Decision Trees zur Ermittlung auffälliger Transaktionen - eine interaktive Vorstellung
Immer mehr deterministische Bankenprozesse werden durch den Einsatz von Machine Learning vereinfacht oder effizienter durchgeführt.
Die Erkennung von Anomalien/Ausreißern ist wichtig und findet ihre Anwendung in verschiedenen Bereichen, z.B. bei der Ermittlung betrügerischer Banktransaktionen, einer Änderung des Kundenverhaltens oder einem plötzlichen Umsatzanstieg/-rückgang - verallgemeinert gesprochen bei besonders “auffälligen” Ereignissen.
Darüber hinaus lassen sich durch Elemente des statistischen Lernens sehr genaue quantitative Vorhersagen auf Einzelgeschäftsebene für bspw. die GuV oder stille Reserven / Lasten treffen, wie wir bereits in mehreren Kundenprojekten demonstrieren konnten.
Viele dieser Techniken wurden im Bereich ML entwickelt, um Datensätze zu analysieren und Ungereimtheiten in den Daten zu erkennen. In diesem Artikel möchte ich einen Einblick in die Implementierung von Algorithmen geben, welche auf Entscheidungsbäumen basieren und sich somit für eine unüberwachte Anomalie-Erkennungstechnik eignen.
Eine interaktive Vorstellung der generellen Funktionsweise und des Lernvorgangs in der Praxis von Entscheidungsbäumen findet sich besonders eindrucksvoll auf folgender Website:
Mithilfe von weiteren Elementen des statistischen Lernens ergeben sich aus dem unüberwachten Decision Tree Modell mehrere Erweiterungen, z.B. der Isolation Forest (welcher in der Betrugserkennung zum Einsatz kommt) oder der hinsichtlich der Genauigkeit der Vorhersage besonders robuste Random Forest.
Mehr Informationen zu diesen Modellen sind in diesem Artikel zu finden: