Insights & Data Blog

Insights & Data Blog

Meningen op deze blog weerspiegelen de opvattingen van de schrijver en niet per definitie die van de Capgemini Group

Social Network Analysis bij Fraude onderzoek

Categorie: Fraud

Één van de belangrijkste nieuwe ontwikkelingen van de afgelopen jaren op het gebied van Fraude onderzoek is het integreren van Social Network Analysis. Dit leidt tot nieuwe inzichten en maakt het opsporen van Fraude mogelijk door verbanden te kunnen leggen welke eerder niet mogelijk waren. Zeker als er bekende fraudeurs binnen een Social Network gevonden worden neemt de kans toe dat er binnen het netwerk op andere plekken ook fraude wordt gepleegt.

Er is zowel binnen de bedrijven/overheden zelf als er ook buiten vaak een schat aan informatie beschikbaar/te vinden welke gebruikt kan worden om rondom een persoon/bedrijf een compleet Social Network profiel op te stellen. Dit profiel kan dan weer gebruikt worden om tot een score te komen wat de kans is dat een persoon/bedrijf fraude pleegt.

De neiging bestaat om alle informatie welke je tot je beschikking hebt te gebruiken om deze Social Network te genereren. De vraag is of dit altijd wel zo handig is. Iedereen heeft wel van de theorie van de ‘six degrees of separation’ gehoord. Met andere woorden als je werkelijk alle beschikbare informatie beschikbaar zou hebben en zou gebruiken zou je in 6 stappen elk persoon en bedrijf op deze planeet aan elkaar gekoppeld hebben. Dit resulteert in één gigantisch netwerk. Je kan natuurlijk dit netwerk in kleinere netwerken opsplitsen om het overzichtelijker te maken. Maar alleen al het berekenen van het gigantische netwerk en hoe iedereen aan elkaar gerelateerd is vergt erg veel tijd en is niet praktisch.

Zoals altijd zijn er meerdere wegen die naar Rome leiden. Start klein met maar een beperkt aantal link types. Bijvoorbeeld adressen, telefoonnummers, bankrekeningnummers en geldstromen. Voeg dan stapje voor stapje relevante link types toe en kijk wat het effect is. Geldstromen is bijvoorbeeld iets wat vaak herhaald wordt. Denk maar aan je salaris welke je elke maand gestort krijgt. Een optimalisatie kan dus al zijn om dit op te rollen. Je maakt dan bijvoorbeeld een extra document type Salaris waar je in de label van deze Salaris node bijvoorbeeld kan aangeven hoeveel transacties deze uit bestaat. Je verbergt de detail informatie dan onder deze node en toont deze door de detail informatie van de node te tonen. Door slim na te denken over je beschikbare informatie en hoe je deze zou willen gebruiken binnen je Social Network viewer kun je ervoor zorgen dat het gegenereerde Social Network bruikbaar blijft voor de Analist die ermee moet werken. Hier draait het uiteindelijk om.

Als je gaat scoren binnen een Social Network zijn er ook andere belangrijke aspecten die je in de gaten moet houden. Bijvoorbeeld de tijdscomponent is erg belangrijk. Een bedrijfs- of woonadres kan in de loop van de tijd natuurlijk meerdere bewoners hebben. Als de voorgaande bewoner een fraudeur was betekent het niet automatisch dat de nieuwe bewoner een fraudeur is. Een ander belangrijk punt is dat bij toename van het aantal stappen tussen een persoon en een fraudeur de kans dat die persoon een fraudeur is natuurlijk moet afnemen.

Belangrijk bij dit alles is om samen met de juridische afdeling op te trekken om in de gaten te houden dat je de informatie welke je wilt gebruiken ook voor dit doel mag gebruiken.

Referenties:

Six degrees of separation theorie

Over de auteur

Richard Hogenberg
Richard Hogenberg

Plaats een reactie

Uw e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *.