Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014

Transkript

1 Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014 Beratung Business Analytics Software Entwicklung Datenmanagement

2 AGENDA Der Kreislauf für die Betrugserkennung Übersicht / Architektur Detection & Discovery Investigation & Reporting Prevention Zukunft Vorstellung Serwise Gruppe Fragen Firmenpräsentation

3 DER KREISLAUF DER BETRUGSERKENNUNG Firmenpräsentation

4 Der Kreislauf der Betrugserkennung Detect Detect in real time if a transaction, request, application, document, etc. is potentially fraudulent by applying models and rules in real time to determine the propensity for fraud Monitor & Report Detect Detect fraud within a business process Prevent Take action in real time when it matters Learn & Model Prevent Apply the results of Detection to stop processing known fraud, or encourage fraudsters to abandon their objective by showing more is known than they think should be known about their activities and intentions Investigate Gather data about fraudsters and/or schemes DETECTED or DISCOVERED. Build cases for prosecution, recoveries, or denial of payments. Build watch lists and rules to apply to DETECTION and/or DISCOVERY Investigate Confirm fraud for prosecution, recovery, rules and watch lists Fraudster Discover Find Fraud within the Data Discover Discover fraud that may exist in in a business or public organization by retrospectively reviewing past data and identifying individuals or organizations that may be conducting fraudulent activities

5 Architektur der Betrugserkennung Operational Systems (Guidewire) Advanced Industry Libraries: Data Models, Predictive Models, Rules, Reports, Process, External Fraud Data etc. Real Time / In line Back Real Office Time / Analytics In line Reporting Prevention Detection Discovery Investigation Integration Action Guidance Rules Predictive Analytics Rules Decision Management Selection Evaluation Anomalies Identification Case Mgt Relationship Visualization Investigative Analytics Operational Reporting Dashboards Feedback Observation Space xxxx Data Sources Claims System Watch List 3 rd Party Accurint Data Others Policy Data Transaction al Detail Claims Paymen t Details Policy Data Fraud Use Case Libraries Evolving Unstructured Sources

6 Detection / Discover Fragen / Herausforderungen Wie erkenne ich Fraud? Vergesslichkeit Verknüpfen von Informationen Keine Zeit für Analyse Basierend auf manueller Suche

7 Detection / Discover Lösung Gute Datenbasis und viel Analytischen Power PureData System for Analytics Definieren von Regeln und Entscheidungsmanagement SPSS Advanced Industry Models and Rules Analyse von Transactions Daten IBM DB2 Analytics Accelerator

8 Investigation / Reporting Fragen / Herausforderungen Das Zusammenstellen einer Akte erfolgt manuell Komplexe Relationen sind schwierig zu erkennen Integration von Fremddaten wie z.b. (Social, Branchen, etc.)

9 Investigation / Reporting Lösung Einfache und rasch Analyse von Relationen IBM i2

10 Investigation / Reporting

11 Investigation / Reporting

12 Prevention Durch eine detaillierte Analyse der Betrugsfälle, können auch entsprechende Weisungen, Regeln und Business Prozesse erstellt werden. Wichtiger Schritt im Prozess der Betrugserkennung!

13 ZUKUNFT Firmenpräsentation

14 Zukunft Verwendung von Branchendaten Datenschutz? Wettbewerbsvorteil? Integration von Daten aus dem Sozialen Netzwerk

15 VORSTELLUNG SERWISE GRUPPE Firmenpräsentation

16 Die Serwise Gruppe Beratung: BigData, Business Analytics, Business Intelligence, Performance Management, etc. Projekt Management: Implementierung und Umsetzung von Analytics und Performance Management Projekten Entwicklung: Kundenspezifische Anpassungen und Entwicklungen Schulungen: Aus- und Weiterbildung im TM1 Umfeld Support und Kundenbetreuung Lizenzverkauf und Management Webdesign, Entwicklung, Hosting, etc.

17 Strategie und Positionierung Dienstleistungs- und Projektarbeit als Kerntätigkeit Klare Kundenfokussierung / Flexibilität Fokussierung auf wichtige Technologien Eigenverantwortung der Mitarbeiter Andauernde Weiterbildung / Training der Mitarbeiter Max % bei einem einzigen Kunden (pro Mitarbeiter) Langfristige Kundenbeziehungen Strategische Partnerschaften mit IBM, Cubeware, Microsoft Nachwuchsförderung

18 Auszug aus der Kundenliste Die Kommission für Technologie und Innovation KTI Financial Services

19 Typische Projekte «Was wir tun?» Wir halten Ausschau nach Problemfeldern in der Organisation unserer Kunden und wir analysieren diese Wir starten Business Analytics Projekte und bauen Management Informationssysteme Wir verkaufen IBM und Cubeware Software Wir bieten professionellen Support (als IBM Support Provider) Neu: Business Analytics im Big Data Umfeld

20

21

22 Kontaktdaten Besten Dank für Ihre Aufmerksamkeit. Carlo Marchesi Senior Consultant Leiter Data Based Solutions