Betrugserkennung mithilfe von Graphdatenbanken

Banken und Versicherungsunternehmen verlieren jedes Jahr Milliarden von Dollar durch Betrug. Traditionelle Methoden der Betrugserkennung spielen eine wichtige Rolle bei der Minimierung dieser Verluste. Immer raffiniertere Betrüger haben jedoch eine Vielzahl von Möglichkeiten entwickelt, um der Entdeckung zu entgehen, indem sie sowohl zusammenarbeiten als auch verschiedene andere Mittel zur Konstruktion falscher Identitäten nutzen. Graphdatenbanken bieten neue Methoden, um Betrügerringe und andere ausgeklügelte Betrügereien mit hoher Genauigkeit aufzudecken und sind in der Lage, komplexe Betrugsszenarien in Echtzeit zu stoppen.

Auch wenn keine Betrugspräventionsmaßnahmen perfekt sein können, ergeben sich erhebliche Verbesserungsmöglichkeiten, wenn man über die einzelnen Datenpunkte hinaus auf die Verbindungen blickt, die sie miteinander verbinden. Oftmals bleiben diese Verbindungen unbemerkt, bis es zu spät ist – was bedauerlich ist, da diese Verbindungen oft die besten Hinweise enthalten. Die Verbindungen zwischen Daten zu verstehen und aus diesen Verbindungen Bedeutung abzuleiten, bedeutet nicht unbedingt, neue Daten zu sammeln.

Aus den vorhandenen Daten lassen sich wichtige Erkenntnisse gewinnen, indem man das Problem einfach neu formuliert und es auf eine neue Art betrachtet: als Diagramm. Im Gegensatz zu den meisten anderen Möglichkeiten, Daten zu betrachten, sind Diagramme darauf ausgelegt, Zusammenhänge auszudrücken. Graphdatenbanken können Muster aufdecken, die mit herkömmlichen Darstellungen wie Tabellen nur schwer zu erkennen sind. Immer mehr Unternehmen verwenden Graphdatenbanken, um eine Vielzahl verbundener Datenprobleme zu lösen, darunter auch die Betrugserkennung.

In diesem Dokument werden einige der gemeinsamen Muster erörtert, die bei drei der schädlichsten Betrugsarten auftreten: Bankbetrug durch eigene Parteien, Versicherungsbetrug und E-Commerce-Betrug. Obwohl es sich dabei um drei völlig unterschiedliche Betrugsarten handelt, haben sie alle eines gemeinsam: Die Täuschung beruht auf Indirektionsebenen, die durch eine verknüpfte Analyse aufgedeckt werden können. In jedem dieser Beispiele bieten Graphdatenbanken eine bedeutende Gelegenheit, die bestehenden Methoden zur Betrugserkennung zu erweitern und die Umgehung erheblich zu erschweren.

Siehe auch: 4 Möglichkeiten zur Maximierung der Hebelwirkung bei einem Microsoft-Deal

Beispiel 1: Bankbetrug durch Erstparteien

Hintergrund

• Beim First-Party-Betrug beantragen Betrüger Kreditkarten, Kredite, Überziehungskredite und ungesicherte Bankkreditlinien, ohne die Absicht, diese zurückzuzahlen. Für Bankinstitute ist das ein ernstes Problem.
• US-Banken verlieren jedes Jahr zig Milliarden Dollar1 durch Eigenbetrug, der schätzungsweise ein Viertel oder mehr aller Abschreibungen von Verbraucherkrediten in den USA ausmacht. Schätzungen zufolge werden außerdem 10 bis 20 Prozent der ungesicherten uneinbringlichen Forderungen bei führenden US-amerikanischen und europäischen Banken falsch klassifiziert und sind in Wirklichkeit Eigenbetrug.
• Das überraschende Ausmaß dieser Verluste ist wahrscheinlich auf zwei Faktoren zurückzuführen. Erstens ist First-Party-Betrug sehr schwer zu erkennen. Betrüger verhalten sich sehr ähnlich wie legitime Kunden, bis zu dem Moment, in dem sie „ausrasten“, alle ihre Konten leeren und umgehend verschwinden.
• Ein zweiter Faktor – der später ebenfalls genauer untersucht wird – ist die exponentielle Natur der Beziehung zwischen der Anzahl der Teilnehmer des Betrügerrings und dem Gesamtdollarwert, der durch die Operation kontrolliert wird. Diese zusammenhängende Explosion ist ein Merkmal, das von der organisierten Kriminalität häufig ausgenutzt wird.
• Diese Eigenschaft macht diese Systeme nicht nur potenziell sehr schädlich, sondern auch besonders anfällig für grafikbasierte Methoden zur Betrugserkennung.

Laden Sie das vollständige Whitepaper zur Betrugserkennung herunter: Betrugserkennung mithilfe von Graphdatenbanken