X

Abonnieren Sie aktuelle Blog-Artikel per E-Mail

link

06 Jul 2016

Wie Big Data bei der Betrugserkennung genutzt werden kann

Eine der zentralen Fragen auf dem Telekommunikationsforum von Arvato Financial Solutions  bestand darin, wie man Big Data im Fraud Management, also der Betrugsvorbeugung, einsetzen kann. Andreas Czermak, Director Big Data Projects & Strategy bei Arvato Financial Solutions, stellte bei dem Branchentreffen ein einjähriges Forschungsprojekt vor, an dem drei Kunden aus dem E-Commerce-Bereich teilgenommen haben. Ziel der Studie war es, Analytik im großen Stil auf Massendaten zur Anwendung zu bringen.

Was heute die Herausforderung in der Betrugserkennung ist, verdeutlichte Czermak an einem Beispiel: Der Betrüger „Max“ versucht, bei einem Händler online Waren zu bestellen. Er hat allerdings nie die Absicht, irgendeine Bestellung davon zu bezahlen.  Man kann ihn dabei beobachten, wie er von mehreren Standorten in Berlin aus versucht, Bestellungen auszulösen. In 20 Minuten führt er 40 Transaktionen aus, was alleine aufgrund der Häufung für einen Betrugsfall spricht. Nur fünf davon können nicht verhindert werden. Dabei variiert der Betrüger ständig seine Methoden, um die Risiko- und Betrugspräventionsmechanismen des Online-Shops zu umgehen und Bestellungen trotzdem auszulösen. „Die große Schwierigkeit ist, die Nadel im Heuhaufen zu finden“, so Czermak. „Wir überprüfen täglich im Schnitt immerhin 500.000 Bestellungen in Deutschland.“

Massive Verbesserung der Betrugsbekämpfung angestrebt

Andreas Czermak erläutert die Möglichkeiten des Einsatzes von Big Data in der Betrugserkennung

Andreas Czermak erläutert die Möglichkeiten des Einsatzes von Big Data in der Betrugserkennung

Aus dem oben genannten Beispiel ergibt sich die Fragestellung für das Innovationsprojekt: Kann man mit der entsprechenden Technologie in Echtzeit eine hohe Anzahl von Daten in komplexen analytischen Verfahren zur Anwendung bringen, um Betrugsabsichten vorauszusehen? Dafür wurden zunächst aus der großen Menge an Daten Attribute wie Name oder Straße extrahiert und 10.000 Kennzahlen generiert, die die Attribute in Beziehungen zueinander setzen. Zum Beispiel: Wie viele Bestellungen wurden in den letzten zehn Minuten im Umkreis von 1000 Metern von Personen mit gleichen oder ähnlichen Namen ausgelöst? Im Machine-Learning-Verfahren wird versucht, mit Hilfe der rund 10.000 Kennzahlen Betrug vorauszusagen. Daraus entstehen ca. 5.000 Entscheidungsbäume mit 100.000 Entscheidungspunkten.

Das heißt, Max muss mit jeder seiner Transaktionen in etwa 30.000 Entscheidungspunkte durchlaufen, damit sein Verhalten vorhergesagt werden kann und das in Echtzeit. Schließlich soll Max daran gehindert werden, seine betrügerischen Einkäufe zu tätigen. „Und dafür müssen wir schlussendlich auch sein Verhalten einbeziehen “, so Czermak: „Mit einer Bonitätsprüfung erreichen wir das nicht.“ Heute werden oft nur die Daten aus der Zahlungsabwicklung genutzt. Ziel sollte es jedoch sein, den gesamten Transaktionsvorgang zu beobachten und zu analysieren, um Betrugsmuster abzuleiten und Betrug künftig möglichst zu vermeiden.

Technologische und rechtliche Herausforderungen

„Das Innovationsprojekt hat gezeigt, dass uns sowohl der Einsatz der Big-Data-Technologie als auch die Anwendung modernster analytischer Verfahren in die Lage versetzen, die Betrugsbekämpfung im digitalen Geschäft nachhaltig zu verbessern“, resümiert Czermak. Zwei Herausforderungen gilt es für Arvato Financial Solutions in diesem Zusammenhang in Zukunft zu lösen: zum einen die technologische, das heißt der Aufbau einer Echtzeit-Analytics-Plattform und zum anderen die rechtliche, die Klärung der potentiellen Nutzung sämtlicher Transaktionsdaten unter Beachtung aller datenschutzrechtlichen Aspekte.

Kommentieren oder ein Trackback hinterlassen

Ihre E-Mail-Adresse wird niemals weitergegeben. Benötigte Felder sind markiert