Article
Betrugserkennung bei Anträgen zu Corona-Hilfen
Mehr Effizienz durch den Einsatz von Graph-Technologie
Falsche Angaben zu Unternehmen, Doppel-Anträge oder Täuschungen über Liquiditätsprobleme: Bei der Vergabe staatlicher Fördergelder für Corona-Soforthilfen ist ein hoher Schaden durch Subventionsbetrug entstanden. Allerdings sind mit den herkömmlichen Methoden der Betrugsaufdeckung viele Fälle unentdeckt geblieben. Vor diesem Hintergrund ist es sinnvoll, die Berechtigung nachträglich noch einmal zu überprüfen. Durch den Einsatz von Graph-Technologie erfolgt die Erkennung und Bearbeitung auffälliger und verdächtiger Anträge wesentlich effizienter und effektiver. Deloitte hat dazu ein gemeinsames Projekt mit Neo4j, einem führenden Anbieter von Graph-Technologie, umgesetzt.
Um die drastischen wirtschaftlichen Folgen der COVID-19-Pandemie für Unternehmen und Selbständige zu entschärfen, hat die Bundesregierung finanzielle Unterstützung angeboten, die auf Antrag bewilligt und ausgezahlt wurde. Die Prüfung der Anträge auf Corona-Hilfen wurde zum Großteil auf die Landesförderbanken übertragen. Diese haben für die Bewältigung dieser Aufgabe neue Prozesse definiert. Dabei lag die besondere Herausforderung darin, die Anträge möglichst schnell zu bearbeiten und gleichzeitig deren Berechtigung gründlich zu überprüfen. Zunächst sollten auffällige Anträge herausgefiltert werden, um sie einer genaueren Prüfung zu unterziehen, während unauffällige Anträge zu einer schnellen Auszahlung weitergeleitet wurden.
Komplexe Überprüfung der Corona-Soforthilfe-Anträge
Beim ersten Förderprogramm kam ein lokales Verfahren für das Prüfen und Bearbeiten von Anträgen auf Corona-Soforthilfen zum Einsatz. Allerdings stieß die Bearbeitung der Fälle aufgrund der Komplexität und der großen Menge an verknüpften Daten schnell an ihre Grenzen. Bei den danach folgenden Förderprogrammen wurde anschließend von der Bundesregierung eine bundesweite Lösung zur Verfügung gestellt. Es bestanden also verschiedene Datenquellen, die gemeinsam ausgewertet werden sollten. Dadurch ergaben sich Schwierigkeiten, diese vernetzt zusammenzuführen und auszuwerten.
Für die Bewertung vordefinierter potenzieller Betrugsfaktoren sind die Anträge vorab isoliert voneinander betrachtet worden. Da aber bei der Weiterleitung auffälliger Anträge zur Betrugsfallprüfung notwendiges Kontextwissen nicht mit übermittelt wurde, konnten übergreifende Auffälligkeiten nicht erkannt werden, wie etwa das Stellen mehrerer Anträge von einer identischen Adresse. Darüber hinaus führte die manuelle Bearbeitung der Listen mithilfe von Excel Spreadsheets häufig zu Problemen beim Aktualisieren der Inhalte. Zudem war die Bearbeitung durch das Hosting und den Umfang der jeweiligen Daten sehr zeitaufwendig.
Das Anforderungsprofil einer zu erarbeitenden Lösung beinhaltete, dass sie Informationen aus verschiedenen Datenquellen verarbeiten und vernetzt zusammenführen kann. Außerdem sollten antragsübergreifende Auffälligkeiten identifiziert sowie für eine weitere Prüfung visuell und verständlich aufbereitet werden. Mithilfe dieser Lösung sollte eine stabile Umgebung bereitgestellt werden, in der viele Personen gleichzeitig und schnell Änderungen durchführen konnten.
Gemeinsam eine effektive Lösung entwickelt
Durch den Einsatz von Graph-Technologie lassen sich die zuvor genannten Herausforderungen effizient lösen. In einem gemeinsamen Projekt haben Deloitte und Neo4j dies aufgezeigt. Dabei speichert die Neo4j-Graph-Datenbank Daten in einem Labeled-Property-Graphen. Graphen dienen in der Informatik dazu, stark vernetzte Informationen darzustellen und abzuspeichern. Weitergehende Details zu dieser Technologie, ihrer Funktionsweise und ihrer Anwendung beschreibt das Whitepaper.
In einem ersten Schritt lässt sich mithilfe der Graph-Datenbank überprüfen, welche Anträge welche vorgegebenen Kriterien erfüllen. Dadurch werden die Originaldaten verifiziert, um auch die Qualität des aufgesetzten Systems sicherzustellen. Danach werden die bereits zuvor definierten potenziellen Betrugskriterien für isolierte Anträge um eine übergeordnete Analyse auf der Beziehungsebene erweitert. Dazu zählen Fragen wie: „Hat eine natürliche Person in der Funktion als Selbstständiger oder als vertretungsberechtigte Person eines Unternehmens mehrere Anträge eingereicht? Wurden weitere Anträge der selbstständigen Person oder des Unternehmens in der Vergangenheit als auffällig eingestuft?“.
Dabei wird zwischen „harten Kriterien“, die eine Prüfung zwingend auslösen und „weichen Kriterien“, die ein Indiz für einen Betrugsverdacht darstellen können, unterschieden. Jedoch reicht die Identifikation eines „weichen“ Kriteriums nicht für eine Prüfung aus. Eine umfassende Betrugsprüfung wird nur beim Vorliegen mehrerer „weicher“ Kriterien durchgeführt. Basierend auf den Kriterien sowie der vollständigen Liste der Fragen und den zugehörigen Antworten wird dann entschieden, welche Anträge einer Betrugsverdachtsprüfung unterzogen werden und welche nicht. Hinzu kommen umfangreiche Suchfunktionen, die es den Sachbearbeitern möglich machen, nach einzelnen Anträgen zu filtern. Dadurch werden alle potenziellen Betrugsfaktoren angezeigt.
Das Projekt macht deutlich, dass die Betrugserkennung bei Anträgen zu Corona-Hilfen dank der Graph-Technologie wesentlich effektiver, schneller und effizienter erfolgt und mehr potenziell betrügerische Anträge erkannt werden als mit herkömmlichen Methoden.
Laden Sie hier das vollständige Whitepaper „Deloitte neo4j – Betrugserkennung mithilfe von Graph-Technologie“ herunter und erfahren Sie mehr.
Weitere Autoren
Marco De Luca
Principal Solutions Architect | Neo4j
Senior Consultant | Financial Advisory
