Publikationen

In Deutschland liegt die Betrugsrate beim Online-Handel bei ca. 1%. Der entsprechende Geldwert beläuft sich auf mehrere Millionen Euro. Mittels Maschinellem Lernen können Merkmale ermittelt werden, die in gewissen Kombinationen mit einer sehr hohen Wahrscheinlichkeit zur Aufdeckung des Betrugs führen.

Gilt es große heterogene Datenmengen (Big Data) zu verarbeiten bzw. Muster zu erkennen, ist der Computer oft dem Menschen überlegen. Gerade im Online-Handel, wo viele verschiedene Daten anfallen, kann das Maschinelle Lernen (ML) Gesetzmäßigkeiten schneller erkennen und daraus Lösungen entwickelt werden. In der aktuellen Praxis werden ML-Verfahren nur situativ und von Experten angewandt, sodass der Aufwand immer noch sehr hoch bleibt. Bisher gab es wenige aussichtsreiche Verfahren, um Betrug im Online-Handel einzudämmen. Knuth (2018) konnte jedoch in seiner Doktorarbeit aufzeigen, wie sich mit Hilfe von ML die Betrugsrate im Online-Handel deutlich senken lässt. Er wendet dazu die logarithmische Regressionsanalyse und den Gradient-Boosted-Tree-Algorithmus an. Weitere gängige Methoden zur Betrugsermittlung bei Finanztransaktionen sind Künstliche Neuronale Netzwerke (KNN), die Bayessche Statistik, Entscheidungsbäume, aber auch Expertensysteme. Es kommt aber nicht notwendigerweise darauf an, einen spezifischen ML-Algorithmus anzuwenden, sondern vielmehr die richtigen Kennzahlen und deren Kombination im Vorfeld ausfindig zu machen. Die bei Knuth (2018) verwendeten Merkmale sind u. a.: Alter des Kontos („Account Age“), Lieferweg [in km] („Address Distance“), Anzahl der bestellten Artikel („Number of Articles“), Bestellzeit („Order Hour“), Paketannahmestelle („Parcel Shop“).
Dabei mag ein Merkmal wie z. B. „Number of Articles“ isoliert betrachtet ein relativ geringes Risiko darstellen, während es in einer Kombination (Muster) auf einen Betrugspfad führen kann. Mit einer Wahrscheinlichkeit von 81% führt die Kombination „Account Age > 4,5 days“ – „Adress Distance > 92,41 km“ – „Parcel Shop false“ zu einem Betrüger, wohingegen die Kombination „Account Age > 4,5 days“ – „Adress Distance ≤ 92,41 km“ – „Order Hour > 4,5 h“ eine geringe Betrugswahrscheinlichkeit aufwies.
Mittels überwachtem Lernen könnten diese Ergebnisse bspw. ein KNN derart trainieren, dass auch andere Online-Versandhäuser gewinnbringende Ergebnisse bei der Aufdeckung von Betrug erzielen.

Autorin: Dr. Dina Barbian, VDI/VDE-Ak Digitalisierung & Nachhaltigkeit

In der Fachzeitschrift Controlling & Management Review 63 (2019) 4 sind zu den möglichen Einsatzfeldern von Künstlicher Intelligenz im Controlling unter anderem vier historische Phasen sowie Elemente, Grundlagen, typische Aufgaben und mögliche Einsatzfelder von KNN beschrieben (Mertens und Barbian 2019).

Literaturquellen:
Mertens, P., Barbian, D. (2019) Erreicht Künstliche Intelligenz auch das Controlling?, Controlling & Management Review 63(4), S. 8-17.
Knuth, T. (2018) Fraud Prevention in the B2C E-Commerce Mail Order Business: A Framework for an Economic Perspective on Data Mining, Dissertation, Business School Edinburgh – Napier University, Edinburgh.