Pressemitteilung von Birgit Fuchs-Laine

Graphdatenbanken unterstützen den Kampf gegen Wirtschaftskriminalität

---

---

München, 5. Mai 2015 - Die führende Graphdatenbank Neo4j von Neo Technology bietet Finanzdienstleistern ein wirkungsvolles Mittel, um zahlreiche Finanzbetrügereien rechtzeitig zu entdecken und zu unterbinden. Aufgrund ihrer speziellen Funktionalität zur Datenanalyse können Graphdatenbanken viele Betrugsmodelle - von Betrugsringen bis hin zu versierten Einzeltätern - in Echtzeit aufspüren.

Die herkömmlichen Methoden zur Betrugserkennung basieren auf Sonderfällen und statistischen Ausreißern sowie der Nachverfolgung von ungewöhnlichem Verhalten. Jedoch stehen Unternehmen vor der Herausforderung, Betrügereien in Echtzeit zu identifizieren und zu unterbinden. Dafür müssen sie wesentlich subtilere Hinweise durch die Auswertung von verbundenen Daten bzw. Entitäten erhalten. Durch die Abfragen und Analysen von komplexen, verbundenen Netzwerke bieten sich Graphdatenbanken als wirkungsvolles Werkzeug an, um Betrugsringe unkompliziert aufzudecken.

"Graphdatenbanken unterstützen die Betrugsbekämpfung auf besondere Weise, da sie eine Gruppe von Personen sowie deren Aktivitäten in Verbindung setzen und so Betrugsfälle bereits bei deren Ausführung erkennen können. Vormals unbemerkte Absprachen werden offensichtlich, wenn man sie mit einem System betrachtet, das auf vernetzte Daten ausgelegt ist", sagt Emil Eifrem, Gründer und CEO von Neo Technology. "Mit anderen Worten: Neo4j stoppt die Verbrecher bereits am Eingang. Das System ist nicht nur eine fortschrittliche Methode zur Betrugsbekämpfung, sondern verleiht Unternehmen ebenso zusätzliche Agilität."

Betrugsarten
Zu den momentan häufigsten Betrugsarten zählen "First-Party Fraud" bei Banken, Versicherungsbetrug und E-Commerce-Betrug. Während diese drei unterschiedliche Vorgehensweisen darstellen, teilen sie sich eine entscheidende Gemeinsamkeit: alle basieren auf Täuschungen mit mehreren Verschleierungen, die durch eine Analyse von vernetzten Daten aufgedeckt werden können.

- Der "First-Party Fraud" beschreibt Betrüger, die Kreditkarten, Darlehen, Überziehungskredite oder nicht gesicherte Kreditlinien beantragen und die Schulden nicht zurückzahlen. Dieses Vorgehen hat bereits immense Ausmaße angenommen und kostet US-Finanzinstitute über 10 Milliarden US-Dollar pro Jahr.(1) Herkömmliche Methoden zur Betrugsbekämpfung haben ihre Probleme damit, Betrugsringe zu entlarven und sie zu stoppen, bevor sie Schaden anrichten können, da sie für die Analyse hier ungeeigneter Parameter entwickelt wurden. Die Standardinstrumente - wie das Abweichen vom normalen Einkaufsverhalten - verwenden isolierte Datensätze anstatt die indirekten Verbindungen zwischen ihnen, die auf Betrug hinweisen könnten, zu analysieren. Diskrete Methoden eignen sich für die Identifikation von allein handelnden Individuen, aber haben bei der Aufdeckung von geheimen Absprachen ihre Schwächen. Darüber hinaus tendieren diese Ansätze dazu falschen Alarm auszulösen - mit unerwünschten Nebenwirkungen auf Kundenzufriedenheit und Umsatzzahlen.

- Versicherungsbetrug: Der GDV beziffert den Schaden durch Betrug für die deutschen Versicherer auf vier Milliarden Euro jährlich - Tendenz steigend. Wie bei der Erkennung von Kreditbetrug, entwickelte sich ein Stufenansatz als Best Practice für die Aufdeckung von Versicherungsbetrug. Bestehende Analysetechniken reichen oft gerade aus, um gewisse Betrugsszenarien abzudecken. Raffinierte Verbrecher können diese aber durch Kooperation umgehen. Betrügergruppen sind sehr geschickt darin, ihre Absprachen zu verbergen, und erfinden komplexe Scheinunfälle, die keinerlei Verdacht aufwerfen. Der nächste Schritt in der Bekämpfung von Versicherungsbetrug ist daher der Einsatz von sozialer Netzwerkanalyse. Diese Analysen ermöglichen es, Verbindungen zwischen Personen zu erkennen, die normalerweise als vollkommene Fremde erscheinen würden.

- E-Commerce-Betrug: Heutzutage gehören Online-Finanztransaktionen zum Alltag. Ebenso alltäglich sind Betrüger, die die Online-Zahlungssysteme austricksen. In Deutschland sollen im Jahr 2014 schätzungsweise 2,4 Milliarden Euro Schaden entstanden sein. Normalerweise ist hierbei eine größere Gruppe involviert, aber auch versierte Einzelpersonen können eine große Anzahl von Scheinidentitäten entwerfen und diese für größere Betrügereien verwenden. Auch hier bieten Graphdatenbanken mit Mustererkennung in Echtzeit Vorteile. Durch die Definition von Überprüfungen und die Verknüpfung mit Event-Triggern lassen sich Betrügereien aufdecken, bevor überhaupt größerer Schaden entstanden ist.

Gamesys unterbindet mit Neo4j Gaunereien
Gamesys, der größte Social-Gaming-Anbieter in Europa, entwickelte die weltweit erste Cash-Gaming-App für Facebook. Mit der Graphdatenbank Neo4j konnte das Unternehmen problemlos die notwendigen sozialen Funktionen zusammenstellen, weil die vorliegenden Daten bereits in Verbindungen organisiert vorlagen. 18 Monate später spielt die Technologie eine noch wichtigere Rolle bei der Betrugsbekämpfung, da sie den Missbrauch von Empfehlungen aufdecken und einschränken kann. Gamesys verwaltet im Jahr fünf Milliarden Finanztransaktionen sowie 250.000 eindeutige Spieler pro Monat. "Wir entschieden uns für Neo4j, um damit ein soziales Netzwerk zu modellieren. Aber im Laufe der Zeit erkannten wir, dass wir damit auch verdächtiges Verhalten hinsichtlich unserer "Einem Freund empfehlen"-Funktion identifizieren können", sagt Toby O'Rourke, Head of Client Platform bei Gamesys.

1) Experian via http://www.experian.com/assets/decision-analytics/white-papers/first-partyfraud-wp.pdf

Bildquelle: Neo Technology Firmen- & Pressekontakt