Challenge
Entwicklung und Einführung eines mittels KI gestützten Fraud-Prevention-System zur Absicherung des SEPA Lastschriftverfahrens für den Onlinehandel.
Lösung
Ein Microservice, welcher über eine API ansprechbar ist und die Ausfallwahrscheinlichkeit einer SEPA Lastschrifttransaktion ermittelt, Onlinehändler vor Betrügern schützt und so Verluste minimiert.
Technologien
Python, C#, Microsoft SQL, Elastic Search, Tensorflow, Docker
Challenge
Zusammenführung verschiedenster interner und externer Datenquellen, um Muster beim Check-out Verhalten zu analysieren und potenzielle Betrüger zu ermitteln.
Einen 100%-Schutz vor Betrügern und insolventen Kunden gibt es nie. Die anfallenden Kosten für Bankbearbeitung, Forderungseintreibung, manueller Prozessabwicklung und der verlorene Warenwert sind immens.
Daher sollte versucht werden, die Quote der SEPA Rücklastschriften auf ein akzeptables Minimum zu reduzieren.
Client
Der Client ist ein Full-Service-Payment-Provider für alle Dienstleistungen rund um die Abrechnung von Dienstleistungen und Waren im Internet. Hierzu zählen u.a. die Bereitstellung von Bezahlsystemen und Risk-Checks, Processing und Acquiring, der Versand von Rechnungen, die Kontrolle der Zahlungseingängen und Rückbelastungen, das Debitorenmanagement, Inkasso und Reporting.
Es wird eine weitere Effizienzsteigerung der Risikoüberprüfung mittels KI gestützter Techniken angestrebt. Um die Qualität der Risikoüberprüfungen zu verbessern, kam der Client auf die Idee, sein Know-How über Finanzdaten zu nutzen und maschinelles Lernen anzuwenden, um die Ausgaben für Rücklastschriften weiter zu senken.
Lösung
Ein Microservice, welcher über eine API ansprechbar ist und die Ausfallwahrscheinlichkeit einer SEPA Lastschrifttransaktion ermittelt, Onlinehändler vor Betrügern schützt und so Verluste minimiert.
Während potenzielle Betrüger in einem Webshop surfen, hinterlassen sie Spuren, wie jeder andere Kunde auch. Oftmals unterscheidet sich das Surfverhalten von diesen Personengruppen von dem Verhalten guter Kunden, wenn auch nur minimal. Bisher konnten solche Muster nur extrem schwer und mit sehr viel manueller Recherche identifiziert werden. Anpassungen im Fraud Prevention System waren daher immer mit einer gewissen zeitlichen Verzögerung versehen.
Im Vorgespräch kristallisierten sich folgende Einzelschritte heraus.
- Analyse der Datenquellen
- Use Case Definition und Erarbeitung der Einsatzgebiete des Systems
- Evaluierung neuer Lösungsansätze
- Formulierung und Test von Hypothesen
- Auswahl eines geeigneten ML-Modells und Test seiner Qualität
- Test des Vorhersagepotenzials
- Entwicklung eines Risk-Services mit API
- Test und Einführung in das Produktivsystem
Während des gesamten Prozesses wurde höchster Wert auf den Schutz der sensiblen Kundendaten gelegt. Es musste sichergestellt werden, dass an keiner Stelle Daten abgegriffen werden konnten. Deshalb wurde ein teilautonomes System entwickelt, welches es dem Client ermöglicht, selbst zu koordinieren, welche Daten zur Berechnung verwendet werden und wie diese in das neue System gelangen.
Der gesamte Entwicklungsprozess umfasst 4 Stufen.
Stufe
Datenverständnis und Validierung
Feature Engineering
Modelling
Deployment
Arbeit
Erhebung, Verarbeitung und Validierung der Daten des Kunden.
Konvertieren von Rohprojektdaten in Features.
Das Modell anhand des vorbereiteten Datensatzes trainieren.
Lieferung und Bereitstellung des Modells; Bereitstellung einer benutzerfreundlichen Schnittstelle für den Client, um auf das trainierte Modell zuzugreifen.
Architektur zwischen Client und Masasana
Ergebnis
Ein Microservice, der in die Infrastruktur des Kunden integriert ist und die Qualität des Systems zur Verhinderung von Betrug erhöht.
Der von Masasana AI entwickelte und in MAI integrierte Dienst bietet Zugriff auf die API, über die die Ausfallwahrscheinlichkeit einer SEPA Lastschrift effektiv bewertet werden kann. Prognosen können in Echtzeit erstellt werden und sind somit als perfektes Instrument für den Einsatz von Risikoüberprüfungen während eines Check-Out Prozesses geeignet.
