Fraud Detection mit ML [Teil 1]: Der Prozess
Wie kann ML Finanzdienstleistern bei Betrugserkennung und -prävention helfen?
Mit dem gesellschaftlichen Trend zum Online-Shopping und -Banking im letzten Jahrzehnt stehen Finanzdienstleister (FDL) unter Druck besser mit betrügerischen Transaktionen umzugehen. Die Forderung nach Betrugsprävention kommt nicht nur von den Aufsichtsbehörden, sondern auch von Privat- und Firmenkunden. Aber der massiv wachsenden Geschwindigkeit und dem Volumen von Transaktionen stehen ebenso steigende Kosten für die Prävention oder Schäden durch Betrug gegenüber. Daher möchten wir vorstellen, wie die Umstellung von regelbasierten auf Machine-Learning Systeme helfen kann, die Betrugserkennung effektiv und kosteneffizient zu skalieren.
In der Vergangenheit nutzten FDL sogenannte regelbasierte Systeme, um Transaktionen zu klassifizieren und abzuwickeln. Diese Regeln wurden von Experten auf der Grundlage ihrer Erfahrung über betrügerischen Transkationen definiert und katalogisiert. Obwohl solche Regeln in eine Software zur Transaktionsverarbeitung eingespeist werden können, gibt es auch viele Nachteile:
Pflege von Regelkatalogen bleibt manuell;
Pflege & Verarbeitungsprozesse werden kostenintensiver je größer der Katalog;
Regeln sind anfällig für menschliche Fehler;
Regelanpassungen sind zu langsam für wandelndes Kundenverhalten oder Regulationen.
Diese Herausforderungen können durch die Einbindung von ML in den Präventionsprozess überwunden werden. Unter Verwendung eines Datensatzes früherer Transaktionen, der ihre Attribute und ein Nicht-Betrugs-/Betrugs-Label enthält, können ML-Systeme Transaktionsmuster erlernen und dann entweder neue Transaktionen mit einem Label klassifizieren oder Wahrscheinlichkeiten für die Labels berechnen. Nichtsdestotrotz können ML-Entscheidungen von menschlichen Experten stichprobenmäßig überprüft werden. Außerdem können neu-validierte Transaktionsdaten verwendet werden, um ML-Modelle regelmäßig an sich ändernde Trends anzupassen. Somit bietet ML:
Konstant niedrige Kosten pro Transkation;
Schnellere Klassifizierungen als regelbasierte Verarbeitung;
Leicht quantifizierbare und prüfbare Genauigkeitsmessung;
Kosteneffiziente Skalierbarkeit und Wartung.
ML-Systeme für Betrugsprävention können also eine schnelle und kostengünstige Alternative für FDL sein. Die verschiedenen Möglichkeiten, ML-Modelle zu trainieren, um Nicht-Betrugs-/Betrugsmuster zu erkennen, werden in Teil 2 erläutert: