Fraud Management im SAP Customer Activity · PDF file4 AGENDA –FRAUD MANAGEMENT FOR...

Mannheim, 06.07.2016

Fraud Management im SAP Customer Activity RepositoryEffiziente Aufdeckung und Management von Betrugsfällen

Rüdiger Straub / Patrick Hinsberger

2

ZAHLEN UND FAKTEN

Fraud Management for Retail

Zentrale: Zug & SaarbrückenBüros Zug, Saarbrücken, Essen, London

Berater: 110+Festangestellte + Partner

Gegründet: 2005Unternehmensform Aktiengesellschaft

0

20

40

60

80

100

2005 2015

Mitarbeiterentwicklung

NetzwerkSAP Servicepartner

SAP Co Innovation Partner

GK Partner

Motorola/Zebra Partner

Umsatzwachstum

>15% p.a

SAP Projekte

65Seit 2005

Projekterfahrung

>15 J.ProjekteSchweiz, Deutschland, Österreich

England, Finnland, Dänemark

3

KUNDEN (AUSWAHL)


http://www.sap.com/index.epx

http://www.sap.com/index.epx

http://www.spar.ch/contento/Standorte/Standortliste/SPARListe/A/tabid/96/Default.aspx

http://www.spar.ch/contento/Standorte/Standortliste/SPARListe/A/tabid/96/Default.aspx

http://images.google.de/imgres?imgurl=http://www.badratgeber.de/bilder/report/vundb.jpg&imgrefurl=http://www.badratgeber.de/2008/01/15/villeroy-boch-der-zweite-platz-im-bereich-der-sanitaerkeramik.html&usg=__k2iyj3IWON12fSFEM9UbPK5YMvo=&h=450&w=600&sz=27&hl=de&start=1&um=1&itbs=1&tbnid=X4WhBPcfUj1aoM:&tbnh=101&tbnw=135&prev=/images?q=villeroy+und+boch&um=1&hl=de&sa=N&tbs=isch:1

http://images.google.de/imgres?imgurl=http://www.badratgeber.de/bilder/report/vundb.jpg&imgrefurl=http://www.badratgeber.de/2008/01/15/villeroy-boch-der-zweite-platz-im-bereich-der-sanitaerkeramik.html&usg=__k2iyj3IWON12fSFEM9UbPK5YMvo=&h=450&w=600&sz=27&hl=de&start=1&um=1&itbs=1&tbnid=X4WhBPcfUj1aoM:&tbnh=101&tbnw=135&prev=/images?q=villeroy+und+boch&um=1&hl=de&sa=N&tbs=isch:1

http://www.herrenglobus.ch/

http://www.herrenglobus.ch/

http://www.officeworld.ch/

http://www.officeworld.ch/

http://www.intevo.net/kundenlogos/globus_logo.gif

http://www.intevo.net/kundenlogos/globus_logo.gif

http://www.onpulson.de/themen/files/2010/09/karstadt-logo.jpg

http://www.onpulson.de/themen/files/2010/09/karstadt-logo.jpg

http://images.google.de/imgres?imgurl=http://upload.wikimedia.org/wikipedia/en/thumb/e/e7/Logo_Edeka.svg/433px-Logo_Edeka.svg.png&imgrefurl=http://en.wikipedia.org/wiki/File:Logo_Edeka.svg&usg=__L6v5TeCOqj1Hs6zhkUaRKkQNwks=&h=526&w=433&sz=7&hl=de&start=3&um=1&itbs=1&tbnid=m7ca7Dldx4V-gM:&tbnh=132&tbnw=109&prev=/images?q=logo+edeka&um=1&hl=de&sa=N&tbs=isch:1

http://images.google.de/imgres?imgurl=http://upload.wikimedia.org/wikipedia/en/thumb/e/e7/Logo_Edeka.svg/433px-Logo_Edeka.svg.png&imgrefurl=http://en.wikipedia.org/wiki/File:Logo_Edeka.svg&usg=__L6v5TeCOqj1Hs6zhkUaRKkQNwks=&h=526&w=433&sz=7&hl=de&start=3&um=1&itbs=1&tbnid=m7ca7Dldx4V-gM:&tbnh=132&tbnw=109&prev=/images?q=logo+edeka&um=1&hl=de&sa=N&tbs=isch:1

