Vertrauen in echte Bewertungen – Kampf dem Fake

Das Internet hat nicht nur die Art und Weise, wie Verbraucher einkaufen, verändert. Es hat auch maßgeblich dazu beigetragen, wie Unternehmen ihre Waren und Dienstleistungen online bewerben und verkaufen. Webseiten für Kundenbewertungen, Online-Plattformen für Preis- und Produktvergleiche und Suchmaschinen sind Tools, die mittlerweile von Verbrauchern in großem Umfang genutzt werden und das Verbraucherverhalten nachhaltig beeinflussen. Eine Umfrage ergab, dass 88% der Verbraucher Online-Bewertungen genauso vertrauen wie persönlichen Empfehlungen (Anderson 2017, Bright Ideas 2014, Bright Ideas 2018). Viele Transaktionen finden überhaupt erst statt, wenn gute Bewertungen existieren. Unglücklicherweise, ist daher im Internet eine ganze Industrie rund um gefälschte Bewertungen entstanden, da für Verbraucher Bewertungen von anderen Kunden eine sehr wichtige Kaufhilfe sind. Zwei Drittel der Deutschen (65 Prozent) nutzen Kundenbewertungen in Online Shops als Entscheidungshilfe vor dem Kauf von Produkten (Bitkom Research GmbH 2017).

In der EU verbietet die Richtlinie 2005/29 / EG gefälschte Online-Kundenbewertungen (European Parliament 2005). Es definiert irreführende oder aggressive Geschäftspraktiken, die in der EU verboten sind. Jegliche (positive, neutrale oder negative) Bewertung, die nicht die tatsächlich Meinung eines unparteiisches Verbrauchers ist, spiegelt nicht die reale Erfahrung eines Verbrauchers mit einem Produkt, einer Dienstleistung, sondern eine geschäftlichen Fälschung wider (CMA Competition & Markets Authority 2015). Positive Fake-Bewertungen können u.a. mit dem Ziel der Reputationsverbesserung oder Absatzsteigerung von Produkten erzeugt werden. Demgegenüber können negative Fake-Bewertungen mit dem Ziel der Reputationsverschlechterung von Wettbewerbern geschrieben werden. Es gibt Fälle in denen z.B. bewusst schlecht verfasste, positive Bewertungen auf Amazon zu einem Wettbewerber abgegeben werden, damit Amazon den Händler wegen Betrugsverdacht sperrt.

Unterschiedlichen Schätzungen zufolge machen gefälschte oder irreführende Bewertungen (Fake-Bewertung) bis zu 16% aller Kundenbewertungen aus (European Parliament 2015). Ein Vorgehen gegen diese Art von Bewertungen ist jedoch problematisch, da es zum einen keinen gemeinsamen Standard für die Einstufung gibt und zum anderen die Erkennung von Fake-Bewertungen schwer umzusetzen ist. In der Studie von Luca und Zervas (2016) wurden bis zu 16% aller Bewertungen auf Yelp als verdächtig, d. h. möglicherweise als Fälschung, eingestuft. Auch der bekannten Plattform TripAdvisor mit 150 Millionen Bewertungen und Meinungen zu mehr als 3,7 Millionen Anbietern von Unterkünften, Restaurants und Attraktionen, fällt es aufgrund der bloßen Zahlen schwer, gefälschte Online-Meinungen von Verbrauchern zu überprüfen und zu identifizieren (Dupont 2014). Selbst Amazon, der größte Online Retailer der Welt, ist nicht eigenständig in der Lage gegen Fake-Produkte vorzugehen. Da teilweise eigene Mitarbeiter Firmen mit betrügerischen Absichten unterstützt haben interne Regeln zu umgehen, hat Amazon im Frühjahr Project Zero angekündigt (Mehta 2019). Ein Programm, dass es den Originalanbietern selbst ermöglicht Fake-Produkte zu kennzeichnen und aus dem Verkehr zu ziehen (Carlborg 2019). Auch gefälschte und gekaufte Hotel-Bewertungen sind für viele Urlauber ein Ärgernis. Doch da die Fälschungen immer professioneller werden, sind sie für Verbraucher oft nicht leicht zu erkennen. Holidaycheck geht deshalb aktiv gegen Anbieter professioneller Fake-Bewertung vor. Für Online-Portale wie Holidaycheck ist es sehr wichtig, dass die Bewertungen nicht frei erfunden sind, da diese mit das wichtigste Buchungsargument sind.

Warnung auf der Website von holidaycheck.de: Bei dieser Bewertung könnte es sich um ein Fake handeln. (Quelle: Holidaycheck.de)

Alleine in Deutschland sollen bereits mehr als vier Millionen Menschen Fake-Shops zum Opfer gefallen sein. Sie haben also ein Produkt online gekauft, es bezahlt, aber nicht bekommen (Wischmeyer 2019). Es wird zwar eine Art „Schwarze Liste mit Fake-Shops“, nach dem Vorbild Österreichs, gefordert. Allerdings ist unklar, ob diese Liste tatsächlich mit der rasanten Entwicklung bei Fake-Shops mithalten kann und welche Kriterien dafür gelten sollen. Fake-Shops werden von Internet Kriminellen primär mit der Absicht errichtet, Kunden auf die eigenen Produkte und Shops umzuleiten (Copeland und Bindley 2019). Es wird versucht den Anschein zu erwecken, dass es sich um einen echten Online Shop handelt. Typische Betrugsszenarien sind u.a. Vorkasse Betrug (Geld vorab überweisen und keine Ware erhalten), Betrug mit leeren Paketen (ankommendes Paket ist leer) oder anderer Inhalt (ankommendes Paket enthält einen anderen Inhalt oder gebrauchte statt neuer Ware). Fake- Shops können u.a. über Facebook Posts oder Spam E-Mails beworben werden. Aufgrund regulatorischer Lücken sind Facebook-Gruppen zum Hauptanlaufpunkt für die Koordinierung von Fake-Bewertungen aller Art geworden (Stern 2018; Mukherjee et al. 2012). Wie Sie Fake-Bewertungen identifizieren können, haben wir in folgendem Blogbeitrag zusammengefasst: Fake-Bewertungen erkennen

Darüber hinaus versuchen Internet-Kriminelle bestehende Shops zu hacken und für ihre Zwecke zu nutzen, da diese Shops eine bestehende Bekanntheit haben. So werden u.a. Zahlungsdaten, wie Bankkontodaten oder PayPal-Adressen, in dem gehackten Shop ersetzt oder es findet eine Weiterleitung der Besucher auf Phishing-Seiten oder präparierte Online Shops (wiederum Fake-Shops) statt. Weiterhin sind auch Verkäufer-Accounts auf Verkaufsplattformen, wie Amazon, Ziel von Phishing- und Hacking-Angriffen.

Sowohl Fake-Shops und Fake-Bewertungen können separat oder zusammen auftreten. Für einen umfänglichen Schutz des Verbrauchers empfiehlt sich ein Lösungsvorschlag für beide Themen gleichermaßen. Im Internet sind heute riesige Mengen von Inhalten zu finden, die nicht immer glaubwürdig sind. Auf Social Media Kanälen, wie Twitter, hat sich u.a. das Phänomen der Fake-News entwickelt (Sharma et al. 2019). Hierbei werden ungeprüft weitereichend verfälschte oder unwahre Informationen veröffentlicht. Im Rahmen von Wahlen wurde des Öfteren bereits Manipulation und Einflussnahme bemängelt (Reuters 2017). Bis zum heutigen Tag ist ein konkreter Wettbewerb, um authentische Inhalte entstanden. Gerade das Problem der Fake-Bewertungen muss gelöst werden, da sonst die Gefahr besteht, dass Verbraucher ihr Vertrauen in die wichtigste digitale Währung „Bewertungen“ verlieren (Sussin und Thompson 2013). Das Bundeskartellamt hat deswegen in 2019 entschieden verstärkt gegen Fake-Bewertungen vorzugehen und Prüfungen durchzuführen (siehe News-Beitrag).

Bewertungen sind die wichtigste Währung im Internet und zielen darauf ab, den Verbraucher zu informieren und, durch Transparenz, ihr Vertrauen in den Markt zu stärken. Allerdings torpedieren sowohl Fake-Bewertungen als auch Fake-Shops dies: Die Verbraucher werden in die Irre geführt und verunsichert.

Um zukünftig das Vertrauen der Verbraucher in online Transaktionen sowie Aktivitäten zu festigen und zu fördern, ist es notwendig gefälschte Bewertungen und Shops zu erkennen. Mit diesem Ziel arbeitet Trustami daran ein intelligentes System zu entwickeln, das sowohl Fake Bewertungen als auch Fake Shops zuverlässig, schnell und automatisch erkennen kann. Für dieses Vorhaben stellen sich verschiedene Herausforderungen: Betrügerische Shops und Bewertungen können mannigfaltig sein und entwickeln sich kontinuierlich weiter. Deshalb ist es notwendig eine Anwendung zu entwickeln, die sowohl verschiedenste Fake-Bewertungen detektieren kann und dazu auch in der Lage ist sich verbessern bzw. selbst zu lernen. Ein starres Konstrukt ist aufgrund der hohen Enwicklungsdynamik des Internets keine geeignete Lösung.

Für einen selbstlernenden Detektor müssen große Datenmengen zur Verfügung stehen, um ein entsprechendes Analyse-Modell zu trainieren. Zum einen ist es erforderlich sehr große Datenmengen (Bewertungen) aus verschiedenen Quellen zu sammeln. Zum anderen müssen für Trainingszwecke große Mengen an Fake-Bewertungen gekennzeichnet sein. Dieses sog. Labeln von Daten ist in großen Mengen kaum manuell durchführbar. Zudem existieren wenig öffentliche Daten zu Fake-Bewertungen oder Fake-Shops, die genutzt werden können.

Das Trustami-System enthält bereits KI-Bausteine und beruht auf Data-Mining-Technologien, die für die Mustererkennung in Social Media angepasst und durch Regelsätze für die Vertrauensbildung erweitert wurden. Grundlage für das System ist das maschinelle Lernen, welches ein künstliches System beschreibt, das aus Beispielen lernt und Gesetzmäßigkeiten erkennt. Nach Beendigung der Lernphase ist das System in der Lage zu verallgemeinern und unstrukturierte Daten aus unterschiedlichen Quellen in Real-Time zu beurteilen (Big Data).

Trustami hat bereits über 1 Mrd. Bewertungen aus unterschiedlichen Plattformen gesammelt und alleine für mehrere Millionen Produkte Kundenmeinungen gespeichert. Diese Daten sind bereits normalisiert und stehen als Grundlage für die Erstellung Testberichten und das Training der KI zur Verfügung. Die Trustami GmbH zeichnet sich vor allem durch seine skalierbare und adaptive Technologie aus, mit der bereits problemlose Millionen von Daten in kurzer Zeit gesammelt und aktualisiert werden. Diese riesigen Datenmengen sind im europäischen Raum einzigartig. Die Vertrauenssiegel von Trustami werden monatlich bereits über 120 Mio. mal angezeigt. Das modulartige und leicht erweiterbare System ermöglicht es Informationen aus Social Media Kanälen, Online-Marktplätzen, Unternehmenswebseiten, Preissuchmaschinen, sozialen Netzwerken und beliebig anderen Quellen zu erfassen.

Quellen:

• Anderson M (2017) 88% Of Consumers Trust Online Reviews As Much As Personal Recommendations. https://searchengineland.com/88-consumers-trust-online-reviews-much-personal-recommendations-195803
• Bright Ideas (2014) Local Consumer Review Survey 2014. https://www.brightlocal.com/research/local-consumer-review-survey-2014/
• Bright Ideas (2018) Local Consumer Review Survey. https://www.brightlocal.com/research/local-consumer-review-survey/
• Bitkom Research GmbH (2017) Kundenbewertungen sind wichtigste Kaufhilfe. https://www.bitkom.org/Presse/Presseinformation/Kundenbewertungen-sind-wichtigste-Kaufhilfe.html
• European Parliament (2015) Online consumer reviews: The case of misleading or fake reviews. http://www.europarl.europa.eu/thinktank/en/document.html?reference=EPRS_BRI(2015)571301
• CMA Competition & Markets Authority (2015) Online reviews and endorsements. https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/436238/Online_reviews_and_endorsements.pdf
• Luca M, Zervas G (2016) Fake It Till You Make It: Reputation, Competition, and Yelp Review Fraud. Management Science 62:3412–3427. doi:10.1287/mnsc.2015.2304
• Dupont M (2014) It’s Not the Serve, But the Return. Honors Theses and Capstones
• Mehta DM (2019) Amazon Project Zero; Empowering brands to drive counterfeits to zero. https://blog.aboutamazon.com/company-news/amazon-project-zero
• Carlborg G (2019) Clean Up, Clean Up. https://www.gartner.com/en/marketing/insights/daily-insights/clean-up-clean-up
• Wischmeyer N (2019) Fake-Shops; Das wollen die Bundesländer gegen Fake-Shops tun. https://www.sueddeutsche.de/wirtschaft/fake-shops-liste-politik-1.4459589
• Copeland R, Bindley K (2019) Millions of Business Listings on Google Maps Are Fake—and Google Profits; Google Maps is filled with false business addresses created by firms pretending to be nearby. https://www.wsj.com/articles/google-maps-littered-with-fake-business-listings-harming-consumers-and-competitors-11561042283
• Stern J (2018) Is It Really Five Stars? How to Spot Fake Amazon Reviews; It’s on us to understand how Amazon reviews really work before we buy, and it’s on Amazon to start rethinking the star system entirely. https://www.wsj.com/articles/is-it-really-five-stars-how-to-spot-fake-amazon-reviews-11545314400
• Mukherjee A, Liu B, Glance N (2012) Spotting fake reviewer groups in consumer reviews. In: Mille A, Gandon F, Misselis J, Rabinovich M, Staab S (Hrsg) Proceedings of the 21st international conference on World Wide Web. ACM, New York, NY, S 191
• Sharma K, Qian F, Jiang H, Ruchansky N, Zhang M, Liu Y (2019) Combating Fake News. ACM Trans. Intell. Syst. Technol. 10:1–42. doi:10.1145/3305260
• Reuters (2017) Germany investigating unprecedented spread of fake news online; Government focus on false reporting comes amid claims that Russia is trying to influence German election later this year. https://www.theguardian.com/world/2017/jan/09/germany-investigating-spread-fake-news-online-russia-election
• Sussin J, Thompson E (2013) Solve the Problem of Fake Online Reviews or Lose Credibility With Consumers. https://www.gartner.com/en/documents/2313315/solve-the-problem-of-fake-online-reviews-or-lose-credibi