(openPR) Im heutigen digitalen Zeitalter wachsen die Möglichkeiten und Gefahren des Datenmissbrauchs. Immer größer werdende Datenmengen, beschleunigte Transaktionsverfahren und sich ständig ändernde Richtlinien (Stichwort Basel II) erschweren es den Banken, risikobehaftete Kunden und Transaktionen zu bewerten und Missbrauch klar zu erkennen. Der Bedarf nach Verfahren zur automatischen Identifikation von Missbrauchsmustern in Transaktionsdaten (Monitoring) und Risikobewertung steigt mit der Größe der vorliegenden Daten.
Die Liste der von den Banken zu überwachenden Betrugsmöglichkeiten ist lang und reicht von Korruption und Geldwäsche über Kreditkartenbetrug bis zu Finanzierung des Terrorismus. Den Banken stehen hier statistische Verfahren des Data Minings und spezielle Softwareanbieter sowie Beratungsfirmen zur Verfügung, um über optimierte Verfahren sämtliche Transaktionen nach Auffälligkeiten zu untersuchen. Zu den üblichen Verfahren gehören dabei:
- Clusterverfahren: Hierbei werden Kunden und/oder Transaktionen in untereinander ähnliche Gruppen segmentiert. Die Untersuchung spezieller Gruppen auf Ausreißer und/oder überdurchschnittliches Auftreten bestimmter Merkmale gibt Hinweise auf Anomalien und mögliche Betrugsfälle.
- Assoziations- und Sequenzanalyse: Hier werden Transaktionen oder Kundenverhalten untersucht, die gehäuft gemeinsam oder innerhalb eines festgelegten Zeitraums auftreten. Abweichungen und Unregelmäßigkeiten innerhalb der Ereignisketten können dann von den Betrugsabteilungen der Banken genauer untersucht werden. Auf diese Weise können z.B. Konten erkannt werden, die nur als Zwischendepot benutzt werden.
- Klassifikations-/Mustererkennungsmodelle: Die speziellen Muster bereits erkannter Betrugsmöglichkeiten werden hierbei mit Hilfe des Data Minings erkannt. Nach den kritischen Mustern werden dann die anfallenden Transaktionen durchsucht. Neue Betrugsvorgänge, die sich an bekannten Mustern orientieren, werden so trotz großer Datenmengen leicht erkannt.
„Die vielfältigen Möglichkeiten des Data Minings bei der Missbrauchs- und Betrugserkennung werden zur Zeit nur unvollständig genutzt .“, meint Markus Ehl, Business Manager bei Altran IT. „Mittels Data Mining können viele Missbräuche und Betrugsfälle frühzeitig erkannt werden. Und das schöne ist: Je mehr Betrugsfälle entdeckt werden, umso klarer und genauer werden die Muster und umso besser wird die Betrugserkennung.“ Data Mining ist also ein lernender Prozess, der sich ständig selbst verbessert und mit fortlaufender Verwendung immer weitere Erfolge erzielt.
Doch Data Mining hilft nicht nur laufende Betrugsfälle zu erkennen, sondern auch Risikovorhersagen zu tätigen. Hierbei werden anhand spezieller Muster, die aufgrund des vorhandenen Kundenstammes gewonnen wurden, zukünftige Kunden bewertet und in Risikoklassen eingeteilt, die z.B. bei der Kreditvergabe verwendet werden können. Die Möglichkeiten Data Mining zum Monitoring derartiger Prozesse zu verwenden und die gewonnenen Informationen im Regelbetrieb einzusetzen gewinnen zunehmend an Bedeutung. „Data Mining wird immer mehr das Standardwerkzeug zur Vorhersage von Risiken und Erkennung von Betrugsmustern. Die Ergebnisse, die Data Mining erzielt, sind dabei oft verblüffend.“, weiß Dr. Jörg Reinnarth, Consultant bei Altran IT. „In einem speziellen Fall zeigte sich, dass viele der Kunden die ihren Kredit nicht zurückzahlen konnten, die waren, die ihre Telefonnummer beim Anmeldeformular nicht angegeben hatten. Diese Kunden wussten es offenbar schon vorher und hatten keine Lust ständig Mahnanrufe zu bekommen.“ Dies war natürlich nur ein Spezialfall. Normalerweise werden mit Hilfe des Data Minings Muster entdeckt, die das Zusammenspiel unterschiedlicher Variabeln des Kunden darstellen.
Altran IT ist spezialisiert auf den Bereich der Mustererkennung und Prognosemodellerstellung. Mit 150 Consultants deutschlandweit gehört Altran IT zu den Spezialisten im Bereich Data Mining.
Altran IT
Bahnhofplatz 18-20
D-56068 Koblenz
www.altran-it.de
Ansprechpartner für weiterführende Informationen:
Business Manager Markus Ehl –
Dr. Jörg Reinnarth –
