Fraud Detection

Betrug ist ein großes Problem für viele Unternehmen und kann von unterschiedlicher Art sein: ungenaue Kreditanträge, betrügerische Transaktionen (sowohl offline als auch online), Identitätsdiebstahl und falsche Versicherungsansprüche. Einige Beispiele für wahrscheinliche Opfer sind Kreditkartenherausgeber, Versicherungsgesellschaften, Einzelhändler, Hersteller, Business-to-Business-Anbieter und sogar Dienstleister. Ein prädiktives Modell kann helfen, die "schlechten Seiten" auszusortieren und das Betrugsrisiko eines Unternehmens zu reduzieren.

Predictive Modellierung kann auch verwendet werden, um risikoreiche Betrugskandidaten in der Wirtschaft oder im öffentlichen Sektor zu identifizieren. Mark Nigrini entwickelte eine Risiko-Scoring-Methode zur Identifizierung von Auditzielen. Er beschreibt die Anwendung dieses Ansatzes zur Aufdeckung von Betrug in den Franchisenehmer-Verkaufsberichten einer internationalen Fast-Food-Kette. Jeder Standort wird mit 10 Prädiktoren bewertet. Die 10 Punkte werden dann gewichtet, um einen endgültigen Gesamtrisikowert für jeden Standort zu erhalten. Der gleiche Scoring-Ansatz wurde auch bei der Identifizierung von risikoreichen Check-Kiting-Konten, potenziell betrügerischen Reisebüros und fragwürdigen Anbietern angewandt. Ein recht komplexes Modell wurde verwendet, um betrügerische Monatsberichte zu identifizieren, die von divisionalen Controllern vorgelegt wurden.

Der Internal Revenue Service (IRS) der Vereinigten Staaten verwendet auch prädiktive Analysen, um Steuererklärungen zu analysieren und Steuerbetrug zu identifizieren.

Jüngste technologische Fortschritte haben auch eine prädiktive Verhaltensanalyse zur Erkennung von Webbetrug eingeführt. Diese Art von Lösung verwendet Heuristiken, um das normale Verhalten der Webnutzer zu untersuchen und Anomalien zu erkennen, die auf Betrugsversuche hinweisen.

 

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.