4

AGENDA – FRAUD MANAGEMENT FOR RETAIL

Lösungsübersicht - Aufdeckung von Betrugsfällen

Lösungsübersicht - Datenanalyse

Einführung und Hintergrund

Fragen und Antworten


5

MOTIVATION ZUR ENTWICKLUNG VON FRAUD MANAGEMENT FOR RETAIL


*Quelle EHI Studie 2010

» 20-30 % der Inventurdifferenzen im Handel sind auf Fehlbedienung oder Manipulation der Mitarbeiter zurückzuführen*

Margenoptimierung

Inventur-differenzen

» Erkennung möglicher Verlustquellen, die nicht durch absichtlichen Missbrauch geschaffen werden Optimierung des Kassiererverhaltens

Unbeabsichtigte Nichteinhaltung von Regeln

» Schwierige Aufdeckung von Betrugsfällen an der Kasse, ein Großteil bleibt unentdeckt Finden unehrlicher Mitarbeiter

» Identifikation von Verdachtsmomenten mit hoher Treffsicherheit / Dokumentation erforderlich» Ständige Weiterentwicklung von Betrugsmustern

Absichtlicher Betrug

6

BETRUGSFÄLLE AM POS

Betrugsfälle an der Kasse:

» Bonstorno durchführen und Geld aus der Kasse nehmen

» Nullbon nutzen um Kasse zu öffnen und Geld zu entnehmen

» Pfandrückgabe wird simuliert ohne dass man Pfand entgegennimmt. Das Geld wird aber aus der Kasse genommen

» Ein zu hoher Rabatt wird an Bekannten vergeben

» Retouren Simulation: Geld wird aus der Kasse genommen ohne dass Ware angenommen wurde


7

MOTIVATION ZUR ENTWICKLUNG VON FRAUD MANAGEMENT FOR RETAIL


» Die ursprüngliche Lösung der SAP „Loss Prevention Analytics“ wurde 2014 von der Preisliste genommen

» Es existiert eine generische „SAP Fraud Management“ Lösung der SAP, aber ohne Retail Ausprägung

» Mehrere Kundenanfragen bei der SAP

» Langjährige Beziehung zur SAP und Zusammenarbeit mit dem Produktmanagement in diversen Bereichen

SAP-spezifische Gründe

Entwicklung einer eigenen Lösung/Content basierend auf SAP Standardprodukten in Absprache mit dem SAP Produktmanagement.

Business user enablement: to drive productivity by promoting good practiceEntscheidung

8

MOTIVATION ZUR ENTWICKLUNG VON FRAUD MANAGEMENT RETAIL

» 20-30 % der Inventurdifferenzen im Handel sind auf Fehlbedienung oder Manipulation der Mitarbeiter zurückzuführen*

» Margenoptimierung

» Verlust durch absichtlichen Betrug

» Betrugsfälle an der Kasse sind schwierig zu ermitteln, der Großteil bleibt unentdeckt

» Verdachtsmomente mit einer hohen Treffsicherheit identifiziert und dokumentiert werden

» Sensibles Thema, da es sich um eigene MA handelt

» Betrugsmuster entwickeln sich ständig weiter

» Nichteinhaltung von Regeln ohne böse Absicht

» Erkennung von möglichen Verlustquellen, die nicht durch absichtlichen Missbrauch geschaffen werden

» Optimierung von Kassiererverhalten

Fraud Management for Retail*Quelle EHI Studie 2010

http://www.google.ch/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRxqFQoTCKrlqZuNg8cCFeXzcgodpcgFrA&url=http://www.compboard.de/blog/betrug-keine-gez-gebuehren-fuer-rentner-und-senioren/&ei=uzm6VeqbE-XnywOlkZfgCg&psig=AFQjCNFzdejpxAMqIbmZiGRSUIdtncipng&ust=1438354209467940

http://www.google.ch/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRxqFQoTCKrlqZuNg8cCFeXzcgodpcgFrA&url=http://www.compboard.de/blog/betrug-keine-gez-gebuehren-fuer-rentner-und-senioren/&ei=uzm6VeqbE-XnywOlkZfgCg&psig=AFQjCNFzdejpxAMqIbmZiGRSUIdtncipng&ust=1438354209467940

