Skimming vereiteln mit Hilfe von künstlicher Intelligenz

20.05.2019

< Zurück zur Übersicht

Schützen Sie Ihre Kunden vor Betrug am Geldautomaten

Berichte über Skimming, das Stehlen von Karten- und PIN-Informationen während der Bankautomatentransaktion mit dem Ziel, damit gefälschte Karten zu erstellen und Geld abzuheben, verunsichern Kunden und erschüttern deren Vertrauen in ihre Bank. Das Problem ist, dass Skimming-Aktivitäten meist erst auffallen, wenn Abschöpfungstransaktionen erkannt werden. Bestehende Hardware-Lösungen helfen nur bedingt vor dem Stehlen der Karten- und PIN-Informationen.

Erfahren Sie im folgenden Artikel, wie Skimming-Attacken erkannt und vereitelt werden können, um Bankkunden vor Betrug zu schützen.

Inhalte der Publikation

  1. Die Lösung: Eine schnelle Erkennung manipulierter Geldautomaten auf Basis täglicher Transaktionsdaten.
  2. Modellierung mit klassischen Methoden
  3. Erkenntnisgewinn durch Embeddings
  4. Resultate
  5. Was CINTELLIC für Sie tun kann

Die Lösung: Eine schnelle Erkennung manipulierter Geldautomaten auf Basis täglicher Transaktionsdaten.

Skimming-Aktivitäten werden erst entdeckt, wenn Abschöpfungs-Transaktionen in den Transaktionsdaten erkannt werden. Der Identitätsdiebstahl geschieht bei einer normalen Bargeldabhebung des Kunden. Oft nur wenige Tage später sind dann betrügerische Bargeldabhebungen anhand auffälliger Verhaltensmuster an verdächtigen Geldautomaten identifizierbar. Der Modellierungsansatz: Im ersten Schritt werden die Abhebungen analysiert. Dann sind Ähnlichkeiten aufzufinden. Manipulierte Geldautomaten und Zeitfenster der Skimming- Attacken werden über Ähnlichkeiten in Transaktionshistorien betrogener Kunden erkannt. Schließlich kann man den Kunden vor weiterem Betrug schützen, indem alle Karten gesperrt werden, die am manipulierten Geldautomaten im identifizierten Zeitfenster genutzt wurden.
Zur täglichen Verarbeitung der Transaktionsdaten wird eine Data Science Pipeline benötigt. Transaktionsdaten werden zur Modellberechnung angereichert. Features, die für das Entlarven von Skimming-Aktivitäten herangezogen werden können, sind dann beispielsweise der Saldo aller Abhebungen, kumulierte Bargeldabhebungen für den aktuellen Monat oder Transaktionen von demselben Konto innerhalb kurzer Zeiträume.

Modellierung mit klassischen Methoden

Um reguläre von betrügerischen Transaktionen am Geldautomaten unterscheiden zu können, kann man sich klassischer Methoden bedienen. Diese haben jedoch ihre Grenzen: Da sich Kunden nicht immer nachvollziehbar verhalten, sind z.B. Modelle zur Ausreißer-Erkennung nicht wirksam. Die Anzahl an False/Positives ist eine große Herausforderung. Features fokussieren zudem oft auf Fehler, welche die Betrüger gewöhnlich machen. Sobald diese ihr Verhalten ändern, verlieren die Modelle an Präzision. Nicht zuletzt sind Verhaltensmuster über Kundengruppen hinweg sowie Verknüpfungen zwischen verschiedenen Geldautomaten nur schwer abbildbar.

(…)

 

Download-Anforderung

FrauHerr

Ja, ich erteile meine ausdrückliche Einwilligung in die Verarbeitung meiner personenbezogenen Daten und stimme der Datenschutzerklärung zu. Mit meiner Anforderung erkläre ich mich damit einverstanden, dass die Cintellic GmbH mir zum Zwecke des Downloads eine automatisierte E-Mail mit dem Downloadlink zusendet und weiterhin über Angebote (werbliche Ansprache) mittels E-Mail informiert. Ich kann die Einwilligung jederzeit mit Wirkung für die Zukunft widerrufen.

Unsere Datenschutzerklärung sowie Widerrufsmöglichkeiten finden Sie hier.

Publikation Betrugsprävention
CINTELLIC Consulting - Social Media