Das Unternehmen betreibt ein Netzwerk von Online- und Offline-Elektronikgeschäften und ein Treueprogramm, in dem Kunden für Einkäufe Prämien sammeln und diese später zum Bezahlen von Produkten einlösen können. Jeder Missbrauch dieses Programms führt zu direkten finanziellen Verlusten und verfälscht die Analyse der Kundenbindungsprogramme.
Die größte Herausforderung bestand in der Ineffizienz der Betrugserkennung. Jeden Monat wählte das Sicherheitsteam manuell über 200 Transaktionsvideos aus und überprüfte sie anhand interner Regeln und seiner Intuition. Nur 5 bis 10 Prozent dieser Überprüfungen führten zu einem bestätigten Betrugsfall.
Der Prozess war sehr zeitaufwendig und dennoch wurden viele Betrugsfälle übersehen. Das Unternehmen musste die Anzahl der geprüften Transaktionen reduzieren, ohne die absolute Anzahl der aufgedeckten Betrugsfälle zu verringern, und idealerweise einen größeren Anteil davon aufdecken.
Wir haben Daten zusammengeführt, die zuvor in separaten Systemen gespeichert waren. Dazu gehörten Transaktionsdetails wie Beträge, Produkte, Zahlungsmethoden, Bonusnutzung und Rückgaben. Außerdem haben wir Daten zu Kundenkartenaktivitäten integriert, darunter Bonusguthaben und Einlösungsmuster, sowie Daten zu Kassierern, Filialen, Standorten und Zeitmustern.
Wir nutzten die bisherigen Prüfentscheidungen des Sicherheitsteams als Beispiele, um das System daraus zu lernen. Für jede geprüfte Transaktion erfassten wir, ob sie anhand von Videoaufnahmen und internen Richtlinien als Betrug bestätigt wurde oder nicht. Diese Beispiele zeigten dem System, welche Muster üblicherweise zu Bonusmissbrauch führen.
Wir haben ein Modell trainiert, um die Wahrscheinlichkeit zu schätzen, dass eine Transaktion dem Muster des Bonusmissbrauchs folgt. Ziel war es, Fälle zu erkennen, in denen Kassierer ihre eigene Kundenkarte oder eine ähnliche Karte verwenden, um Boni zu sammeln und diese später einzulösen. Das Ergebnis ist eine Rangliste der Transaktionen, sodass das Sicherheitsteam die Fälle mit dem höchsten Risiko zuerst prüft.
Da es nur wenige bestätigte Fälle aus der Vergangenheit gab, aus denen wir lernen konnten, war es nicht unser Ziel, manuelle Ermittlungen zu ersetzen. Wir konzentrierten uns darauf, die besten Fälle für die Überprüfung zu erstellen, damit das Team mit weniger Aufwand mehr Betrugsfälle aufdecken konnte. Jede abgeschlossene Überprüfung fügt neue bestätigte Beispiele hinzu, wodurch das System im Laufe der Zeit genauer wird.
Das Sicherheitsteam prüft nun weniger Transaktionen und identifiziert dabei mehr Betrugsfälle. Dies spart Zeit und beschleunigt die Ermittlungen. Jede Prüfung fügt neue, gekennzeichnete Beispiele hinzu, wodurch der Betrugsdatensatz schneller wächst. Im Laufe der Zeit verbessert dies sowohl die Genauigkeit als auch die Abdeckung des Bewertungsmodells.
