Betrugsaufklärung & -prävention
Was es ist und was man darüber wissen sollte
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
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.
Bekämpfen von Identitätsbetrug mit Analytics
Identitätsbetrug stellt ein wachsendes Problem dar, das sowohl Unternehmen als auch Kunden betrifft. Da der Zugang zu Tools und Daten für Betrüger leichter ist als je zuvor, haben die Identitätsbetrugsfälle ein Rekordhoch erreicht. Diese Grafik vergleicht verschiedene Arten von Verlusten durch Identitätsbetrug und deren immer steigenden Wachstumszahlen, darunter Kontoübernahme und Card-not-Present-Transaktionen.
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:
- Erfassen und vereinheitlichen Sie alle verfügbaren Datentypen über Abteilungen oder Kanäle hinweg und integrieren Sie sie in den Analyseprozess.
- Überwachen Sie Transaktionen, soziale Netzwerke, Anomalien mit hohem Risiko usw. kontinuierlich und wenden Sie verhaltensbasierte Analytics an, um die Entscheidungsfindung in Echtzeit zu ermöglichen.
- Schaffen Sie eine unternehmensweite Analytics-Kultur durch Datenvisualisierung auf allen Ebenen, darunter investigative Workflow-Optimierungen.
- 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.
Der Kampf gegen den Betrug
Genau wie die Techniken von Betrügern müssen sich die Ansätze zur Betrugsbekämpfung ständig weiterentwickeln. Erfahren Sie mehr darüber, wie Sie Big Data und fortgeschrittene Analytics-Techniken im Kampf gegen den Betrug einsetzen können.
Geldwäschebekämpfung der nächsten Generation
Robotik, semantische Analytik und künstliche Intelligenz können Finanzinstitutionen dabei helfen, die AML-Prozesse zu automatisieren und deren Effektivität zu verbessern. Aber wie fangen Sie damit an? Erfahren Sie hier alles zu den zehn Schlüsseln zum Erfolg mit AML mithilfe von maschinellem Lernen.
Verwendung von Analytics zur Bekämpfung von digitalem Betrug
Durch die Digitalisierung entstehen sowohl Chancen als auch Bedrohungen. Erfahren Sie mehr über die Risiken und Betrugsszenarien, die Finanzinstitutionen vermeiden sollten, wie Big Data und Analytics zur Bekämpfung des digitalen Betrugs beitragen und wie innovative Organisationen heutzutage Betrugsfälle erkennen.
Verhindern von Betrug bei Versicherungsanträgen
Die Manipulation von Agenten und Kunden ist für Versicherungsanbieter zu einem großen Problem geworden. Lernen Sie wie Versicherungsunternehmen angesichts der immer raffinierteren digitalen Tricks von Betrügern mithalten und diese mithilfe von Analytics und AI mit ihren eigenen Waffen schlagen.
Kunden betreuen und sie gleichzeitig vor Betrug schützen
Kunden der Deutschen Kreditbank AG (DKB), Deutschlands zweitgrößter Bank, erwarten beim Online-Banking Service in Echtzeit und maximale Sicherheit. Betrüger passen sich aber ständig an und werden immer schneller. Da die DKB erkannte, wie wichtig ein schnelles Vorgehen bei der Betrugserkennung und dem Kundenschutz ist, entschied die Bank sich für die Betrugserkennungs- und Geldwäschebekämpfungslösungen von SAS. Jetzt schützt die Bank nicht nur das Geld der Kunden, sie gewinnt auch deren Vertrauen.
Wer nutzt Betrugsprävention?
Sowohl Unternehmen als auch Regierungen nutzen Technologien wie Datenvisualisierung und künstliche Intelligenz, um wirtschaftliche und Rufschäden durch Betrug erheblich zu reduzieren und sogar zu verhindern. Analysten und Ermittler arbeiten zusammen, um Strukturen zu durchbrechen, Warnmeldungen nach Schweregrad zu bewerten und zu priorisieren, und schließlich Warnmeldungen mit hoher Priorität zur umfassenderen Analyse weiterzuleiten.
Banken
Betrugsfälle werden oft durch synthetische Identitäten, die Übernahme von Kundenkonten, schädliche Anwendungen, digitale Zahlungen und Authentifizierung, Beschaffung und andere Finanzdelikte verübt. Finanzinstitutionen erkennen betrügerische Transaktionen in Echtzeit mit weniger Fehlalarmen und erkennen Fälle von Geldwäsche und die Finanzierung von Terrorismus mithilfe von komplexen Algorithmen, die mehrere Faktoren berücksichtigen.
