Betrugserkennung mit Machine Learning

Betrügerische oder anomale Transaktionen zu erkennen, ist eine klassische Aufgabe der Datenanalyse. Angesichts der schieren Menge von Transaktionen etwa im Handel oder im Bankensektor können Machine-Learning-Modelle helfen, verdächtige Aktivitäten zu identifizieren. Tätigt ein Kunde zum Beispiel viele Einzelüberweisungen unterhalb eines bestimmten Limits, könnte das System Alam schlagen. Der Softwareanbieter Fraud.net etwa nutzt Amazon Machine Learning, um seine Machine-Learning-Modelle darauf zu trainieren, Betrugsaktivitäten unterschiedlichster Art zu erkennen. Das klassische Vorgehen, ein einziges Modell für alle Betrugsarten zu entwickeln, wird damit erheblich erweitert.

Einsetzen lassen sich solche Systeme nicht nur zur Betrugserkennung. Die Darlehensabteilung des amerikanischen Autobauers Ford etwa nutzt Machine-Learning-Tools von ZestFinance, um herauszufinden, mit welcher Wahrscheinlichkeit bestimmte Kunden ihren Kredit zurückzahlen werden. Auf diese Weise kann der Hersteller auch solchen Kunden Darlehen gewähren, die aufgrund einer schlechten Kreditwürdigkeit sonst als Autokäufer verloren wären.

Bestandsplanung in der Supply Chain

Automatisierung in der Supply Chain ist an sich nichts Neues. Mit Machine-Learning-Modellen bekommt das Thema neuen Schwung. Anstatt sich nur auf historische Verkaufszahlen zu stützen, erlauben es Machine-Learning-Modelle, eine Vielzahl von Einflussfaktoren zu nutzen, um das künftige Marktgeschehen richtig einzuschätzen. Das geht bis hin zur aktuellen Wetterlage. Amazon beispielsweise kann laut eigenen Angaben genau vorhersagen, wieviele T-Shirts einer bestimmten Farbe und Größe an einem Tag verkauft werden.

Auch der Versandhändler Otto nutzt Machine-Learning-Modelle. Mit einer Wahrscheinlichkeit von 90 Prozent könne man damit die Verkäufe innerhalb der nächsten 30 Tage prognostizieren, behauptet das Unternehmen. Damit ließen sich etwa Lagerüberschüsse um ein Fünftel reduzieren. Auf der Basis von Absatzprognosen für bestimmte Farben und Designs bestelle das Einkaufssystem ohne menschliche Eingriffe jeden Monat bereits rund 200.000 Artikel bei Lieferanten.

Routenplanung in der Logistik

Das Travelling-Salesman-Problem ist ein Klassiker in der Computerwissenschaft. Welches ist die kürzeste Route zwischen all den Orten, die ein Verkaufs-Team auf seiner Reise aufsuchen muss? Ganz ähnlich sind viele andere Aufgaben in der Logistik gelagert, beispielsweise die Warenauslieferung an mehrere Kunden. Auch dabei können intelligente Tools aus der Cloud helfen. Besonders nützlich sind sogenannte Predictive Traffic Services in den Bing- und Google-Maps-APIs. Sie zeigen nicht nur Entfernungen an, sondern auch Reisezeiten. So lässt sich etwa abhängig von der Verkehrslage ermitteln, wieviele Kunden ein Ingenieur innerhalb eines Vormittags von einem bestimmten Startpunkt aus erreichen könnte oder wann die beste Zeit für eine Warenlieferung ist. Im Projekt Johannesburg arbeitet Microsoft an einem Truck-Routing-Service für das Transportgewerbe. Er berücksichtigt Parameter wie Größe und Gewicht der LKW sowie die Gefahrenklasse der transportierten Güter.

Kombinieren Unternehmen solche Tools etwa mit Tracking-Systemen, lassen sich aus den gewonnen Daten genauere Kostenschätzungen ableiten, die wiederum realistischere Preise für Transportaufträge ermöglichen. Das amerikanische Unternehmen RR Donnelley nutzt unter anderem Azure Machine Learning Studio von Microsoft, um historische Daten mit aktuellen Informationen zu Wetterlage, Benzinpreisen und Marktveränderungen zu verknüpfen. Ein automatisiertes System generiert daraus Angebotspreise in Echtzeit, was dem Unternehmen bereits zu mehr Aufträgen verholfen hat.