Tilores für Marktforschungsunternehmen: Betrug durch Duplikaterkennung reduzieren
Kurzfassung
- Marktforschungsunternehmen können Teilnehmerdatensätze im großen Maßstab deduplizieren, indem sie jede neue Anmeldung vor Beginn der Umfrage gegen den gesamten historischen Teilnehmerbestand prüfen.
- Tilores wurde per API an den Anmeldeprozess angebunden, sodass verdächtige Doppelkonten vor der Auszahlung zur Prüfung durch den Kundenservice markiert werden konnten.
- Die veröffentlichte Fallstudie nennt 2.000 betrügerische Doppelkonten in den ersten 24 Stunden, bis heute mehr als 7.000, 350 % ROI und einen eingesparten Arbeitstag pro Woche.
Inhaltsverzeichnis
- Kurze Antwort
- Nächster Schritt mit Tilores
- Entscheidungshilfe
- Doppelte Umfrageteilnehmer erkennen, bevor Prämien ausgezahlt werden
- API-basierte Entity Resolution für die Prüfung bei der Anmeldung nutzen
- Prüfkapazität skalieren, wenn Teilnehmerbetrug in Wellen kommt
- Deduplizierung an Betrugs-, ROI- und Prüfzeitkennzahlen messen
- Häufig gestellte Fragen
Kurze Antwort
Unternehmen deduplizieren Kundendatensätze über mehrere Systeme hinweg im großen Maßstab, indem sie jeden neuen oder geänderten Datensatz gegen den gesamten bestehenden Bestand prüfen – nicht nur gegen die jüngste Charge oder eine einzelne Support-Warteschlange. In der Tilores-Fallstudie aus der Marktforschung bestand die praktische Aufgabe darin, neue Anmeldungen von Umfrageteilnehmern gegen mehrere Millionen bestehende Teilnehmer zu prüfen, bevor die Person eine weitere bezahlte Umfrage abschließen konnte.
Tilores fügte sich als API-Prüfung in den Anmeldeprozess ein. Wurde ein verdächtiger doppelter Teilnehmer erkannt, ließ sich das Konto vor der Auszahlung zur manuellen Prüfung markieren. Damit wanderte die Betrugserkennung von der späten Aufräumarbeit im Support hin zur frühen Prävention.
Nächster Schritt mit Tilores
Wählen Sie den nächsten Schritt, der zu Ihrer Evaluierungsphase passt.
Entscheidungshilfe
| Frage | Tilores passt, wenn … | Worauf zu achten ist |
|---|---|---|
| Wo sollte die Duplikatprüfung stattfinden? | … neue Anmeldungen geprüft werden müssen, bevor die Umfrage startet oder eine Prämie ausgezahlt wird. | Behalten Sie für markierte Konten einen klar definierten Prüfschritt im Kundenservice bei, damit aus automatischer Erkennung keine automatische Auszahlungsentscheidung wird. |
| Wie viel Historie muss durchsucht werden? | … jeder neue Teilnehmerdatensatz gegen einen vollständigen historischen Bestand verglichen werden muss, einschließlich mehrerer Millionen bestehender Teilnehmer. | Vergewissern Sie sich, dass die bei der Anmeldung verfügbaren Kennungen und Teilnehmermerkmale genau jene Felder sind, mit denen Ihr Team eine Betrugsprüfung durchführen möchte. |
| Was passiert, wenn Betrug in Wellen auftritt? | … koordinierte Anmeldespitzen die manuelle Duplikatprüfung zu langsam machen, um sie allein zu bewältigen. | Beobachten Sie die Zahl markierter Konten, die Prüfergebnisse und Rückmeldungen zu False Positives, damit der Prozess sowohl für die Betrugsprävention als auch für die Teilnehmerbetreuung nützlich bleibt. |
Doppelte Umfrageteilnehmer erkennen, bevor Prämien ausgezahlt werden
Der wertvollste Zeitpunkt für die Deduplizierung in einem bezahlten Umfrageprozess liegt vor dem Start einer weiteren bezahlten Umfrage – nicht erst, nachdem der Kundenservice den Fall bereits bearbeitet hat. Die ursprüngliche Fallstudie hält fest, dass der Kunde doppelte Umfrageteilnehmer gleich zu Beginn abfangen wollte, weil bei später Erkennung bereits Prämien ausgezahlt worden waren.
Damit wird die Deduplizierung zu einem operativen und nicht nur zu einem analytischen Problem. Ein brauchbares System muss eine Markierung schnell genug zurückgeben, damit der Anmelde- oder Prüfprozess darauf reagieren kann.
API-basierte Entity Resolution für die Prüfung bei der Anmeldung nutzen
Mit API-basierter Entity Resolution kann eine Marktforschungsplattform eine neue Teilnehmeranmeldung schon während des Anmeldeprozesses gegen den bestehenden Teilnehmerbestand vergleichen. In diesem Fall verband das Technikteam des Kunden den Anmeldeprozess mit der API von Tilores, sodass neue Konten gegen alle bestehenden Teilnehmer geprüft werden konnten.
Die Fallstudie behauptet nicht, dass jedes markierte Konto automatisch abgelehnt wird. Sie beschreibt ein sichereres Prüfmuster: Verdächtige Doppelkonten werden vor der Auszahlung für den Kundenservice markiert.
Prüfkapazität skalieren, wenn Teilnehmerbetrug in Wellen kommt
Manuelle Prüfung wird brüchig, wenn sich monatlich Zehntausende neuer Teilnehmer anmelden und Betrüger koordinierte Kontowellen erzeugen. Der ursprüngliche Artikel schildert, dass der Kunde bereits Ähnlichkeitsalgorithmen einsetzte, den Prozess aber nicht so weit automatisieren konnte, dass dem Support-Team die aufwendige Prüfung erspart blieb.
Tilores ergänzte diesen Workflow um eine skalierbare Schicht zur Duplikaterkennung. Der Kundenservice hatte weiterhin den nötigen Kontext, um eine Auszahlung abzulehnen, aber das System nahm ihm die manuelle Suche ab, indem es verdächtige Duplikate zuerst sichtbar machte.
Deduplizierung an Betrugs-, ROI- und Prüfzeitkennzahlen messen
Ein Deduplizierungsprogramm in der Marktforschung sollte an operativen Ergebnissen gemessen werden, nicht allein an isolierter Match-Genauigkeit. Diese Fallstudie nennt 2.000 betrügerische Doppelkonten in den ersten 24 Stunden, bis heute mehr als 7.000 erkannte Fälle, 350 % Return on Investment und einen Arbeitstag pro Woche, der bei der manuellen Prüfung eingespart wird.
Diese Kennzahlen sind nützlich, weil sie Identity Resolution mit Auszahlungsrisiko, Support-Aufwand und geschäftlichem Nutzen verbinden. Sie sind als Ergebnisse dieser Fallstudie für diesen Kunden zu lesen, nicht als allgemeingültiger Benchmark für jedes Marktforschungsunternehmen.
Unser Kunde* ist ein quantitativ arbeitendes Marktforschungsunternehmen, das Firmen in aller Welt mit Erkenntnissen versorgt. Mit mehreren Marken, eigener Technologie und mehreren Millionen Studienteilnehmern liefert unser Kunde objektive Ergebnisse – sowohl mit maßgeschneidertem Studiendesign als auch mit standardisierten Marktforschungsmethoden.
Betrügerische Umfrageteilnehmer
Unser Kunde bezahlt Teilnehmerinnen und Teilnehmer für die Mitwirkung an Marktforschungsumfragen und will seinen Auftraggebern naturgemäß Ergebnisse in höchster Qualität liefern.
Wegen der finanziellen Anreize für die Teilnahme versuchen manche Teilnehmer, mehrere Konten anzulegen, um wiederholt an derselben Umfrage teilzunehmen und für ein und dieselbe Umfrage mehrfach Prämien zu kassieren.
Um Betrug einzudämmen, prüfte das Kundenservice-Team des Unternehmens die Umfrageteilnehmer auf Doppelkonten. Das Technikteam entwickelte Algorithmen, die nach Ähnlichkeiten zwischen Konten suchten, doch diese ließen sich nicht automatisieren. Das Kundenservice-Team verbrachte deshalb zu viel Zeit mit der manuellen Prüfung von Konten.
Mit der wachsenden Zahl neuer Umfrageteilnehmer und dem erheblichen Zeitaufwand für die Betrugserkennung war es Zeit, nach einer skalierbaren Lösung zu suchen, die das Aufspüren doppelter Kundenkonten automatisiert.
Die Zusammenarbeit mit Tilores
„Wir wollten doppelte Umfrageteilnehmer wirklich erwischen, bevor sie mit der Umfrage beginnen. Bei unserem manuellen Prüfprozess fallen sie uns typischerweise erst später auf – und dann haben wir sie bereits bezahlt. Deshalb ist es besser, sie gleich am Anfang abzufangen. Ich war begeistert, Tilores zu finden, denn ich brauchte eine Lösung, die die Prüfung unserer Umfrageteilnehmer automatisiert. Manuell kostete das immer mehr Zeit, und es war schlicht nicht möglich, neue Konten mit unserem gesamten Bestand an bestehenden Umfrageteilnehmern abzugleichen." – Product Developer beim Kundenunternehmen.
Jeden Monat melden sich Zehntausende neuer Teilnehmer beim Unternehmen an. Innerhalb eines Tages nach der Aktivierung von Tilores wurden 2.000 betrügerische Doppelkonten erkannt.
„Für mich war es eine Überraschung, dass Tilores so schnell so viele Doppelkonten gefunden hat. Diese Duplikate hätten wir selbst nie entdecken können."
Das Technikteam unseres Kunden verband den Anmeldeprozess für Umfrageteilnehmer problemlos mit der API von Tilores, sodass neue Anmeldungen gegen alle bestehenden, mehrere Millionen umfassenden Teilnehmer geprüft werden. Wird ein doppelter Teilnehmer erkannt, lässt sich das Konto zur manuellen Prüfung durch den Kundenservice markieren, bevor eine Auszahlung erfolgt.
Besonders nützlich ist für unseren Kunden, dass Tilores ohne manuelles Zutun automatisch skaliert: Wenn Betrüger ihn ins Visier nehmen, tun sie das oft in koordinierten Wellen, also mit einer großen Zahl von Teilnehmeranmeldungen in kurzer Zeit. Und wenn besonders dreiste Betrüger beim Kundenservice des Unternehmens nachfragen, wo denn ihre Umfragevergütung bleibe, hat die Servicekraft alle nötigen Informationen zur Hand, um die Auszahlung abzulehnen.
Mit der Identity-Resolution-Technologie von Tilores an seiner Seite verfügt unser Kunde nun über eine Lösung zur Betrugserkennung, die mit dem Geschäft mitwächst – ganz gleich, wie viele Umfrageteilnehmer sich anmelden.
Zentrale Kennzahlen
- ✅ 2.000 Betrüger in den ersten 24 Stunden erkannt
- ✅ >7.000 Betrüger bis heute erkannt.
- ✅ 350 % Return on Investment bis heute
- ✅ 1 Arbeitstag pro Woche weniger manuelle Prüfarbeit
„Tilores ist eine große Hilfe, weil wir uns um Betrugsmanagement und -erkennung wirklich keine Sorgen mehr machen müssen – früher war das reine Handarbeit."
**Der Name unseres Kunden wird auf dessen Wunsch nicht genannt. *
Häufig gestellte Fragen
- Wie deduplizieren Marktforschungsunternehmen Umfrageteilnehmer im großen Maßstab?
- Sie vergleichen jede neue Teilnehmeranmeldung mit dem bestehenden Teilnehmerbestand, bevor die Person eine weitere bezahlte Umfrage beginnt. In der Tilores-Fallstudie bedeutete das, neue Konten über einen per API angebundenen Anmeldeprozess gegen mehrere Millionen bestehende Teilnehmer zu prüfen.
- Kann Entity Resolution doppelte Umfragekonten vor der Auszahlung erkennen?
- Ja, wenn sie in den Anmelde- oder Vor-Auszahlungsprozess eingebaut ist. Die Tilores-Fallstudie beschreibt, wie verdächtige Doppelkonten vor jeder Auszahlung zur manuellen Prüfung markiert werden.
- Warum lässt sich manuelle Duplikatprüfung bei Umfragebetrug schlecht skalieren?
- Manuelle Prüfung wird langsam, wenn sich monatlich Zehntausende neuer Teilnehmer anmelden und jedes neue Konto gegen einen großen historischen Teilnehmerbestand geprüft werden muss. Laut Fallstudie brauchte der Kunde Automatisierung, weil die Prüfung im Support zu viel Zeit kostete.
- Welche Kennzahlen sollten Teams nach dem Einführen einer Teilnehmerdeduplizierung verfolgen?
- Teams sollten gefundene verdächtige Doppelkonten, bestätigte Betrugsfälle, verhinderte Auszahlungen, eingesparte Prüfzeit und den Return on Investment verfolgen. Die Tilores-Fallstudie nennt 2.000 betrügerische Doppelkonten in den ersten 24 Stunden, bis heute mehr als 7.000, 350 % ROI und einen eingesparten Arbeitstag pro Woche.
Tilores an Ihren eigenen Daten prüfen
Wählen Sie den nächsten Schritt, der zu Ihrer Evaluierungsphase passt.
Sehen Sie, was aufgelöste Entitätsdaten für Ihr Unternehmen — und Ihre KI — leisten.