Betrugserkennung
Definition
Betrugserkennung untersucht Vorgänge auf mögliche betrügerische Muster und unterstützt deren Prüfung.
Betrugserkennung bezeichnet das Erkennen verdächtiger Vorgänge, etwa in Zahlungsdaten. Als konkreten Forschungsansatz beschreibt SCARFF die Analyse fortlaufender Kreditkartentransaktionen mit maschinellem Lernen und Werkzeugen zur Verarbeitung von Datenströmen.
Einfach erklärt
Wie eine Kontrolle, die auffällige Belege aus einem Stapel herauslegt. Ein herausgelegter Beleg ist aber noch kein bewiesener Betrug.
Warum das im Alltag wichtig ist
Bei laufenden Zahlungsströmen müssen seltene Betrugsfälle von vielen regulären Vorgängen unterschieden werden. SCARFF behandelt zusätzlich veränderte Muster und verspätete Rückmeldungen.
Beispiel aus dem Mittelstand
Mögliches Beispiel: Ein Onlinehändler lässt auffällige Zahlungsvorgänge zur anschließenden manuellen Prüfung markieren.
Grenzen und Fallstricke
- SCARFF nennt ungleiche Klassenhäufigkeiten, veränderliche Datenverteilungen und verzögerte Rückmeldungen als Lernprobleme. Ein Treffer darf redaktionell nicht mit einem gesicherten Betrugsnachweis gleichgesetzt werden.
Entstehung & Geschichte
Carcillo und weitere Autoren reichten SCARFF am 26. September 2017 als Preprint ein. Dies datiert den beschriebenen Ansatz, nicht die Entstehung der Betrugserkennung insgesamt.
Anwendung im Mittelstand
- Denkbare Einsatzfelder sind die Sichtung verdächtiger Bestellungen, die Priorisierung von Prüffällen und Experimente mit Zahlungsdaten.
Häufige Fragen
Weshalb sind verspätete Rückmeldungen ein Problem?
Beim Lernen steht die Bestätigung eines Betrugsfalls möglicherweise erst später zur Verfügung.
Bleiben Betrugsmuster unverändert?
Die SCARFF-Arbeit behandelt ausdrücklich nichtstationäre Daten und damit veränderliche Muster.
Quellen
- SCARFF: a Scalable Framework for Streaming Credit Card Fraud Detection with Spark · Carcillo et al. (2017): SCARFF: a Scalable Framework for Streaming Credit Card Fraud Detection with Spark
Redaktionell geprüft am: