebenen MCC zeigt, gemessen an bestätigten Fällen und abgeschlossenen Ermittlungen.
• Kredit- und Settlement-Risiko: Wahrscheinlichkeit eines negativen Saldos, den der Händler nicht decken kann, was vor allem dort zählt, wo du verzögertes Settlement oder Reserven anbietest.

Jedes Label stammt aus einem Ergebnis, das zum Zeitpunkt des Antrags nicht bekannt sein konnte. Wenn du hier schlampst, baust du ein Modell, das im Backtest wunderbar aussieht und in der Produktion stirbt, weil es aus der Zukunft gelernt hat. Point-in-Time Correctness ist hier das ganze Spiel. Ein Feature, das heimlich in die späteren Chargebacks eines Händlers spitzt, verwandelt deine Evaluation in eine Fiktion.

Die Daten, und wo es schiefgeht

Die meisten Onboarding-Features fallen in vier Gruppen, und jede hat einen Failure Mode, den man benennen sollte.

• Register und KYB: Gründungsdatum, Geschäftsführer, Eigentümerkette, Meldehistorie, Sanktions- und PEP-Treffer. Die Falle ist Entity Resolution. Derselbe Geschäftsführer steht hinter drei zuvor terminierten Händlern unter leicht abweichenden Namensschreibweisen, und wenn dein Matching naiv ist, verbindest du sie nie. Die Entität zu einer stabilen Identität aufzulösen ist der Punkt, an dem sich diese Daten bezahlt machen.
• Antragsmerkmale: MCC, erwartetes Monatsvolumen, durchschnittlicher Ticket-Betrag, Rückgaberichtlinie, Lieferzeitraum. Selbst angegeben und daher adversarial. Das nützliche Signal steckt meist in der Diskrepanz, nicht im Wert selbst. Ein angegebener MCC, der nicht zur Website passt, eine Ticket-Größe, die für das Segment falsch ist, ein Volumen, das ein zwei Monate altes Unternehmen gar nicht prognostizieren können sollte.
• Web und Content: was die Seite tatsächlich verkauft, ob der Checkout funktioniert, ob AGB und Kontaktdaten echt sind, ob die Domain letzte Woche registriert wurde. Das ist oft das stärkste Frühsignal für Geldwäsche, und es ist genau das, mit dem traditionelles Underwriting am schlechtesten umgeht, weil es sich nicht auf manuelle Prüfung skalieren lässt.
• Bisheriges Processing und Netzwerkverbindungen: MATCH/TMF-Einträge, geteilte Geräte, geteilte Bankkonten, geteilte wirtschaftlich Berechtigte über deinen bestehenden Bestand hinweg. Ein sauber wirkender Händler, der sich ein Settlement-Konto mit einem terminierten teilt, ist nicht sauber.

Zieh diese Daten durch eine Feature-Pipeline mit nachvollziehbarer Lineage. Wenn ein Underwriter oder ein Regulator fragt, warum ein Antrag dort gescored hat, wo er gescored hat, willst du auf den exakten Quelldatensatz und den Wert zum Antrags-Zeitstempel zeigen können, nicht auf eine Zahl, die inzwischen überschrieben wurde. Registerdaten driften, Websites ändern sich, Eigentümerstrukturen werden umgebaut. Ein Feature Store, der jeden Wert an den Entscheidungszeitpunkt pinnt, ist das, was den Audit Trail Monate später standhalten lässt, wenn der Dispute eintrifft.

Scoring, Schwellenwerte und die Prüfspur

Der Modell-Output ist eine Wahrscheinlichkeit, und eine Wahrscheinlichkeit ist keine Entscheidung. Die Entscheidung entsteht daraus, wo du die Schwellenwerte setzt, und diese Setzung ist eine Business-Entscheidung über dein False-Positive-Budget. Lehnst du zu aggressiv ab, weist du gute Händler zurück und dein Vertrieb routet um das Modell herum. Genehmigst du zu locker, tauchen die Chargebacks und Strafen zwei Quartale später auf, lange nachdem irgendjemand sie mit der Onboarding-Entscheidung in Verbindung bringt.

Also fahren wir drei Spuren aus dem kalibrierten Score:

• Straight-Through-Approval für das saubere Band, wo die erwarteten Kosten einer falschen Genehmigung unter der Reibung einer manuellen Prüfung liegen.
• Automatische Ablehnung für das klar schlechte Band, mit aufbewahrten Reason Codes.
• Manuelle Prüfung für die Mitte, geroutet an einen Underwriter, mit den wichtigsten beitragenden Features sichtbar gemacht, den Entitätsverbindungen aufgeschlüsselt und den Website-Belegen angehängt.

Kalibrierung ist das, was diesen Bändern Bedeutung verleiht. Ein roher Modell-Score von 0,8 muss ungefähr einer beobachteten Rate von 80 % entsprechen, sonst kann der Underwriter der Spur nicht trauen und das Finance-Team kann die Reserve nicht bepreisen. Wir prüfen die Kalibrierung auf einem ausgelagerten Eval-Set aus dem richtigen Zeitraum, und wir beobachten sie in der Produktion, denn der Händler-Mix driftet. Ein Modell, das auf dem Antragspool des letzten Jahres kalibriert wurde, dekalibriert leise, sobald ein neuer PSP-Partner ein anderes Segment durch die Tür bringt. Beobachte die Input-Verteilungen und die Beziehung zwischen Score und Ergebnis. Dieses Drift-Monitoring ist das, was dir sagt, dass der Score nicht mehr das bedeutet, was die Schwellenwerte annehmen, bevor dir ein Quartal voller schlechter Genehmigungen dasselbe zu höheren Kosten sagt.

Nichts davon macht den Underwriter überflüssig. Es ändert, womit er seine Zeit verbringt. Die Straight-Through-Spur räumt das Volumen ab, das nie einen Menschen brauchte, die Ablehnungsspur stoppt die offensichtlichen Fälle, und die Prüfspur kommt vorab zusammengestellt an, sodass die Person entscheidet statt sammelt. Die Reason Codes und die gepinnten Belege sind das, was dir erlaubt, eine Entscheidung später zu verteidigen, egal ob die Anfechtung von einem abgelehnten Händler, einem Scheme oder einem Prüfer kommt, der die Akte zum Quartalsende liest.