Fraud Prevention. Intelligente Bekämpfung von Betrug in Finanzinstituten

Größe: px

Ab Seite anzeigen:

Download "Fraud Prevention. Intelligente Bekämpfung von Betrug in Finanzinstituten"

Dörte Schenck
vor 8 Jahren
Abrufe

1 Intelligente Bekämpfung von Betrug in Finanzinstituten Frankfurt,

2 Ausgangssituation Wieso rückt das Thema Betrug immer mehr in den Fokus? In den vergangenen Jahren wurden Fragen nach dem Risikomanagement von Banken meist im Zusammenhang mit komplexen Finanzprodukten gestellt. Abseits davon wird das Thema Betrug jedoch auch im bodenständigen Privatkundengeschäft immer mehr zum heißen Eisen. Gerade hier können bereits einzelne Betrugsfälle zu einem massiven Reputationsschaden bei einer Bank führen. Allerdings ist das nicht der einzige Grund, weshalb (interner) Betrug zunehmend auf die Agenda der Banken rückt: Jeder einzelne Betrugsfall fügt der Bank natürlich unmittelbaren finanziellen Schaden zu, diese Schäden wirken sich unmittelbar auf die Anforderungen an das für das operationelle Risiko in der Bank vorzuhaltende Kapital aus. Weiterhin fordert der novellierte 25c KWG von jedem Kreditinstitut, angemessene präventive Maßnahmen gegen Betrug zu ergreifen. Wie kann also Betrug in Finanzinstituten effektiv verhindert werden? Seite 2

Abseits davon wird das Thema Betrug jedoch auch im bodenständigen Privatkundengeschäft immer mehr zum heißen Eisen.

3 Ausgangssituation Was bedeutet Betrug für mein Haus? Kosten Direkter finanzieller Schaden entsteht durch Diebstahl an Bank und Bankkunden. Kapital Erhöhte Risikokapitalanforderungen im Bereich Operationelles Risiko werden gestellt. Aufsicht Maßnahmen zur Prävention von Betrug müssen gemäß 25c KWG ergriffen werden. Seite 3

4 Fokussierter Ansatz Was kann Nagler & Company anbieten? Identifikation von Risikobereichen mit geringer Überwachungsdichte hohem Schadensvolumen vielen dokumentierten Fällen Konzeption der statistischen Analyse Individuelle Auswahl der verwendeten Software (z.b. R, SAS, Visual Rules) Auswahl geeigneter statistischer Verfahren für jeden Risikobereich Berücksichtigung der Situation vor Ort (z.b. verfügbare Datenquellen und Ressourcen, etc.) Umsetzung in der Praxis Training der Mitarbeiter Entwicklung von Prototypen Unterstützung bei der Implementierung Abstimmung mit Aufsicht und Wirtschaftsprüfer Seite 4

Analyse Individuelle Auswahl der verwendeten Software (z.b.

5 Fokussierter Ansatz Wie geht Nagler & Company vor? Analyse Daten Methoden Prozesse Interviews Datenanalyse Deskriptive Statistik Strukturierte Vergleiche Dispositive Daten Operative Daten Datenbeschaffung Keep-it simple Effizienz Performanz Adäquates Modell Verdacht Handlungen Feed-Back An spezifische Situation vor Ort individuell angepasst Seite 5

Strukturierte Vergleiche Dispositive Daten Operative Daten Datenbeschaffung Keep-it

6 Fokussierter Ansatz Welche Analysemethoden können verwendet werden? Bestimme Eingangsdaten Bereinige Eingangsdaten Nein Betrugsmuster bekannt Nein Trainingsdaten für Abweichung & Norm Nein Trainingsdaten für Norm Nein Norm über Dichte bestimmbar Ja Ja Ja Ja Bestimme Regel mit Expertenwissen Definiere Trainings- und Testdaten Bestimme Abstandsfunktion für Klassifikation Bestimme Dichtefunktion Regelbasierte Verfahren Klassifikation durch Machine Learning Verfahren Bildung von Ein-Klassen- Modell Clusteringverfahren Quelle: Seite 6

Norm über Dichte bestimmbar Ja Ja Ja Ja Bestimme Regel mit Expertenwissen Definiere Trainings- und Testdaten Bestimme Abstandsfunktion für

7 Beispielprojekt

8 Beispiel Was wurde untersucht? Untersuchung von gefährdeten Kundenkonten Identifikation bekannter Betrugsmuster und Festlegung von Gefährdungskriterien Filterung der Konten nach Gefährdungskriterien mit statistischen Methoden Detaillierte Untersuchung auffälliger Transaktionen durch Spezialisten Untersuchung von internen Erstattungskonten Identifikation von Kundennummern, die häufige Gutschriften zu Lasten von Erstattungskonten erhalten Detaillierte Untersuchung dieser Gutschriften durch Spezialisten Seite 8

Filterung der Konten nach Gefährdungskriterien mit statistischen Methoden Detaillierte Untersuchung auffälliger Transaktionen

9 Beispiel Beispiel: Untersuchungsmodell Kundenkonten Norm Viele Umsätze im Vorjahr Wenige Norm Viele Umsätze im lfd. Jahr Nein Norm Wenige Abweichung Ja Krit. Umsätze Nein Norm Seite 9

10 Beispiel Entwicklung eines Prototypen Datenquellen Verwendung dispositiver Daten Zugriff auf verschiedene Datenquellen Auswahl der geeignetsten Daten Software Strukturierte Speicherung der Daten in MySQL Datenbank Auswertung der Daten mittels R und MySQL Analysemethode Identifikation von Abweichung von Norm Manuelle Untersuchung der Abweichung durch Forensik- Abteilung der Bank Seite 10

Daten in MySQL Datenbank Auswertung der Daten mittels R und MySQL Analysemethode Identifikation

11 Beispiel Ergebnisse des Prototypings Ergebnisse der Analyse Alle bekannten Betrugsfälle erfasst ( Proof-of-Concept ) Bislang unbekannte Betrugsfälle entdeckt Fälle von Kompetenzüberschreitung entdeckt Eingeleitete Maßnahmen Disziplinarische Maßnahmen wurden ergriffen Regelprozess unter Verwendung von SAS wird installiert Erzielte Erfolge Auffällige Erstattungsbuchungen gehen deutlich zurück Betrug wird effektiv verhindert Seite 11

Eingeleitete Maßnahmen Disziplinarische Maßnahmen wurden ergriffen Regelprozess unter Verwendung von SAS

12 Ansprechpartner: Dr. Sascha Engelbrecht Director MOBIL +49 (151)

Ähnliche Dokumente

Wir helfen bei Ihrem Risikomanagement. NEU: Anbindung an das DSPortal für Ihren Schutz vor Betrug.

Wir helfen bei Ihrem Risikomanagement NEU: Anbindung an das DSPortal für Ihren Schutz vor Betrug. Prävention von Betrugsfällen Neu: Das Deutsche Schutz-Portal Strafbare Handlungen bei Finanzdienstleistungen