Betrugserkennung (Fraud Detection)

Sowohl die Geschäftsführung eines Unternehmens als auch die Abschlussprüfer sind vermehrt gefordert, aktiv bei der Vorbeugung und dem Aufdecken strafrechtlich relevanter oder arglistiger (wirtschaftskrimineller) Handlungen im Unternehmen mitzuwirken.

Diese wirtschaftskriminellen Handlungen, die von Seiten der Mitarbeiter oder von Außenstehenden (Kunden) verübt werden, schädigen das Unternehmen in Hinblick auf Reputations- und Schadenskosten fatal.

Die Risikomessung kann mit analytischen Methoden des Data Minings verbessert werden. Data Mining verspricht deliktische Handlungen in großen Mengen von Transaktionsdaten aufzuspüren und die Erfolgsquote bei der Ermittlung von Betrügen zu steigern. Auf Basis vergangener Betrugsfälle werden automatisch Muster (konstante Kriterien in den untersuchten Fällen) ermittelt, die auf untypisches Verhalten und Auffälligkeiten hinweisen. Diese Muster werden dann auf aktuelle Datenbestände angewandt, um Betrugsfälle zu identifizieren, die ähnliche Merkmale besitzen.  Vereinfacht ausgedrückt sucht man in einem ersten Schritt die Antwort auf die Frage „An welchen Verhaltensmustern erkenne ich einen Betrüger?“ und in einem zweiten Schritt sucht man die Antwort auf die Frage „Wer versucht gerade einen Betrug durchzuführen?“.

Von Betrugsfällen sehen sich vermehrt Banken, Versicherungen, Telekommunikationsgesellschaften und der Online-Handel betroffen.

• Banken: Kreditkartenbetrug
  Betrüger testen oftmals mit einem sehr geringen Betrag von zwei bis drei Euro die Funktionstüchtigkeit einer ergaunerten Kreditkartennummer, bevor sie größere Summen transferieren. Bereits hier schlagen analytische Systeme Alarm, da sie die Auffälligkeiten erkennen. Die Abbuchung wird gestoppt sowie die Kreditkarte sofort gesperrt.

• Versicherung: Entdeckung von Manipulationen
  Eine automatisierte Betrugserkennung erhöht einerseits die Aufklärungsquote und beschleunigt andererseits auch die Bearbeitung von Fällen, die nicht verdächtig scheinen, da verdachtsfreie Versicherte mit einer schnelleren Auszahlung rechnen können.

• Online-Handel: Bestimmung des Zahlungsausfallrisikos
  Wie erkennt ein Händler, ob sein Kunde zahlungswillig ist und letztlich seine Rechnung auch begleicht?

• Telekommunikation: Nutzung von Einzelverbindungsnachweisen und Abrechnungsdaten um
  Merkmale zu identifizieren, die auf untypisches Verhalten bzw. Auffälligkeiten hinweisen
  
  - Sehr lange Verbindungs- Gesprächsdauer (z. B. mehr als fünf Stunden)
  - verdächtige Verbindungen ins Ausland
  - Nutzung von kostenintensiven Angeboten, (die als anfällig für Missbrauch bekannt sind)
  - Steigende Nutzungsfrequenz usw.