9

MOTIVATION ZUR ENTWICKLUNG VON FRAUD MANAGEMENT RETAIL

» Die ursprüngliche Lösung der SAP „Loss Prevention Analytics“ wurde 2014 von der Preisliste genommen

» Es existiert eine generische „SAP Fraud Management“ Lösung der SAP, aber ohne Retail Ausprägung

» Mehrere Kundenanfragen bei der SAP

» Langjährige Beziehung zur SAP und Zusammenarbeit mit dem Produktmanagement in diversen Bereichen

» Die führte zur Entscheidung, gemeinsam mit Absprachen des SAP Produktmanagement, eine eigene Lösung/Content

basierend auf SAP Standardprodukten zu entwickeln


10







11

HINTERGRUND – WIE KÖNNEN BETRUGSFÄLLE GEFUNDEN WERDEN?


Expertenwissen

Datenbank

Fraud DetectionStrategy

Predictive Algorithm

Bekannte

Muster/Patterns

Unbekannte

Muster/Patterns

Externer

Hinweis

Regeln

FraudDetection

Alarm

Alarm

Alarm

Datenanalysen

Datenanalyse

Datenanalyse

Datenanalyse

12

FRAUD MANAGEMENT FOR RETAIL:

» Technische Abbildung bekannter Betrugsfälle

» Aufdeckung der Betrugsfälle in verbundenen SAP und nicht-SAP Systemen

» Gebündeltes Know-How und Integration von SAP Fraud Management SAP CAR SAP HANA SAP SLT Wissen über Retail-Prozesse, mögliche Betrugsfälle und Kassenprozesse

» Sofortige Implementierbarkeit Version 1.0


Bekannte Muster

TECHNISCHE ABBILDUNG BEKANNTER BETRUGSFÄLLE

13

LÖSUNGS-ARCHITEKTUR – FRAUD MANAGEMENT FOR RETAIL


SAP Customer Activity

Repository*

SAP HANA

SAP Fraud Management*


SAP ERP

SLT Replikation

NON SAP

*Appl. Server ABAP

Einzelne Kassentransaktionen

POS DATA

SAP N.N.

Kassiererverlauf

14

KEY FEATURES


» Die zugrunde liegenden Tabellen im SAP CAR sind sehr technisch aufgebaut

» Beispiel SAP CAR - TLOGF-Tabelle mit allen Kassendaten ist eine 270 Spalten breite Tabelle die zum grössten Teil

technische Schlüssel enthält

» Die Tabelle enthält in der Regel mehrere Milliarden Einträge

» Beispiel EINER TLOGF-Zeile ->

622;0000001219;20140827;1;0;0;1;ON;0000000001;00000000000000009068;20140827070320;20140827070320;00000000

05;;000000000000000000000000367756;CHF;;;;1100;6;;;1219;CHF;0000001219;0000001219;0;CHF;;;3;1;20140827;07032

0;2014;08;27;07;35;;;;;;0;;0;0;0;;;;;0;0;;;;0;;0;0;;;;;;0;0;0;;;;;;0;;;;;;;;0;;;;0;;;;;;0;0;0;;0;0;;;00000000;00000000;;00000000;;;;;0;;;;;;;;

;00000000;;;;;;;;;;;;;;00000000;;00000000;0;;00000000000000000000000000000000;;;;;;;;;;000000;;;0;0;;0;0;;0;0;;0;0;0;0;0;0;0

;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;;00000000;;;;;;;;;;;;;;0;;;;;;;;0;;0;0;;;;;;;;;;;0;;;00000000;;;;

» Customizingtabellen und technische Schlüssel müssen mit einbezogen werden können, damit Daten Sinn ergeben und

interpretiert werden können.

» Diese Interpretation der Daten wird durch Fraud Management Retail übernommen.

15

FRAUD MANAGEMENT FOR RETAIL – WESENTLICHE FUNKTIONEN 1

» Direktzugriff auf SAP CAR durch HANA Co-Deployment Stammdaten Bewegungsdaten Customizing

» Voll in das SAP Berechtigungskonzept integriert

» Mehrsprachigkeit

» Die FMR Lösung unterstützt Ultra-hohe Datenmengen

» Komplett auf SAP Framework aufgebaut

Internationaler Support über OSS System der SAP


16

FRAUD MANAGEMENT FOR RETAIL – WESENTLICHE FUNKTIONEN 2

» Es können verschiedene Aufdeckungsstrategien (“Patterns”) definiert werden, welche die Daten nach Unregelmässigkeiten durchsuchen Incl. Versionierung

» Die Parameter der Aufdeckungsstrategien (“Patterns”) können in Realtime und mit Zugriff auf echte Daten optimiert und getestet werden “Was wäre wenn” - Simulationen

» Auffälligkeiten werden als sog. “Alerts” aufgezeigt und Bearbeitern automatischnach definierten Regeln zugeordnet

» Man kann sich sowohl einzelne POS Transaktionen als auch den komplettenKassiererverlauf direkt aus der Applikation anschauen

» Workflow & Case Management Unterstützung


17

» Mit dem neuen Release SAP Fraud Management 1.2 SP01 (RTC März 2016) wird die Lösung fast vollständig auf mobilen Endgeräten bedienbar

» Alle Bildschirme sind komplett auf Kundenbedürfnisse anpassbar

BENUTZERSICHT


18

» Finden einer unerlaubten Preisabschrift auf Bananen, die erst nach 20 Uhr Abends reduziert werden dürfen

BEISPIEL – DEFINITION EINER AUFDECKUNGSSTRATEGIE


Parameter Wert

Rabatt-Typ / Rabatthöhe Preisabschrift grösser 20%

Zeitfenster nach 20 Uhr

Betrugswert grösser 3 Euro

19

BEISPIEL – DEFINITION EINER AUFDECKUNGSSTRATEGIE


» Beispiel im System

20

» Fraud Management for Retail ermöglicht es, die echten Betrugsfälle im Unternehmen zu finden.

Mit der Simulation Engine, basierend auf historischen Daten, können definierte Aufdeckungsmethoden laufend optimiert und verfeinert werden um die Anzahl von Fehlalarmen zu minimieren.

WESENTLICHE FUNKTIONEN DER LÖSUNG FÜR DEN KUNDEN


21

» Risikobewertung

Um die einzelnen Auffälligkeiten miteinander ins Verhältnis setzen zu können, existiert der „Risk Score“, mit dem jede Auffälligkeit gewichtet wird.

Das Rating kann selbst definiert werden. Je höher die Risikobewertung, desto höher ist die potentielle Gefahrenlage.

RISIKOBEWERTUNG


22

TRANSAKTIONS-SICHT


*based on SAP CAR/POSDTA Data Structure for POS Data

23

KASSIERERVERLAUF


24

» Case Management und Workflow Kommentare und Dokumente können zu jedem Fall angelegt werden. Offene Fälle können an andere Personen verwiesen oder geschlossen werden. Es können verschiedene Stati für Fälle definiert werden.

CASE MANAGEMENT UND WORKFLOW


25

» Geplanter Content Scope für Release 1.1 bis Ende Q4/2016

SCOPE RELEASE 1.1 – REPORTS UND AUFDECKUNGSSTRATEGIEN


Allg. Report zur Suche über alle TLOG Daten Freies Reporting mit BO Tools über die kompletten Abverkaufsdaten

Allg. Report zur Suche über alle Ausnahmen Freies Reporting mit BO Tools über alle Ausnahmen

Bon- / Total-Stornos (FR) Enthält alle Bonabbrüche

Positions- / ZeilenStornos Enthält alle Positions- / Zeilen-Stornos

Öffnung / Schließung Kassenlade Enthält alle Öffnungen und Schließungen einer Kassenlade

Scanning-Aktivitäten Enthält alle eingescannten, abverkauften Artikel eines bestimmten Users

Retouren Enthält alle Details zu Retouren jeglicher Art

Mitarbeiterkarte Enthält alle Bons eines bestimmten Users, bei welchen eine Mitarbeiterkarte registriert wurde

Rabatte, Preisreduktionen Enthält alle Abverkäufe, mit bestimmten Rabatt-Typen

Bruch & Verderb (Code…) Enthält Abschreibungen jeglicher Art eines bestimmten Users

Kundenumsatz Schnelle Rückschlüsse auf fiktiven od. realen Kunden, etc.

