Wie mobilezone Betrügern das Handwerk legt
Nächste Seite: Cloud identifiziert Betrüger
Müller startete gemeinsam mit den Experten von IT-Logix ein Projekt, um Kassendaten automatisch zu analysieren und Verträge zu identifizieren, die potenziell einer einzigen Person zugeordnet werden können. Es sollten mindestens zweimal täglich mögliche Betrugsfälle vom Controlling in der mobilezone-Zentrale erkannt und innerhalb von ein bis zwei Stunden die potenziell fraudelenten Transaktionen detailliert geprüft werden.
Innerhalb von vier Wochen hatte mobilezone zusammen mit IT-Logix die Logiken inklusive der Schnittstellen definiert und programmiert. Die technische Umsetzung geschah unter Zuhilfenahme von Microsoft SQL Server Integration Services (SSIS) mit Azure-Cloud-Datenbank sowie Azure Machine Learning. Nach der Entwicklung der eigentlichen Workflow-Logik durch IT-Logix erfolgte das Design des SSIS-Jobs innerhalb der Visual-Studio-Umgebung. Der Webservice von Azure Machine Learning konnte schliesslich quasi per Knopfdruck generiert werden.
Verdächtige Namen und Standorte
Heute läuft die Datenverarbeitung in drei Schritten ab: Zunächst werden aus dem Kassensystem die Vertragsdaten der letzten zwei Monate in die Azure-Datenbank geladen. Anschliessend erfolgt die Datenanalyse innerhalb Azure Machine Learning, indem die Informationen aus der Azure-Datenbank gelesen und anhand eines Algorithmus zur Betrugserkennung abgeglichen werden.
Die verdächtigen Vertragsdaten werden anschliessend zurück in die SQL-Datenbank in der Azure-Cloud geschrieben, von wo aus sie wiederum in die On-Premise-Datenbank von mobilezone gespielt werden. Dieser Workflow erfolgt heute zweimal täglich, wobei nur die seit dem letzten Run neu hinzugekommenen Verträge in die Cloud-Datenbank übertragen und mit denen in Azure Machine Learning abgeglichen werden.
Alle Betrüger identifiziert
Seit der Einführung des Analyse-Services hat sich der Aufwand für mobilezone längst ausgezahlt. So konnten schon innerhalb der ersten sechs Monate fünf potenzielle Betrüger identifiziert werden. «Mit der neuen Analysetechnik haben wir bereits potenziell hohe Verluste abgewendet», sagt Müller, «Seit der Inbetriebnahme der Betrugserkennungslösung Anfang 2016 sind keine grösseren Schäden aufgetreten.»
Nun steht mobilezone ein automatischer Service zur Verfügung, der die manuelle Prüfung ersetzt. Er verhindert auch, dass durch Betrug oder ungenaues Arbeiten hervorgerufene finanzielle Schäden überhaupt erst entstehen. Mit einem nächsten Projekt wird der automatische Transfer der relevanten Informationen direkt an den Point of Sale realisiert. Wenn dann ein neuer Vertrag im Kassensystem erfasst wird, kann die Verkaufsperson per Knopfdruck den Webservice mit Azure Machine Learning abrufen und so bereits beim Abschluss eines Vertrags erkennen, ob der Kunde potentiell betrügerische Absichten hat.
Innerhalb von vier Wochen hatte mobilezone zusammen mit IT-Logix die Logiken inklusive der Schnittstellen definiert und programmiert. Die technische Umsetzung geschah unter Zuhilfenahme von Microsoft SQL Server Integration Services (SSIS) mit Azure-Cloud-Datenbank sowie Azure Machine Learning. Nach der Entwicklung der eigentlichen Workflow-Logik durch IT-Logix erfolgte das Design des SSIS-Jobs innerhalb der Visual-Studio-Umgebung. Der Webservice von Azure Machine Learning konnte schliesslich quasi per Knopfdruck generiert werden.
Verdächtige Namen und Standorte
Heute läuft die Datenverarbeitung in drei Schritten ab: Zunächst werden aus dem Kassensystem die Vertragsdaten der letzten zwei Monate in die Azure-Datenbank geladen. Anschliessend erfolgt die Datenanalyse innerhalb Azure Machine Learning, indem die Informationen aus der Azure-Datenbank gelesen und anhand eines Algorithmus zur Betrugserkennung abgeglichen werden.
Die verdächtigen Vertragsdaten werden anschliessend zurück in die SQL-Datenbank in der Azure-Cloud geschrieben, von wo aus sie wiederum in die On-Premise-Datenbank von mobilezone gespielt werden. Dieser Workflow erfolgt heute zweimal täglich, wobei nur die seit dem letzten Run neu hinzugekommenen Verträge in die Cloud-Datenbank übertragen und mit denen in Azure Machine Learning abgeglichen werden.
Alle Betrüger identifiziert
Seit der Einführung des Analyse-Services hat sich der Aufwand für mobilezone längst ausgezahlt. So konnten schon innerhalb der ersten sechs Monate fünf potenzielle Betrüger identifiziert werden. «Mit der neuen Analysetechnik haben wir bereits potenziell hohe Verluste abgewendet», sagt Müller, «Seit der Inbetriebnahme der Betrugserkennungslösung Anfang 2016 sind keine grösseren Schäden aufgetreten.»
Nun steht mobilezone ein automatischer Service zur Verfügung, der die manuelle Prüfung ersetzt. Er verhindert auch, dass durch Betrug oder ungenaues Arbeiten hervorgerufene finanzielle Schäden überhaupt erst entstehen. Mit einem nächsten Projekt wird der automatische Transfer der relevanten Informationen direkt an den Point of Sale realisiert. Wenn dann ein neuer Vertrag im Kassensystem erfasst wird, kann die Verkaufsperson per Knopfdruck den Webservice mit Azure Machine Learning abrufen und so bereits beim Abschluss eines Vertrags erkennen, ob der Kunde potentiell betrügerische Absichten hat.