Versicherungen
Der Betrug bei Schadenmeldungen verbreitet sich rasend und die Anzahl der Betrugsfälle steigt. Anstatt einen Ansatz zu verfolgen, indem die Betrugsbekämpfung nachträglich stattfindet – also nach der Geldauszahlung – setzen Datenanalysten Algorithmen zur Erkennung von Anomalien und Mustern ein, um Betrug zu verhindern. Indem mehrere Faktoren analysiert werden, um herauszufinden, wie Betrugsdelikte bei Schadenmeldungen verübt werden, können Betrugsfälle nicht nur zum Zeitpunkt des Geschehens erkannt, sondern auch verhindert werden, bevor es zu spät ist.
Öffentliche Verwaltung
Nun kombinieren Regierungen getrennte Datensätze um Steuerbetrug aufzudecken, externe Eingriffe vorherzusagen, ungewöhnliches Verhalten zu erkennen und Bedrohungen in Echtzeit und in der Zukunft zu blockieren. All dies stärkt den Grenzschutz, sammelt Informationen für die Strafverfolgung, überwacht den Missbrauch von Opioiden und schützt Kinder vor Gefahren.
Gesundheitswesen
Der Betrug im Gesundheitswesen führt weltweit zu Kosten in Millionen-, sogar Milliardenhöhe. Organisationen im Gesundheitswesen erzielen Erfolge in der Betrugsprävention, indem sie einen unternehmensweiten Ansatz zur Zahlungsintegrität und zur Kosteneindämmung mithilfe von fortgeschrittener Analytics verfolgen.
Weitere Informationen über andere Branchen
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.
Überwachtes Lernen
Algorithmen für überwachtes maschinelles Lernens lernen aus historischen Daten und erkennen Muster zur möglichen Markierung durch Ermittlern.
Unüberwachtes Lernen
Unüberwachtes maschinelles Lernen bewertet und untersucht Daten, die keinen identifizierten Betrug enthalten. Diese Daten werden verwendet, um neue Anomalien und Muster von Interesse zu erkennen.
Netzwerkanalysen
Netzwerkanalysen zur Identifizierung von Pfaden, Verbindungen und Hubs, die Muster und soziale Netzwerke von Interesse aufdecken, die für Ermittler äußerst wichtig sind.
Textanalysen
Textanalysen zur genauen Identifizierung von Ausdrücken von Namen, Uhrzeiten, Unternehmen, monetären Werten und viel mehr – durch Suchen, Inhaltskategorisierung und Eigennamen-Erkennung.
Der Aufstieg der digitalen Wirtschaft ging mit der raschen Ausbreitung von Betrugsfällen und Cyber-Sicherheitsrisiken einher. Wir möchten Kunden dort erreichen, wo sie sich auf ihrem Weg mit Analytics befinden, insbesondere wenn sie Technologien wie AI, IoT und Cloud einführen. Mit Hilfe von SAS sind sie besser ausgerüstet, um Datensilos zu durchbrechen, sich an wechselnde Vorschriften anzupassen und sich vor aktuellen und zukünftigen Risiken zu schützen. Stu Bradley Vice President, Fraud and Security Intelligence Practice SAS
Nächste Schritte
Erkunden Sie die SAS-Lösungen gegen Betrug, AML und für Security Intelligence
Zuverlässige Betrugsbekämpfung
Da Betrüger heute intelligenter und schneller arbeiten, brauchen Sie einen zuverlässigen Partner, um Ihr Unternehmen zu schützen. Als Branchenführer für fortgeschrittene Analytics liefert SAS proaktiven Schutz vor Betrug durch künstliche Intelligenz und maschinelles Lernen.
Ausgewählte Lösung für Betrugsprävention
SAS® Visual Investigator
SAS Visual Investigator ist eine Lösung für Betrugserkennung, -untersuchung und Ereignis-Management, die große, uneinheitliche, strukturierte und unstrukturierte Datenquellen kombiniert. Durch eine visuelle Benutzeroberfläche können Ermittler Warnmeldungen definieren, erstellen, auswählen und verwalten, und detaillierte Untersuchungen zur Erkennung von verborgenen Verhaltensweisen und Aktivitäten durchführen.
Literaturempfehlungen
-
Article
How AI and advanced analytics are impacting the financial services industryTop SAS experts weigh in on topics that keep financial leaders up at night – like real-time payments and digital identity. See how advanced analytics and AI can help.
-
Article
Detect and prevent banking application fraudCredit fraud often starts with a falsified application. That’s why it’s important to use analytics starting at the entrance point. Learn how analytics and machine learning can detect fraud at the point of application by recognizing the biggest challenge – synthetic identities.
-
Article
Managing fraud risk: 10 trends you need to watchSynthetic identities, credit washing and income misrepresentation – these are just some of the trends to watch if you’re trying to understand how to manage fraud risk. Find out what’s on the top 10 list of trends according to experts like Frank McKenna and Mary Ann Miller.