Negative FakturaZeigt alle Fakturas, die sowohl Einkäufe als auch Retouren enthalten, insgesamt aber eine negative Einkaufssumme ergeben

Report über Bonabbrüche Zeigt alle Fakturas an, welche innerhalb der Vorerfassung (Checkout) annulliert wurden

Preiskorrektur Zeigt sämtliche Preiskorrekturen an

Masterkey Zeigt sämtliche Manipulationen mit Hilfe eines Masterkeys

26







27

SCHICHTEN – LSA (LAYERED SCALABLE ARCHITECTURE) UND LSA++


28

SKALIERBARE SCHICHTENARCHITEKTUR LSA UND LSA++ ALS LEITFADEN/RICHTLINIE


» Enterprise Data Warehouse (EDW)

Datenbeschaffungs-Schicht (Data Acquisition): Import und Verknüpfung unterschiedlicher Quelldaten

Harmonisierungs-Schicht (Quality & Harmonization): Nutzung eindeutiger Feldtypen/-namen für unterschiedliche Datenquellen von Stamm- sowie Bewegungsdaten

Datenbereitstellungs-Schicht (Data Propagation): Angeglichene Struktur für jegliche Strategien, egal welche Daten analysiert bzw. welche Felder benutzt werden

Datennutzung: Filterung Tabelle „TLOG“ nach Abverkäufen, Steuern, Rabatten, Zahlungsart

Zusätzlich noch weitere Funktionen für diese Schichten anwendbar

» Aufgebaute Datenbereiche (Architected Data Marts)

z.B. spezielle Datenbereiche für Kassenbetrugsdaten

Inventurbetrugsdaten

Bestellungsbetrugsdaten, etc.

» Virtuelle Datenbereiche (Virtual Data Marts, z.B. bei Einsatz von BW on Hana)

