Das Unternehmen betreibt ein Netzwerk von Elektronikgeschäften mit einem Treueprogramm. Jeder Missbrauch führt zu finanziellen Verlusten und verfälscht die Analysen.
Die Betrugserkennung war ineffizient. Das Team prüfte monatlich über 200 Videos basierend auf Intuition. Nur in 5 bis 10 % der Fälle bestätigte sich der Betrug. Der Prozess verbrauchte viel Zeit und übersah viele Vorfälle.
Wir kombinierten Daten aus getrennten Systemen. Dies umfasste Transaktionen und Produkte sowie Zahlungsmethoden und Rückgaben. Auch Aktivitätsmuster der Treuekarten und Standorte wurden integriert.
Wir nutzten frühere Entscheidungen des Sicherheitsteams als Lernbeispiele. Das System lernte, welche Muster zu bestätigtem Betrug führten.
Das Modell schätzt die Wahrscheinlichkeit für Bonusmissbrauch ein. Das Ziel ist die Erkennung von Kassierern, die eigene Karten nutzen. Das Ergebnis ist eine Rangliste für das Sicherheitsteam.
Da es wenig bestätigte Fälle gab, fokussierten wir uns auf die beste Liste für die Überprüfung. Jede Prüfung liefert neue Beispiele und macht das System genauer.
Das Sicherheitsteam prüft jetzt weniger Transaktionen. Gleichzeitig erkennt es mehr Betrugsfälle. Das spart Zeit und beschleunigt die Untersuchungen. Jede Prüfung liefert neue markierte Beispiele. Dadurch wächst der Datensatz für Betrugsfälle schneller. Mit der Zeit verbessert das die Genauigkeit und die Abdeckung des Scoring-Modells.
