Traditionele controle onvoldoende om criminele fraude te herkennen

Sven Persoone

8 Min
04/05/2023

Uit data valt een schat aan informatie te halen. Het komt erop aan de relevante data te verzamelen, te combineren, te analyseren en vervolgens om te zetten naar waardevolle inzichten. Bij voorkeur in de vorm van een eenvoudig te interpreteren score, die het mogelijk maakt om snelle en efficiënte beslissingen te nemen. Het Fraud Prevent & Detect-platform van GraydonCreditsafe en de bijbehorende fraudepreventiescore is zo één van die oplossingen. ‘Dankzij deze score is het mogelijk om in te schatten in hoeverre klanten of leveranciers frauduleuze bedoelingen hebben’, zegt Jens Verboven, Head of Fraud bij GraydonCreditsafe.

Fraude is een groeiend probleem met een enorme impact op onze economie. In het nieuws duiken geregeld berichten op over gevallen van grootschalige fraude. Btw-fraude, belastingfraude, faillissementsfraude, fraude met jaarrekeningen, verzekeringsfraude, liquiditeitsfraude, hacking, omkoping, verduistering en ga zo maar door. Fraude komt in de meest uiteenlopende vormen voor en in zowat alle sectoren. De daders bevinden zich zowel in de eigen rangen – tot de hoogste echelons – als onder de klanten en leveranciers van een onderneming.

Criminele fraude en liquiditeitsfraude

GraydonCreditsafe focust zich op de aanpak van criminele fraude en liquiditeitsfraude. In het geval van criminele fraude gaat het om ondernemingen die met voorbedachte rade de bedoeling hebben om van andere spelers waardevolle assets te ontvreemden. Denk maar aan bouwmaterialen, wagens, IT-materiaal en zo meer, maar ook aan organisaties die bijvoorbeeld verzekeringsmaatschappijen geld proberen te ontfutselen met frauduleuze dossiers.

Bij liquiditeitsfraude gaat het er enigszins anders aan toe.

“Tijdens de coronacrisis hebben onze klanten een verhoogd aantal cases van liquiditeitsfraude gemeld”, zegt fraude-expert Jens Verboven. “Die ondernemers hebben niet meteen de intentie om te frauderen. Maar als een faillissement niet meer af te wenden is, maken ze nog snel bijvoorbeeld een wagen ten gelde alvorens ze failliet gaan. Als het water hen aan de lippen staat, proberen die ondernemers hun bedrijf dus leeg te halen om een lege doos achter te laten.”

“In combinatie met onze schokbestendigheidsscore blijkt overigens dat de meeste van die bedrijven zich in segment 1 en 2 van de 9-grid bevinden. Het zijn bedrijven die al in moeilijk vaarwater vertoeven, nog voor er zich een onverwachte schok voordoet. Voor die plotse schoksituatie vertonen ze al een grotere kans op fraude. De schok doet hun financiële situatie uiteindelijk geen goed en dan schieten deze ondernemers in actie.”

Aan de hand van een fraudepreventiescore kunnen dit soort bedrijven echter vroegtijdig gemarkeerd worden. In dit verdere vraaggesprek licht Jens Verboven toe hoe dit precies in zijn werk gaat.

Waarom een fraudepreventiescore ontwikkelen?

“GraydonCreditsafe is sterk vertegenwoordigd in zowel de leasingsector als in de bank- en verzekeringswereld. Sectoren die vaak geconfronteerd worden met fraude. Met onze klanten zijn we het gesprek aangegaan over de vele fraudecases, die ze op basis van een traditionele aanpak niet konden herkennen. Het gaat dan om bedrijven die zich op papier veel beter voordoen dan ze in werkelijkheid zijn. Bij de traditionele controles bleven ze onder de radar en glipten ze door de mazen van het net. Vandaar kwam het idee om de kenmerken en het gedrag van deze fraudeurs in kaart te brengen.”

Wat verstaan we onder een traditionele controle?

