Betrugsprognose

Worin besteht die Herausforderung?

Alle Unternehmen können von betrügerischen Handlungen (etwa Kreditkartenbetrug, Phishing-Mails oder Fake-Accounts) getroffen werden. Dabei können Kunden des Unternehmens (first-party fraud) oder externe Dritte (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) 
© Shutterstock
Datennutzungskategorie: Betrugsprognose

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. Bestandteile sind 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 für 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. 

Ziel der Datennutzung

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