Skip to main content
main-content

29.03.2016 | Bank-IT | Im Fokus | Onlineartikel

Betrugsversuche in Echtzeit aufdecken

Autor:
Holger Temme

Jedes Jahr verursachen Betrugsfälle in der Finanzbranche Schäden in Milliardenhöhe. Konventionelle Methoden der Datenanalyse helfen hier nicht weiter. Um Betrügernetzwerke aufzuspüren, müssen die Beziehungen zwischen den Daten aufgedeckt werden.

Genau das machen Graphdatenbanken. Sie erkennen verdächtige Muster und können so Betrüger in Echtzeit schnappen. Eine Art des Betrugs ist der so genannte „First Party Fraud“ – der Betrug durch den Antragsteller. Die Vorgehensweise ist dabei grundsätzlich gleich: Zunächst werden aus Kontaktdaten wie Telefonnummer und Adresse mehrere falsche Identitäten erstellt. Mitglieder nutzen diese Identitäten, um beispielsweise Konten und Kredite zu beantragen. Sie verhalten sich lange Zeit wie legitime Kunden, bis sie plötzlich „ausbrechen“ und ihre Konten räumen.

Exponentielle Steigerung

Die hohen Verluste beim First Party Fraud liegen vor allem im exponentiellen Anstieg: Je mehr Personen in einem Betrügernetzwerk organisiert sind, desto schneller steigt die Höhe des gestohlenen Gesamtbetrags.

Empfehlung der Redaktion

2016 | Buch

Fraud-Prävention in Kreditinstituten

Ursachenanalyse, Regulierung und praktische Ausgestaltung

Kernziel der Arbeit ist das Aufzeigen von Schwierigkeiten und Verbesserungspotenzial in der Prävention von Occupational Fraud, was nicht nur in Kreditinstituten zu erheblichen finanziellen Verlusten führen kann und bereits geführt hat. Die Analyse

Zehn Betrüger mit zehn gemeinsam genutzten Datenelementen, wie Name, Geburtsdatum, Telefonnummer, können beispielsweise 100 falsche Identitäten schaffen. Selbst wenn sie nur drei Kreditarten pro Identität mit einer Kreditlinie von je 5.000 Euro ausnutzen, beträgt der potenzielle Verlust für die Bank insgesamt 1,5 Millionen Euro.

Herkömmliche Methoden sind nicht darauf ausgerichtet, Netzwerke oder Gruppen zu erkennen. Standard-Datenbankmodelle können die Betrugserkennung daher nur begrenzt erfassen, beispielsweise Abweichungen von normalen Einkaufsmustern, und finden so Einzeltäter. 

Um betrügerische Banden zu entlarven, müssen sie jedoch eine Reihe von Tabellen und Spalten miteinander verbinden – zum Beispiel Name und Kontonummer (siehe untenstehende Abbildung). Für ein Gesamtbild des Netzwerks ist es zudem notwendig, manche dieser Tabellen mehrfach – einmal pro Identität – zu berücksichtigen. Solche Abfragen sind sehr komplex im Aufbau, teuer in der Durchführung und bringen das System oft ins Stocken.

Mit dem Graph die Struktur erkennen

Ganz anders agieren Graphdatenbanken wie beispielsweise Neo4j. Sie sind dafür konzipiert stark vernetzte und/oder unstrukturierte Informationen anschaulich darzustellen. Sie bilden nicht nur einzelne Daten, so genannte Knoten, sondern auch die bestehenden Verbindungen, die "Kanten", zwischen ihnen ab. Dazu gehören zum Beispiel das Belasten der Kreditkarte oder eine Kontoeröffnung. Zudem kann diesen Datenbeziehungen eine beliebige Anzahl von qualitativen oder quantitativen Eigenschaften zugewiesen werden. Zum Beispiel

  • die Höhe des Geldbetrags oder
  • die Dauer des Kredits.

Mustererkennung für besseren Betrugsschutz

Banken und Finanzinstitute können so über eine „soziale Netzwerkanalyse“ Beziehungen zwischen einzelnen Kunden untersuchen und Muster erkennen – beispielsweise die Benutzung gleicher Adressen oder Telefonnummern bei unterschiedlichen Konten. Fest definierte Zeitpunkte, wie die Kontoeröffnung oder das Erreichen des Kreditrahmens, können mit den Daten in Verbindung gesetzt werden. 

Stark automatisierte und damit immer schneller ablaufende Geschäftsprozesse erlauben nur ein kleines Zeitfenster für die Aufdeckung. Die Echtzeit-Analyse von Daten ist daher ein entscheidender Vorteil der Graphdatenbanken im Kampf gegen First Party Fraud. Die Abfragegeschwindigkeit hängt nur von der Anzahl der für eine gewünschte Abfrage relevanten Beziehungen ab. Komplexe Analysen lassen sich innerhalb weniger Sekunden realisieren. Banken und Finanzinstitute können so blitzschnell auf Betrugsversuche reagieren und betroffene Kreditkarten und Konten sperren.

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

Das könnte Sie auch interessieren

Premium Partner

micromStellmach & BröckersBBL | Bernsau BrockdorffMaturus Finance GmbHPlutahww hermann wienberg wilhelmAvaloq Evolution AG

BranchenIndex Online

Die B2B-Firmensuche für Industrie und Wirtschaft: Kostenfrei in Firmenprofilen nach Lieferanten, Herstellern, Dienstleistern und Händlern recherchieren.

Whitepaper

- ANZEIGE -

Blockchain-Effekte im Banking und im Wealth Management

Es steht fest, dass Blockchain-Technologie die Welt verändern wird. Weit weniger klar ist, wie genau dies passiert. Ein englischsprachiges Whitepaper des Fintech-Unternehmens Avaloq untersucht, welche Einsatzszenarien es im Banking und in der Vermögensverwaltung geben könnte – „Blockchain: Plausibility within Banking and Wealth Management“. Einige dieser plausiblen Einsatzszenarien haben sogar das Potenzial für eine massive Disruption. Ein bereits existierendes Beispiel liefert der Initial Coin Offering-Markt: ICO statt IPO.
Jetzt gratis downloaden!

Bildnachweise