Calculation View

Composite Provider

29

BERICHTS-TECHNOLOGIEN


RSV_DA_LAYER

RSV_QH_LAYER

RSV_DP_LAYER

RSV_AD_LAYER

RSV_VD_LAYER

Analysis for MS Office SAP Lumira

» Architected Data Mart

» Data Propagation

» Quality & Harmonization

» Data Acquisition

» Virtual Data Mart

30

DATENMODELL


FRA_D_ALERT_ROOT

AV_FRA_D_ALERT_ROOT

TLOGF

AV_POS_TLOGF

DBTabellen

DBViews

Harm

on

ization

CV_FRA_D_ALERT_ROOT_POS

CV_FRA_FCT_ALERT_ROOT_POS

CV_POS_TLOGF_SALES

CV_FM_TLOG_RISK

Data-

pro

pagatio

n

CalculationViews

Arch

itectedD

atamarts

CalculationViews

Virtu

alD

atamarts

CV_FMA_TLOG_RISK

CalculationViews /

Composite Provider

Fron

tend

FRA_C_INV_OBJT_T

AT_FRA_C_INV_OBJT_T

FRA_C_INV_OBJT

Attribute/AnalyticViews

CV_FRA_DIM_INVOBJT

CV_POS_FCT_TLOGF_SALES

AT_FRA_C_INV_OBJT

FRA_C_AL_IOBJT

AT_FRA_C_AL_IOBJT

STORE

AT_POS_STORE

PROFT

AT_POS_PROFT

CV_POS_DIM_STORE

MAKT MARA

AT_SAP_MAKT AT_SAP_MARA

CV_SAP_DIM_MATERIAL

T023 T023T

AT_SAP_T023 AT_SAP_T023T

CV_SAP_DIM_WARENGRUPPE

CAR FMR POS Server SAP Retail

31

SCHICHTEN – ANWENDUNG FÜR FRAUD REPORTING AUF HANA


FRA_SD1

V_FRA_SD1

AT_FRA_SD1

FRA_SD2

V_FRA_SD2

AT_FRA_SD2

FRA_BD1

V_FRA_BD1

AN_FRA_BD1

FRA_BD2

V_FRA_BD2

AN_FRA_BD2

POS_SD1

V_POS_SD1

AT_POS_SD1

POS_SD2

V_POS_SD2

AT_POS_SD2

POS_BD1

V_POS_BD1

AN_POS_BD1

POS_BD2

V_POS_BD2

AN_POS_BD2

SR_SD1

V_SR_SD1

AT_SR_SD1

SR_SD2

V_SR_SD2

AT_SR_SD2

SR_BD1

V_SR_BD1

AN_SR_BD1

SR_BD2

V_SR_BD2

AN_SR_BD2

DBTabellen

DBViews

Attribute/AnalyticViews

Harm

on

isierun

g

CV_FRA_D01 CV_FRA_F01

CV_FRA_F02

CV_FRA_F03

CV_POS_D01CV_POS_F02

CV_POS_F01

CV_POS_F03

CV_FM_F01

CV_SR_D01

CV_POS_D02Daten

-b

ereitstellun

g

CalculationViews

Arch

itectedD

atamarts CV_FM_D02

CV_FM_D01

CV_FM_F02Calculation

Views

Virtu

alD

atamarts

CV_FMA_DM01

CalculationViews /

Composite Provider

CV_FMA_DM02 CP_FMA_DM01CP_FMA_DM02

Fron

tend

32

BEISPIEL DATENBESCHAFFUNG – DA-LAYER

» Fraud Tabelle: „SAPABAP1“.FRA_C_AL_IOBJT

» Datenbeschaffung mit Hilfe eines Attribute Views/Analytic Views

» Datenbeschaffung aus verschiedenen angebundenen Systemen, z.B. ERP, POS, CAR


DA

-LA

YER

33

BEISPIEL HARMONISIERUNG – QH-LAYER

» Joins von verschiedenen Tabellen mit Felderzuweisungen

» Auswahl zwischen verschiedenen Join Arten (Inner-, Outer-, Text-Join) und Kardinalitäten

» Datentypumwandlung von NVARCHAR INTEGER

» Kategoriewertharmonisierung: 1 A, 2 B, 3 C, …


QH

-LA

YER

34

BEISPIEL DATENBEREITSTELLUNG – DP-LAYER

» Kompakte Bereitstellung der ausgewählten und zuvor harmonisierten Daten

» vereinheitlichte Schicht als Grundlage zur Aufbereitung der Reportingschicht

» Repräsentiert das EDWH in 3. Normalform


DP

-LA

YER

35

BEISPIEL AUFGEBAUTE DATENBEREICHE – AD-LAYER

» Join von DP-Layer-Views fürs Reporting

» nochmals Feldzuordnungen möglich, da vereinheitlichte Struktur im DP-Layer

» Aufbereitung standardisierter Dimensions- und Faktenviews für die weitere Verwendung im VD-Layer


AD

-LA

YER

36

BEISPIEL VIRTUELLE DATENBEREICHE – VD-LAYER

» Star Join von mehreren Views

» Reporting direkt ausführbar

» Spezifisch strukturierte Views für spezielle Reportinganfragen


VD

-LA

YER

37

ÜBERSICHT MUSTER - LUMIRA


38

BONKOPIE ERSTELLT TAG / FILIALE


39

ÜBERSICHT FILIALE DEUTSCHLAND


40

ÜBERSICHT MUSTER NACH FILIALE UND JAHR


41

BONKOPIE TAG / FILIALE - TREEMAP


42

MODELL PROTOTYP - ANALYSIS


43



44







45

FRAGEN

Fragen zu Fraud Management for Retail


?

46

VIELEN DANK FÜR IHRE AUFMERKSAMKEIT


retailsolutions Schweiz AG

Unter Altstadt 86300 ZugSchweiz

E: [email protected]: +41 41 711 0930F: +41 41 710 4733

retailsolutions Deutschland GmbHScience Park 266123 SaarbrückenDeutschland


retailsolutions Deutschland GmbHKruppstr. 9645145 EssenDeutschland


retailsolutions AG (UK) Limited

66 Jubilee RoadWD245HH WatfordGreat Britain

E: [email protected]

T: +44 778 556 80 34F: +44 192 321 53 00

IHR ANSPRECHPARTNER

Rüdiger StraubT: +49 1522 2524 338M: [email protected]

