Betrugsaufklärung & -prävention

Bei den Technologien zur Betrugsprävention wurden enorme Fortschritte erzielt, etwa bei der Rechengeschwindigkeit (High-Performance-Analytics), maschinellem Lernen und anderen Arten der künstlichen Intelligenz (AI). Betrug betrifft jeden Bereich unseres Lebens. Er führt dazu, dass die Preise von Waren und Dienstleistungen steigen, dass Steuergelder verschwendet werden, nimmt Ressourcen für Innovationen und kostet sogar Menschenleben.

• Geschichte
•     
• Heute
•     
• Einsatzbereiche
•     
• Wie funktioniert das?
•     
• Nächste Schritte

Geschichte

Betrug kann Folgendes umfassen: Verschwendung und Missbrauch, unzulässige Zahlungen, Geldwäsche, Terrorismusfinanzierung, öffentliche Sicherheit und Cyber-Sicherheit. Früher mussten Unternehmen die Betrugsprävention fragmentiert angehen. Anomalien wurden mithilfe von Geschäftsregeln und rudimentärer Analytics gesucht, um Warnmeldungen aus separaten Dateien zu erstellen. 

Sowohl der automatisierte Querverweis von Daten als auch die manuelle Überwachung von Transaktionen und Verbrechen in Echtzeit durch Ermittler war nicht möglich. Diese Überwachung musste nachträglich durchgeführt werden. Im Gesundheitswesen war die Kostenträgerermittlung bei Betrugsfällen schwierig und musste nachträglich erfolgen, denn Täter waren längst verschwunden, bevor der Betrugsfall erkannt wurde.

Neuere Technologien wurden zur Betrugsbekämpfung entwickelt, um konventionelle Taktiken vorherzusehen, neue Betrugsmethoden zu erkennen und immer komplexere Betrügerringe aufzudecken. Dazu gehört mehr als nur Standard-Analytics. Es werden auch vorhersagende und adaptive Techniken eingesetzt, darunter maschinelles Lernen, eine Form der AI. Durch eine Kombination von Big Data-Quellen mit einer Überwachung in Echtzeit und Risikoprofil-Analysen zur Bewertung von Betrugsrisiken hat sich die Betrugsprävention so weiterentwickelt, dass die Verluste deutlich zurückgehen.

Betrugserkennung in der Welt von heute

Es wird immer schwieriger, die wachsende Komplexität des staatlich geförderten Terrorismus, professioneller Verbrecher und Einzeltäter zu verstehen, zu verfolgen, zu entlarven und zu verhindern. In der Welt von heute erfordert die Betrugserkennung einen umfassenden Ansatz, um alle Datenpunkte mit Aktivitäten abzugleichen und Abnormalitäten aufzudecken. Betrüger haben ausgeklügelte Taktiken entwickelt, so dass es äußerst wichtig ist, mit diesen sich stets ändernden Ansätzen zur Umgehung des Systems Schritt zu halten.

Betrügerische Aktivitäten werden oft durch Cyber-Sicherheitsbrüche ermöglicht, zum Beispiel im Einzelhandel oder bei Finanzdienstleistungen. Was früher als Luxus galt, ist heute Standard - die Überwachung von Transaktionen in Echtzeit. Nicht nur für finanzielle Transaktionen stellt dies eine Grundvoraussetzung dar, sondern auch für digitale Ereignisdaten wie Authentifizierungen, Sitzungen, Standorte und Geräte.

Um eine Reihe von Angriffen und Verbrechen schnell und präzise zu erkennen und zu verhindern und dabei gleichzeitig die Kunden- und Bürgererfahrung zu verbessern, sollten Unternehmen vier wichtige Schritte befolgen:

1. Erfassen und vereinheitlichen Sie alle verfügbaren Datentypen über Abteilungen oder Kanäle hinweg und integrieren Sie sie in den Analyseprozess.
2. Überwachen Sie Transaktionen, soziale Netzwerke, Anomalien mit hohem Risiko usw. kontinuierlich und wenden Sie verhaltensbasierte Analytics an, um die Entscheidungsfindung in Echtzeit zu ermöglichen.
3. Schaffen Sie eine unternehmensweite Analytics-Kultur durch Datenvisualisierung auf allen Ebenen, darunter investigative Workflow-Optimierungen.
4. Setzen Sie mehrschichtige Sicherheitstechniken ein.
   
   

Die von Ihnen ausgewählte Technologie zur Erkennung und Prävention von Betrugsfällen sollte in der Lage sein, aus komplexen Datenmustern zu lernen. Sie sollte fortgeschrittene Entscheidungsmodelle umfassen, um Fehlalarme besser zu verwalten und Netzwerk-Beziehungen zu ermitteln, damit Sie sich eine ganzheitliche Übersicht über die Aktivitäten der Betrüger verschaffen können. Eine Kombination aus Methoden fürs maschinelle Lernen, wie beispielsweise neuronalen Netzen mit Deep Learning, Extreme Gradient Boosting und Vector Machines, und bewährten Methoden wie logistische Regression, selbstorganisierende Karten, Random Forests und Ensembles, hat sich als viel genauer und effektiver erwiesen als regelbasierte Ansätze.

Wie funktioniert Betrugsprävention?

Die Prävention und Erkennung von Betrug ist kein statischer Prozess. Es gibt weder einen Startpunkt noch einen Endpunkt. Es handelt sich um einen laufenden Zyklus der Überwachung, Erkennung, Entscheidung, Vorgangsverwaltung und der Einspeisung von verbesserten Überwachungsmethoden zurück in das System. Unternehmen sollten sich stets bemühen, Erkenntnisse aus Betrugsfällen zu gewinnen und die Ergebnisse in zukünftige Überwachungs- und Erkennungsprozesse zu integrieren. Dies erfordert einen unternehmensweiten Ansatz zum Analytics-Lebenszyklus.

Ihre Ziele umfassen möglicherweise Betrugserkennung, Compliance oder Sicherheit. Während Technologien wie künstliche Intelligenz und maschinelles Lernen sich immer mehr durchsetzen, automatisiert die nächste Generation der Technologien manuelle Prozesse, wobei große Datensätze und die Anwendung von Verhaltens-Analytics kombiniert werden.