So geht Datenanalytik für den Public Sector

0
616
Intuitives Graphmodell aus Knoten und Kanten – hier am Beispiel von Betrugsaufdeckung (Grafik: Neo4j)

Die digitale Transformation ist für den öffentlichen Sektor alternativlos. Das hat die Corona-Krise in den letzten Monaten nur allzu deutlich gezeigt. Neben einer länder- und behördenübergreifenden Digital-Konzeption bedeutet das auch den Einsatz neuer Technologien. Moderne Datenanalytik verspricht hier beträchtliches Innovationspotential – im eGovernment, beim Kampf gegen Steuerhinterziehung oder bei der inneren Sicherheit.

Ein aktuelles Beispiel ist die Aufdeckung von Sozialbetrug, die im Rahmen der Corona-Soforthilfen einen neuen Höhepunkt erreichte. Deutschlandweit ist von mindestens 5100 Verdachtsfällen die Rede. Allein für Berlin meldete das Landeskriminalamt rund 930 Ermittlungsvorgänge. Nach dpa-Recherchen könnte der Schaden knapp 22 Millionen Euro betragen (Stand Juli). Staatsanwaltschaften und Landesministerien arbeiten hier eng mit den jeweiligen Banken zusammen, die Auffälligkeiten bei Anträgen oder Auszahlungen feststellen und an die Behörden melden.

Im Bank- und Finanzwesen sind solche Kontrollen an der Tagesordnung und werden in regelmäßigen Abständen wiederholt, um illegale Transaktionen, Geldwäsche oder Kreditkartenbetrug frühzeitig zu erkennen. Konventionelle Methoden reichen hier nicht aus, um das komplexe Beziehungsgeflecht an Transaktionen, Konten und Firmen in Echtzeit zu untersuchen. Moderne Lösungen der Betrugsprävention führen daher Netzwerkanalysen durch, bei denen die Verbindungen zwischen den Daten im Fokus stehen. So lassen sich Zusammenhänge, Querverbindungen und Muster aufspüren, die auf den ersten Blick gar nicht ersichtlich waren.  

Die Voraussetzung für diese Datenanalytik ist der Einsatz von Graphdatenbanken. In einem Graphen lassen sich die Verbindungen zwischen einzelnen Daten abbilden, so dass ein semantischer Kontext entsteht, der von Graph-Algorithmen durchlaufen wird und neue Einblicke in komplexe Strukturen ermöglicht. Das zugrundeliegende Datenmodell setzt sich aus einer Reihe von Knoten zusammen, die über Kanten miteinander verbunden sind. Was abstrakt klingt, ist intuitiv gedacht: Eine ans White Board gezeichnete Mind-Map mit Strichen und Kreisen entspricht demselben Prinzip. Auch das S-Bahn-Netz einer Stadt, in dem der Knoten „Hauptbahnhof“ über die Linie S8 mit dem „Flughafen“ verbunden ist, stellt einen Graphen dar.

Diese Art, Daten zu speichern und abzufragen, bietet eine Reihe von Vorteilen. Über das Knoten-Kanten-Prinzip lassen sich neue Datensätze problemlos hinzufügen und Datensilos verknüpfen. Das beschleunigt nicht nur den Datenaustausch zwischen Verwaltungsapparaten, sondern verbessert auch den Service gegenüber dem Bürger. Anstatt alle Daten an einem zentralen Ort abzulegen, können in einer Art Register-Datenbank Metadaten hinterlegt werden, die auf die Stammdaten verlinken – was Datenschutzrichtlinien entgegenkommt. Und schließlich können Graphdatenbanken ohne große Neu-Investitionen parallel zu Legacy-Systemen genutzt werden.

Mehr über Graphtechnologie, Knowledge Graphen und Graph-Analytik sowie den vielseitigen Anwendungsgebieten im Public Sector erfahren Sie im Partner-Webinar des Behörden Spiegel mit Neo4j: „Betrugsbekämpfung in Echtzeit – Schnelle und präzise Datenanalyse mit Graphdatenbanken“, Freitag, 9. Oktober 2020, 10-11 Uhr

Der Autor des Gastbeitrags ist Bruno Ungermann, Sales Manager Deutschland bei Neo4j.

Kommentieren Sie den Artikel

Please enter your comment!
Please enter your name here