IHR ANSPRECHPARTNER

Patrick HinsbergerT: +49 1522 2524 349M: [email protected]

mailto:[email protected]






47

VIELEN DANK FÜR IHRE AUFMERKSAMKEIT


retailsolutions Schweiz AG

Unter Altstadt 86300 ZugSchweiz


retailsolutions Deutschland GmbHScience Park 266123 SaarbrückenDeutschland


retailsolutions Deutschland GmbHKruppstr. 9645145 EssenDeutschland


retailsolutions AG (UK) Limited

66 Jubilee RoadWD245HH WatfordGreat Britain

E: [email protected]

T: +44 778 556 80 34F: +44 192 321 53 00

IHR ANSPRECHPARTNER

Rüdiger StraubT: +49 1522 2524 338M: [email protected]

IHR ANSPRECHPARTNER

Patrick HinsbergerT: +49 1522 2524 349M: [email protected]







48



49 Fraud Management for Retail

Performing time-based predictions(Time Series Algorithms)

Single Exponential Smoothing

Double Exponential Smoothing

Triple Exponential Smoothing

Predicting continuous variables based on other variables (Regression Algorithms)

Linear Regression

Exponential Regression

Geometric Regression

Logarithmic Regression

Multiple Linear Regression

Polynomial Regression

Logistic Regression

Finding Frequent item set patterns in transactional data to generate association rules (Association Algorithms)

Apriori

AprioriLite

Classifying and predicting one or more discrete variables (Decision Trees)

HANA C 4.5 & SAP R

R-CNR Tree

CHAID

Clustering observations into groups of similar item sets (Clustering Algorithms)

K-Means

Detecting outlying values in the dataset (Outlier Detection Algorithms)

Inter Quartile Range

Nearest Neighbor Outlier

Anomaly Detection

Variance Test

Forecasting, classification, and statistical pattern recognition(Neural Network Algorithms)

R-NNet Neural Network

R-MONMLP Neural Network

WHAT ARE THE KEY FEATURES/MODULES OF YOUR SOLUTION FOR OUR CUSTOMER PREDICTIVE LIBRARIES (HANA)

50

DECISION FACET


51

AUTHORIZATION CONCEPT

» In SAP Fraud Management provides the following standard roles:

» Fraud Manager (SAP_FRA_FRAUD_MANAGER)

» Chief Risk Officer (SAP_FRA_CHIEF_RISK_OFFICER)

» Business Analyst (SAP_FRA_BUSINESS_ANALYST) ->

» Fraud Investigator (SAP_FRA_FRAUD_INVESTIGATOR)

» Fraud Dispatcher (SAP_FRA_FRAUD_DISPATCHER)

» System Administrator (SAP_FRA_SYSTEM_ADMIN)

» These roles contain all authorizations and all menu entries that are available for SAP Fraud Management.

» The roles can be copied, extended and configured according to CUSTOMER requirements.


52

NECESSARY DEVELOPMENT AND CUSTOMIZING PER DETECTION STRATEGY

1. Identify the required Investigation objects in the data

1. What should be investigated? (Business Background)

2. Which database tables do I need?

3. Which table fields do I need?

2. Create SAP HANA Views (SAP HANA Studio Development)

3. Define Source Domain and Field Settings (IMG) via Customizing

4. Maintain Investigation and Detection Objects (IMG) via Customizing

5. Create SQLScript procedures (SAP HANA Studio Development) to give data to SAP Fraud Management

6. Create several detection methods (Web UI)

7. Create detection strategy (Web UI)

» Initial effort to define one Detection Strategy is high (around 5 MD per Strategy).

» Once detection methods and detection strategies are defined these are re-usable via drag and drop in different Scenarios

without any limitations


53

CAR EXAMPLE AT CUSTOMER


54

TECHNICAL BENEFITS OF THIS PRODUCT


Technical Detail Advantage for Customer

SAP CAR Data basis (TLOG) and Customizing is used - no redundant data

- no additional Space for Data needed

- Realtime Access on SAP CAR POS Data

- all SAP CAR integrated POS Systems are

analyzable

Usage of High Performance of HANA for Fraud

Simulations in Realtime

Realtime Test if new Patterns apply correctly

SAP SLT Standard Technology is used to replicate Data

next to POS Information

Existing Standard technology is used, no need for new

Products

SAP Fraud Management is a standard Solution of SAP Customer benefit from all SAP future Developments

Solution is not just limited to POS Fraud, all Information

can be analyzed

e.g. Patterns on Customer Orders etc. from SAP for

Retail possible…

Full flexible Pattern Definition possible on most granular

POS Data Level

All Customer Requirements can be covered in our

Solution (not out of the box, but during Project)

55

WHAT ARE TYPICAL INTEGRATION SCENARIOS FOR OUR SOLUTION?