“Fraudecontroles in de bank- en leasingsector gebeuren nog vaak manueel. Daarbij worden een hele reeks gegevens helemaal ontleed, wat bijzonder tijdrovend is. De sector had zelf al wel een aantal typische gedragingen en kenmerken in kaart gebracht, maar de dataset waar ze mee werkten was eerder beperkt. En hoewel de sector al jaren met fraude geconfronteerd wordt, heeft het slechts een beperkt aantal FTE’s dat zich echt met fraudedetectie bezighoudt. Bovendien zijn dat ook nog eens de mensen die alle acties moeten coördineren om assets terug te halen.”

Hoe hebben zij bijgedragen aan de ontwikkeling van de fraudepreventiescore?

“Een voorbeeld kan dat verduidelijken. Neem een concessiehouder die een fraudeur over de vloer krijgt en die interesse toont voor bijvoorbeeld vijf wagens. In dat geval zal de onderneming achter deze fraudeur als een dekmantel dienen. Op papier ziet alles er keurig en voorbeeldig uit, met mooie cijfers, maar weet dat deze onderneming enkel en alleen is opgezet met het doel om deze vijf wagens te ontvreemden. De sector heeft ons alle informatie over die cases aangeleverd en daar zijn we vervolgens mee aan de slag gegaan.”

“Uit alle gegevens hebben we eerst meerdere elementen gehaald die zo’n bedrijf – net als het gedrag van de persoon achter de onderneming – verdacht maken. Die elementen vormden de basis voor een eerste fraudemodel, dat vervolgens op basis van nieuwe cases en een stukje artificiële intelligentie alsmaar verder verfijnd werd. Voor verschillende klanten hebben we testen uitgevoerd en het model verder ontwikkeld.”

“In het allereerste project hebben we eens een blinde test gedaan om de score te valideren voor de klant. Een test met frauduleuze en niet-frauduleuze cases om de kracht van het model aan te tonen. Toen ik het presenteerde, keek een delegatie van het bedrijf erg nieuwsgierig, maar ook argwanend naar de predictiegraad. Bleek dat we al 68% van de echte fraudecases hadden kunnen voorkomen op basis van het bestaande model.”

Geen enkele case is hetzelfde. Kan één model dit allemaal opvangen?

“We vertrekken steeds vanuit onze eigen database en alle externe bronnen die zijn aangehaakt. In de beginfase zijn we daarbij heel intuïtief tewerk gegaan om een beeld te krijgen van een mogelijke fraudeur of een frauduleuze onderneming. Maar door een betere technologie en ook door de bevindingen van de klant te koppelen, hebben we ondertussen veel meer inzichten. Uit alle data die we verzamelden, hebben we bepaalde indicatoren gevonden die steeds terugkomen. Zo stelden we bijvoorbeeld vast dat de meeste frauduleuze ondernemingen gevestigd zijn in grootsteden, maar ook in grensgebieden en langs de kust. Om maar één element te noemen.”

“Om fraude in de autoleasingsector te detecteren hebben we bijvoorbeeld ook wagenparkdata aan het model gekoppeld. Het komt er dus op neer om externe databronnen, de data van de klant, de GraydonCreditsafe-database en een reeks intuïtieve indicatoren met elkaar te koppelen. Vervolgens laten we daar de juiste technologie op los, die wijst op uitzonderingen en afwijkingen waar het gezond verstand aan voorbij gaat. En dan merk je dat de technologie elementen onthult die met het blote oog niet waar te nemen zijn.”

Lees ook: Data en algoritmes hebben hun waarde in de strijd tegen fraude

Wilt u weten hoe criminele fraude en liquiditeitsfraude in zijn werk gaan? En hoe u zich ertegen kunt beschermen? Bekijk dan zeker deze korte video en verklein de kans dat uw bedrijf het slachtoffer wordt.

Wilt u weten wat Fraud Prevent & Detect voor uw bedrijf of uw sector kan betekenen? Neem dan meteen contact op met ons via het antwoordformulier. Onze fraude-expert geeft u tijdens een vrijblijvende live demo graag meer toelichting.