Forscher am Massachusetts Institute of Technology (MIT)haben ein System entwickelt, das in Tests die Zahl der Fehlalarme (False Positives) zu betrügerischer Nutzung von Kreditkarten um mehr als die Hälfte reduziert. [...]
Das System könnte Banken viel Geld bringen, denn schon durch fälschlich abgelehnte Transaktionen entgehen den Instituten jährlich Milliarden. Zudem führen False Positives oft dazu, dass betroffene Kunden künftig von der Nutzung einer Karte absehen.
Milliardengrab durch Fehlalarme
Seit den frühen 1990er-Jahren gibt es den Ansatz, möglichen Kreditkartenbetrug mithilfe von Maschinenlernen zu erkennen. Dabei kommen Modelle zum Einsatz, die bestimmte Merkmale von Transaktionen betrachten, um Unstimmigkeiten zu erkennen. Einer Studie von Javelin Strategy and Research aus dem Jahr 2015 zufolge sind vier von fünf Betrugs-Erkennungen solcher Systeme Fehlalarme. Allein in den USA werden aufgrund der False Positives demnach jährlich Transaktionen in der Höhe von annähernd 118 Mrd. Dollar fälschlich abgelehnt. Rund vier von zehn Betroffenen verwenden die entsprechende Karte dann nicht mehr.
„Die große Herausforderung für die Branche sind False Positives“, meint Kalyan Veeramachaneni, Forscher am MIT Laboratory for Information and Decision Systems. Er ist Teil des Teams, das die neue Betrugserkennung entwickelt hat. In Tests an einem Datensatz von 1,8 Mio. Transaktionen einer Großbank hat es die False Positives gegenüber traditionellen Modellen um 54 Prozent gesenkt. Zudem werden weniger tatsächliche Missbrauchsfälle übersehen. Das hätte den Forschern zufolge für die betreffende Bank insgesamt einen finanziellen Vorteil in der Höhe von 190.000 Euro bedeutet.
„Automatisiertes Merkmals-Lernen“
Möglich macht das ein „automatisiertes Merkmals-Lernen“. Damit extrahieren die Forscher über 200 Merkmale einer Transaktion. Das umfasst allgemeine Dinge wie die Frage, ob der Karteninhaber die Transaktion persönlich oder online durchgeführt hat. Wenn innerhalb einer halben Stunde zwei Käufen in 200 Meilen voneinander entfernten Geschäften erfolgen, ist ein Betrug so gut wie sicher, falls beide angeblich persönlich getätigt wurden. Wenn ein Kauf allerdings beispielsweise per App erfolgt ist, können viel eher beide Transaktionen legitim sein.
Das Modell beleuchtet aber auch persönlich angepasste Feinheiten. „Sagen wir, ein Kunde gibt freitags normalerweise fünf oder 15 Dollar bei Starbucks aus“, meint Veeramachaneni. Dann gäbe es eine Variable, die abfragt, wie viel am Morgen eines Freitags in Cafés ausgegeben wurde. Jede neue Transaktion durchläuft einen Entscheidungsbaum mit einfachen Kriterien, der all die Merkmale berücksichtigt, um abzuschätzen, ob es sich um einen Betrugsversuch handelt.
Be the first to comment