Bank zoekt fraudeur: hoe kan data science hierbij helpen?

bank fraude-opsporing

De krantenkoppen liegen er niet om: banken moeten hun fraude-opsporingsbeleid verbeteren. Zo was de ING laatst in het nieuws vanwege haar fraudeaanpak. Er waren duidelijke signalen die wezen op een fraudegeval, zelfs vanuit het OM. De bank deed hier weinig mee. Noem het laks of lui, maar het valt te begrijpen. Fraude opsporen doe je niet even: er is ontzettend veel tijd, geld en mankracht voor nodig. Maar de inzet van een fraude-algoritme kan hier een flink handje bij helpen.  

Meer bewustwording, meer actie

Kredietrisicobeheersing, transparant zijn, de privacy van klanten waarborgen: banken hebben het er maar druk mee. En dat alles om het vertrouwen van klanten, maatschappij, media en politiek te winnen (en te behouden). Banken beseffen dat de inzet van data science om fraude tegen te gaan, hun breekbare imago mogelijk overeind kan houden. Kijk maar naar de opkomst van (financiële) data science afdelingen en interne datacursussen. Ook investeren banken in monitoring- en detectiesystemen, waardoor veel fraudepogingen vroegtijdig worden gestopt.

Daarnaast voeren veel banken nationale campagnes over fraude, want de verantwoordelijkheid ligt ten slotte ook bij de burger. Tel hier de black lists van banken met verdachte rekeningnummers bij op, en je concludeert al snel: genoeg antifraudemaatregelen. Maar fraudepreventiemaatregelen ontwikkelen zich net zo snel als de oplichters zelf. Sterker nog: fraudeurs lijken de laatste jaren een streepje voor te hebben. De schade door phishing naar beveiligingscodes voor internetbankieren was in 2018 zo’n 3,81 miljoen, terwijl dit in 2019 maar liefst 7,94 miljoen was.

Een algoritme: waarom zou je?

De inzet van algoritmes zou hierbij kunnen helpen. Veel bedrijven, overheden en banken zijn al overstag gegaan, maar nog lang niet iedereen is overtuigd. Het grote voordeel van algoritmes is dat ze in een paar minuten miljoenen datapunten door kunnen lopen, patronen kunnen herkennen en afwijkend gedrag in kaart kunnen brengen. Stel je eens voor dat je dit handmatig zou moeten doen. Onbegonnen werk. Een algoritme kan dus veel efficiënter data doornemen dan de mens; dit scheelt tijd, geld en mankracht.

Daarnaast kan het menselijk brein een beperkt aantal waarnemingen verwerken, terwijl een algoritme alles te weten kan komen over een persoon of actie. Dit komt door de verschillende machine learning technieken die achter algoritmes schuilgaan. Algoritmes geven correcte en foutieve voorspellingen door aan een computer. Hoe meer voorspellingen een algoritme genereert, des te meer patronen tussen data en voorspellingen er ontstaan.

Een algoritme leert weer van deze patronen. Dit betekent dat de voorspellingen accurater worden naarmate de hoeveelheid data toeneemt. Op deze manier kunnen banken steeds nauwkeuriger inschatten hoe groot de kans is dat iemand fraude pleegt. De voorwaarde is wel dat er voldoende historische data aanwezig moet zijn waar het algoritme van kan leren. Gelukkig is dit geen probleem; financiële transacties zijn er in overvloed.

Hoe werkt een fraude-opsporend algoritme?

Een algoritme schetst als eerst zogenaamde klantprofielen. Deze profielen zijn uiteraard gepseudonimiseerd en alleen door de bank te herleiden naar een individu. Klantprofielen bestaan uit historische data, zoals transacties, inloglocaties en maandelijkse bestedingspatronen. Vervolgens gaat het algoritme voorspellen op basis van alle klantprofielen. Als er een afwijkende transactie plaatsvindt bij een bepaald klantprofiel, dan neemt het algoritme dit gegeven mee in de voorspelling. Op basis van de uiteindelijke voorspelling kan een bank ervoor kiezen om actie te ondernemen, bijvoorbeeld de persoon in kwestie opbellen en om uitleg vragen.

Hoe ons fraudemodel banken kan helpen

Onze data scientisten hebben hier al veel ervaring mee. Niet alleen banken gebruiken ons fraudemodel, maar ook gemeenten, start-ups en corporates. Ons algoritme drukt voorspellingen uit in percentages, zodat bijvoorbeeld een bank precies weet hoe groot de kans is dat een persoon of instelling financiële fraude pleegt. 

Het eerste voordeel van ons fraudemodel is dat banken veel efficiënter fraude kunnen opsporen. Banken kunnen veel gerichter aan de slag met de uitkomsten van ons fraudemodel dan met willekeurige aanwijzingen. Een tweede voordeel is dat het banken veel tijd, geld en mankracht besparen als ze ons algoritme inzetten. Een derde voordeel is dat een algoritme vele malen nauwkeuriger is dan de mens. Zo heb je als bank niet te maken met vooroordelen of vergeten data.

Onthoud wel: hoe accuraat een algoritme ook mag zijn, uiteindelijk is het de mens die de fraude moet bewijzen. Ook bij banken. Ons algoritme geeft alleen een duwtje in de richting waar ze moeten zoeken. Daarna is het aan de bank om hier iets mee te doen. Maar als je efficiënter, effectiever en nauwkeuriger (financiële) fraude wilt opsporen, dan kan een algoritme een goede optie zijn.

Vragen?

Wil je meer informatie over ons fraudemodel? Neem dan contact op met Jesse Luk via j.luk@bluefield.eu.

Posted on 23 juni 2020

Share the Story

Back to Top