Optimierter Einsatz von Ressourcen bei der automatisierten Betrugserkennung

Abstract

This thesis deals with automatized, data-based fraud detection in the financial and banking sector. Machine Learning and Data Mining algorithms are widely spread in the field of the automatized detection of this kind of fraud. Generally, an algorithmic detection is followed by an assessment by professional staff. These assessments by humans cause high costs and are in practice a limited resource. Thus, companies are forced to use this human resource as systematic and optimal as possible. A general drawback of established methods remain the high rate of false positives (falsely detected frauds) by the algorithm. These false detections cause a high amount of needless assessments. Therefore, this thesis is dedicated to the question how to estimate a probability of fraud, or in other words a meaningful order of the algorithmic detections. The algorithmic detections with the highest probability of fraud are consequently the first ones being assessed. It will be shown on the example of credit card fraud that the presented method yields a significant increase of the rate of correct human assessments and in further consequence reduces costs and effort.

Diese Arbeit thematisiert die automatisierte, datenbasierte Betrugsfallerkennung(engl. fraud detection) im Finanz- und Bankwesen. Machine Learning und Data Mining Algorithmen sind weit verbreitet in der automatisierten Erkennung von diesen Betrugsfällen. Einer positiven algorithmischen Erkennung eines Betrugsfalles folgt im Allgemeinen eine Begutachtung durch Fachpersonal. Genau diese menschlichen Überprüfungen verursachen hohe Kosten und sind in der Praxis eine begrenzte Ressource. Daher legen Unternehmen hohen Wert darauf diese möglichst systematisch und optimal einzusetzen. Eine Schwäche gängiger Methodiken sind die hohe Rate an fälschlicherweise algorithmisch erkannten Betrugsfällen, welche viele nicht notwendige menschliche Überprüfungen zur Folge haben. Daher widmet sich diese Arbeit der Frage wie für die erkannten Betrugsfälle eine Wahrscheinlichkeit, bzw. eine sinnvolle Überprüfungs-Reihenfolge geschätzt werden kann. Die wahrscheinlichsten Betrugsfälle können somit zuerst überprüft werden und die Ressource Mensch kann so optimal eingesetzt werden. Am Beispiel von Kreditkartenbetrugsfällen wird anschaulich gezeigt, dass sich durch diese Methodik die Rate an korrekten menschlichen Überprüfungen deutlich steigern lässt und somit Kosten und Aufwandeingespart werden können.