Im Überblick
Eine bessere Betrugserkennung wird durch Analysieren einer Vielzahl von Transaktionsdaten erreicht, um Verhalten effektiv zu verstehen und Risiken auf individueller Ebene zu bewerten.
Wir bei FICO haben intensive Forschungen bezüglich einiger Modellierungstechniken durchgeführt. Diese Forschung zeigt deutlich, dass Betrugsmodelle, die mithilfe der Daten tausender Institute entwickelt und trainiert wurden, genauer sind als Modelle, die sich auf einen relativ kleinen Datensatz stützen.
Das FICO® Falcon Intelligence® Network ist der Kern der FICO-Lösungen zur unternehmensweiten Betrugsbekämpfung. Mehr als 10.000 globale Institute liefern die Transaktions- und nicht-monetären Daten, die FICO benötigt, um Vorhersagefunktionen für maschinelles Lernen zu entwickeln, die darauf abzielen, zwischen Nicht-Betrug und Betrugsaktivitäten zu unterscheiden. Diese Verhaltensanalytik reduziert Fehlalarme und interpretiert zugleich die kleinsten Anzeichen für Betrug. Die daraus resultierenden Modelle arbeiten mit Falcons Echtzeit-Profilerstellungstechnik, um individuelle Verhaltensweisen zu interpretieren und zugleich die aus den Daten abgeleiteten Betrugsmuster auf Makroebene zu nutzen, die von Tausenden von Finanzinstitutionen beigetragen wurden. Diese Konzepte gelten für alle überwachten Betrugsmodelle wie auch die nicht überwachten und halb überwachten Modelle, die auf bankspezifischen Datensätzen trainiert werden.
Fakten
4+ Milliarden
Zahlungskarten geschützt
Kartentransaktionen
Globale Finanzinstitute
Vorteile
Verbessertes Kundenerlebnis
Die Techniken des maschinellen Lernens und der künstlichen Intelligenz, die vom Falcon Intelligence Network unterstützt werden, passen sich in Echtzeit an die Handlungen jedes einzelnen Verbrauchers an.
Zukunftssichere Betrugsbekämpfung
Der Falcon Fraud Manager verlässt sich bei Machine Learning nicht auf einen einzigen Ansatz für alles. Vielmehr setzt sie hoch spezialisierte Algorithmen ein, die sich im Zeitverlauf weiterentwickeln, um alle Transaktionen und Interaktionen zu schützen.
Empirische Modell-Performance
Jedes überwachte Machine-Learning-Modell wurde gründlich gegen Holdout-Datensätze getestet. Holdout-Datensätze beziehen sich auf Transaktionen, die während des Modellentwicklungsprozesses nicht verwendet werden, um eine unverzerrte Leistung zu bewerten