Die Formen des Finanzbetrugs, denen Unternehmen heute ausgesetzt sind, sind vielfältig. Die Bandbreite reicht von Bankbetrug – hierzu zählen Kreditkarten- und Hypothekenbetrug sowie Geldwäsche – über Unternehmensbetrug wie Bilanzierungs-, Wertpapier- und Wirtschaftswarenbetrug bis hin zu Versicherungsbetrug.
KI-System erkennt Betrugsmuster bei Kartenzahlungen
Innerhalb der Betrugsbekämpfung besonders relevant ist die Kartenzahlung, da sie zu den häufigsten Angriffszielen zählt. Ein Betrugsfall in diesem Bereich wird für gewöhnlich durch ein Regelsystem erkannt. Dieses kennzeichnet Transaktionen auf Grundlage von ausgestellten Regeln oder Schwellenwerten, wie zum Beispiel der Transaktionsbetrag oder die Anzahl der Transaktionen innerhalb eines bestimmten Zeitraums.
Ein weiteres Erkennungsmerkmal ist der Common Point of Purchase (CPP). Dieser wird ermittelt, indem die im Online-Handel verwendeten Karten untersucht werden – innerhalb eines bestimmten Zeitraums. Es folgt eine Schätzung des Anteils der einzelnen Zahlungskarten, die anschließend in betrügerische Transaktionen verwickelt waren. Bei Auffälligkeiten erfolgt eine Überprüfung der Transaktion.
Durch den Einsatz eines KI-basierten Betrugserkennungssystems für Kartenzahlungen soll sich der manuelle Arbeitsaufwand für das Auffinden und die Identifizierung betrügerischer Transaktionen verringern. Gleichzeitig soll die Geschwindigkeit des Betrugserkennungsprozesses erhöht werden.
Lukas Menzel, Consultant bei Nortal, erklärt: „Diese Ziele können durch die Unterstützung von Künstlicher Intelligenz erreicht werden. Ein KI-System ist in der Lage, die Betrugsmuster auf Grundlage früherer Datensätze zu erlernen. Diese wurden von einer Zahlungsplattform oder Bank gesammelt. Nach Abschluss der Lernphase kommt das Modell zum Einsatz. Eingehende Zahlungsanforderungen können nun nahezu in Echtzeit klassifiziert und eine markierte Transaktion kann automatisch blockiert werden.“
Betrugserkennung lässt sich anhand von Daten und Merkmalen trainieren
Die Wirksamkeit einer KI-gestützten Betrugserkennung hängt wesentlich von den Daten ab, mit denen sie trainiert wird. Transaktionen, die vom System zurecht als betrügerisch identifiziert wurden, werden entsprechend gekennzeichnet. Um Konflikte mit Datenschutzgesetzen zu vermeiden, ist es notwendig, die Daten von persönlichen Informationen zu bereinigen.
Das Betrugserkennungssystem lässt sich weiter optimieren, indem komplexere Merkmale aus den verfügbaren Daten herausgefiltert werden. Dazu zählen beispielsweise bestimmte Merkmale der Karteninhaberin oder des Karteninhabers wie die üblichen Ausgabengewohnheiten oder Informationen über die üblichen Umsatzbeträge der betreffenden Karte. Auch die Merkmale des Händlers sind von Interesse. Um die Klassifizierungsergebnisse hier zu verbessern, sollten Merkmale wie der Anteil betrügerischer Transaktionen oder Spitzen im Transaktionsvolumen aus den Daten abgeleitet werden können.
„Ein weiteres wichtiges Merkmal ist der zeitliche Aspekt. Betrügende versuchen in der Regel, in kurzer Zeit so viel Bargeld wie möglich abzuheben. Es ist daher nützlich, Echtzeitinformationen über das Risikoniveau von einer Handel treibenden Person und der Karte zu besitzen. Verzeichnet eine Verkäuferin oder ein Verkäufer beispielsweise innerhalb einer Stunde einen ungewöhnlichen Anstieg beim Umsatz, so kann dies bereits ein Betrugsmerkmal sein“, sagt Menzel.
Auf die richtigen Daten kommt es an
Kreditkartenbetrug ist nur eine von zahlreichen Betrugsformen. Ein KI-basiertes Betrugserkennungssystem soll die Anzahl der Falschmeldungen verringern und den manuellen Arbeitsaufwand sowie die Kosten reduzieren. „Die Daten, mit denen das KI-System trainiert wird, sind entscheidend. Wir arbeiten derzeit in Zusammenarbeit mit Unternehmen und Organisationen an der Erhebung der entsprechenden Datenbasis, um dann wirksame KI-basierte Systeme ausprägen zu können“, erklärt Menzel.
