Blog

Business Case: Echtzeit Fraud Detection Plattform

2023-12-08by Sarah Wagner

Task

Für jedes Unternehmen sind Betrugsmaschen doppelt schmerzvoll, denn es kostet sie nicht nur Geld auf Betrüger*innen reinzufallen, sondern im schlimmsten Fall auch das Vertrauensverhältnis zu ihren Kund*innen. Gleichzeitig machen Betrugsfälle oft nur einen extrem kleinen Anteil der Transaktionen aus, sodass sie leicht in der Masse untergehen. Wie kann man sich also davor schützen? Unsere Kund*in hat eine Abteilung eingesetzt, um alle Transaktionen manuell zu analysieren und so Betrugsfälle erkennen zu können. Dieser Ansatz war sehr zeitaufwendig und stellte sich als fehleranfällig heraus, da es Menschen schwer möglich ist im Kontext einer so hohen Menge an Transaktionen jede einzelne im Detail zu prüfen und zu vergleichen.

An dieser Stelle kamen wir ins Spiel. Die Herausforderung bestand darin, ein Modell zu entwickeln, das in Echtzeit und automatisiert höherdimensionale Betrugsmuster in den Transaktionen erkennen kann. Sobald eine kritische Transaktion auftritt, soll in Echtzeit ein Alarm bei der Kund*in eingehen, so dass diese in die Lage versetzt wird, sofort zu handeln. Darüber hinaus soll das Modell in der Lage sein, eine Aussage über die Relevanz der Alarme treffen zu können, um eine Priorisierung der kritischen Transaktionen zu ermöglichen.

Data

Das Modell für die Betrugserkennung basiert auf zwei verschiedenen Datenquellen. Zum einen statische Daten aus dem Data Warehouse der Kund*in, die als Historie dazu dienen Muster und Trends im Zusammenhang mit Transaktionen besser zu verstehen. Und zum anderen Echtzeitdaten, die aus Kafka Streams extrahiert werden und die aktuellen Transaktionsdaten enthalten. Die Integration von Echtzeitdaten und statischen Daten durch ETL-Prozesse (Extract, Transform, Load) und Kafka Consumer war ein entscheidender Aspekt des Projekts. Denn nur durch das Einbinden der Echtzeitdaten konnte dieses Projekt und dessen Anforderung einer Reaktion (Alarm) innerhalb weniger Sekunden nach einer Transaktion umgesetzt werden.

Analytics

Die Fraud Detection Plattform verwendet ein Modell, das auf der Kombination von Heuristiken und maschinellem Lernen basiert, um auffällige Transaktionen zu identifizieren. Die Heuristiken bestehen aus vordefinierten Regeln, die entwickelt wurden, um den manuellen Prozess der Betrugserkennung in einem automatisierten Prozess abbilden zu können. Diese Regeln basieren auf bekannten Mustern, Indikatoren und Erfahrungen der Kund*in. Da das darauf aufbauende Machine Learning Modell zu Beginn des Projektes aufgrund fehlender Daten zu existierenden Alarmen nicht perfekt die Relevanz von Alarmen einschätzen konnte, wurden Feedback-Schleifen eingeführt. Ein Dashboard ermöglicht es der Kund*in, die eingehenden Alarme zu bewerten und Feedback zu geben. Dieses Feedback wird zurück in das Machine Learning Modell gespeist und dient dazu, die Einschätzung des Modells über die Relevanz von Alarmen zu verbessern.

Durch die Nutzung von Redis als Cache-Datenbank sowie regelmäßige Backups ist eine schnelle Verarbeitung und Vergleichbarkeit der Transaktionen gewährleistet.

Solution

Unsere Fraud Detection Plattform revolutioniert die Art und Weise, wie die Kund*in mit betrügerischen Transaktionen umgeht. Durch die Integration von Echtzeitdaten und maschinellem Lernen bieten wir eine Lösung, die nicht nur sofortige Reaktionen ermöglicht, sondern auch kontinuierlich besser wird. Der Einsatz unseres hybriden Modells aus bewährten Heuristiken und einem Machine Learning-Algorithmus hat zu einer deutlichen Reduzierung der Schadenskosten geführt. Darüber hinaus ermöglicht unser Ansatz eine schnelle Anpassung an neue Betrugsentwicklungsmuster und -trends während Ressourcen optimal eingesetzt werden können, indem nur relevante Alarme manuell überprüft werden müssen. Die Plattform ist darauf ausgelegt, mit einer hohen Frequenz von Transaktionen umzugehen und skaliert bei steigender Datenmenge mit.