Use Case Betrugsprognose

Bild­nach­weis: Rawpixel.com/Shutterstock.com

Worin beste­ht die Herausforderung?

Alle Unternehmen kön­nen Ziel von betrügerischen Hand­lun­gen wer­den (etwa Kred­itkarten­be­trug, Phish­ing-Mails oder Fake-Accounts). Dabei kann die Kund­schaft des Unternehmens (first-par­ty fraud) oder ein extern­er Drit­ter (third-par­ty fraud) den Betrug bege­hen, beispiel­sweise durch Iden­titäts­dieb­stahl. Sich opti­mal gegen Betrug zu schützen ist – auch in Hin­blick auf inter­na­tionale Geschäfts­beziehun­gen und unter­schiedliche Recht­sräume – rel­e­vant, jedoch auch kom­plex. Für Unternehmen ist es häu­fig schwierig, Betrugs­fälle frühzeit­ig zu erken­nen und zu vermeiden. 

Welche Dat­en kön­nen hier helfen?

• Transak­tions­dat­en (Stam­m­dat­en, Überweisungsdaten)

• Bild­dat­en (z. B. Fotos von Schäden)

Wie kommt der Nutzen aus den Daten?

Ziel der daten­basierten Betrugs­de­tek­tion ist die frühzeit­ige Erken­nung von Betrug. Zur Betrugserken­nung wer­den aktuelle Dat­en, beispiel­sweise Über­weisun­gen oder Bild­dat­en, mit Dat­en bzw. Mustern von Betrugs­fällen ver­glichen. Kön­nen ähn­liche Muster gefun­den wer­den, ist die Wahrschein­lichkeit erhöht, dass ein Betrugs­fall vor­liegt. Für die Mus­ter­erken­nung kom­men auch KI-Algo­rith­men zum Ein­satz. Bestandteil dieser ist die daten­basierte Erken­nung von Anom­alien und Betrugsmustern, um Wahrschein­lichkeit­en einzuschätzen und verdächtige Finanz­transak­tio­nen zu block­ieren. Mit maschinellem Ler­nen kann eine automa­tis­che Anpas­sung an neue Betrugsmuster erfolgen.

Wo wird diese Daten­nutzung bere­its angewendet?

• Eine Abteilung der Com­merzbank, die »Fraud Detec­tion«, entwick­elt unter anderem Klas­si­fika­tionsver­fahren für Betrugs­fälle und führt inves­tiga­tive Date­n­analy­sen zur Erken­nung von Betrug durch.

• Vacasa, ein Full-Ser­vice-Unternehmen für Ferien­ver­mi­etung, set­zt den von Ama­zon Web Ser­vices entwick­el­ten Dienst ein, um den Buchung­sprozess sicher­er zu machen. Dabei wer­den poten­ziell betrügerische Online-Aktiv­itäten und die Erstel­lung gefälschter Kon­ten identifiziert.

• Die Roy­al Bank of Cana­da ver­fügt über ein Spezial­team zur daten­basierten Betrugspräven­tion. Mith­il­fe von Social-Net­work-Analy­sen wer­den Dat­en zu sozialen Beziehun­gen zwis­chen Bankkun­den gesam­melt und in Graph-Daten­banken gespe­ichert. So lassen sich verdächtige Transak­tio­nen iden­ti­fizieren und ihnen vorbeugen.

• Das Start-Up RxAll stellt Fälschun­gen und Män­gel an Medika­menten mit Date­n­analy­sen fest. Dazu wer­den Daten­sätze aus Medika­menten-Daten­banken (Soll-Werte) mit tat­säch­lich erfassten Dat­en (Ist-Werte) ver­glichen, um festzustellen, ob das Prä­parat wirk­lich den Wirk­stoff enthält oder eine Fälschung ist.

Welchen Beitrag leis­tet diese Daten­nutzung zur Wertschöpfung?

Durch eine Betrugs­de­tek­tion soll die Anfäl­ligkeit der Fir­men­prozesse gegenüber Betrug min­imiert wer­den. Dadurch wird die Wertschöp­fungs­kette robuster. Es ist auch möglich, mith­il­fe von Dien­stleis­tun­gen zur Betrugs­de­tek­tion neue Ser­vices anzu­bi­eten und damit neue Wertschöp­fung mit eige­nen Umsätzen zu generieren.

Quellen: Man­age­ment Cir­cle AG (2017), Ama­zon Web Ser­vices (2019), Bell, P.C. & Chan­drasekhar, R., Har­vard Busi­ness Review (2017), RxAll (2020)

Pub­lika­tion: Wie Unternehmen Dat­en heute schon nutzen und in Zukun­ft nutzen kön­nen. Her­aus­ge­ber: Fraun­hofer IMW, Inhalt: Data Min­ing und Wertschöpfung

Link zur Publikation
Start Dat­en- und Ideenfinder
Start­seite