(openPR) Berlin, 03. August 2009 — Kreditbetrug führt in seinen zahlreich auftretenden Facetten zu Schäden in Millionenhöhe. Gleichzeitig fordert das Kreditwesengesetz (KWG) in § 25c von Kreditunternehmen entsprechende IT-Systeme, die einen möglichen Missbrauch erkennen und verhindern. Vor diesem Hintergrund realisierte das BI-Analysten- und Beratungshaus mayato für die Mercedes-Benz Bank AG ein Präventionssystem auf Basis der Self-Acting-Data-Mining-Lösung von KXEN.
Alle 90 Sekunden schließt die Mercedes-Benz Bank einen Leasing- oder Finanzierungsvertrag ab – nur ein Bruchteil davon kann manuell auf Betrugsverdacht überprüft werden. Um die Erkennungsrate zu erhöhen, ist eine automatische Vorselektion notwendig. Einfache Reporting-Lösungen sowie regelbasierte Systeme würden unbefriedigende Ergebnisse liefern, da nur bekannte Muster erkannt werden und neue Betrugstypen zu lange unentdeckt bleiben. Klassische Data-Mining-Ansätze erhöhen zwar die Erkennungsraten, sind aber kostenintensiv, komplex und zeitaufwendig in der Anwendung. Daher entschied sich der Finanzdienstleister für den neuartigen Analyseansatz „Self Acting Data Mining“ von KXEN. Die BI-Experten von mayato etablierten in kürzester Zeit auf Grundlage des Analytic Framework eine hochautomatisierte Betrugsprognose-Lösung.
Self-Acting Data Mining sorgt dafür, dass der Anwender nicht selbst aus Tausenden von Variablen die für eine bestimmte Analyse relevanten "herauspicken" muss. So konnte bei der Mercedes-Benz Bank aus über 260 vorliegenden Variablen vollautomatisch die für eine Vertragsart betrugsrelevantesten 30 Merkmale ermittelt und der manuelle Prüfaufwand auf ein Minimum reduziert werden. Insgesamt wurde eine Stichprobe von 250.000 Verträgen in wenigen Minuten analysiert.
Die validierten Ergebnisse widerlegten zudem einige der vorherrschenden Annahmen: So zeigte sich etwa, dass private und gewerbliche Leasing- und Finanzierungsverträge unterschiedliche betrugsrelevante Einflussfaktoren aufweisen. Außerdem spielen einige Kennzahlen und Variablen – wie bestimmte Produktarten oder Vertragslaufzeiten – eine wichtigere Rolle als bis dato angenommen. Als essenziell erwies sich ferner, dass das verwendete Prognoseverfahren keine erhöhten Ansprüche an die Datenqualität stellt: Fehlende Werte und Ausreißer werden automatisch erkannt, in eigene Werteklassen gruppiert und explizit in die Analyse mit aufgenommen.
In der Praxis bewies das System durch das Aufdecken von Betrugsversuchen unlängst seine Treffsicherheit und sorgte in nur vier Monaten nach Projektbeginn für einen signifikanten ROI (Return-On-Investment). „Schon die ersten automatisch identifizierten Betrugsfälle wiesen ein hohes Schadenspotenzial auf. Wir konnten bereits ein Vielfaches der Projektkosten erwirtschaften“, sagt Monika Schwarz, Betrugsbeauftragte bei der Mercedes-Benz Bank AG.