» The Customer-Specific Landscape for the Fraud Management Solution is depended on the Setup of other SAP Systems.

» As SAP CAR on HANA is a Pre-Condition for Fraud Management for Retail this is strongly combined.

» One Central System for all POS Data worldwide are supported as well as country specific Installations

» We would recommend one Central SAP CAR Installation as well as one central SAP Fraud Management Installation for

all Countries separated by Rights Management or technical Adjustments

» 3 Layer System Landscape recommended


56

WHAT IS A TYPICAL IMPLEMENTATION APPROACH FOR YOUR SOLUTION?

1. Functional Workshops will take place with the „Sales Auditors“ to learn more about their needs

» Definition of Detection Strategys / Reports will take place together

» Technical Feasability Check of requestes Detection Strategys

» Definition of Data Sources to be able to build Detection Strategys

» Definition of how Risk Scores and Weighting Factors should be used and setup

» How should the Authorization Concept looks like?

2. Technical Workshops with IT

» Setup and Definition of Technical Landscape

» System Access, System Installation, User Rights etc.

3. Technical Setup of

» communication with SAP CAR and SAP HANA for POS Data*

» corresponding Interfaces for additional Source Data (Sales Data, Master Data, Inventory Data…)

» Technical Setup of Detection Strategys incl. setup of HANA SQL, Detection Methods etc.

» Technical Setup of Authorization Concepts

» Technical Setup Visualization (User UI, Mobile Content, Reports…)

4. Creation of Customer Specific User Manual next to existing Documentation

5. Functional Testing together with Sales Auditors

6. Integration Testing with all Components

7. Handover to Customer

Fraud Management for Retail* As a Pre-Condition a SAP HANA Database and a SAP CAR System are installed and up and running

57

GIVEN CUSTOMER’S POC REQUIREMENTS, WHAT DO YOU REGARD AS RECOMMENDED SCOPE FOR THE POC?

» With a POC Setup, we could demonstrate all main capabilities with POS Data

» User Management

» create new and manage present user profiles.

» create and manage roles & assign user profiles to a role.

» define user and role specific report access & define user specific access to store data

» Alerting

» Automatic Alerting based on Detection Stragegys within the tool

» Notification with Alerts and via Email

» Manual creation of Alerts / Fraud Cases

» Simulation and Calibration of Detection Strategy's

» Improve Detection Strategies together

» Work with Weighting Factors and Risk Scores

» Transaction Viewer & Journal Viewer

» Check out possibilities to see POS Data in Detail via SAP FM Application

» Creation of Own "Detection Strategys“

» Simulate how own Detection Strategys could be set up by Sales Audit on their own

» Usability

» Work with the Tool within the Browser and Mobile Devices

» Work with Reports


58

WHAT IS A TYPICAL IMPLEMENTATION APPROACH FOR YOUR SOLUTION?

1. Functional Workshops will take place with the CUSTOMER „Sales Auditors“ to learn more about their needs

» Definition of Detection Strategys / Reports will take place together

» Technical Feasability Check of requestes Detection Strategys

» Definition of Data Sources to be able to build Detection Strategys

» Definition of how Risk Scores and Weighting Factors should be used and setup

» How should the Authorization Concept looks like?

2. Technical Workshops with CUSTOMER IT

» Setup and Definition of Technical Landscape

» System Access, System Installation, User Rights etc.

3. Technical Setup of

» communication with SAP CAR and SAP HANA for POS Data*

» corresponding Interfaces for additional Source Data (Sales Data, Master Data, Inventory Data…)

» Technical Setup of Detection Strategys incl. setup of HANA SQL, Detection Methods etc.

» Technical Setup of Authorization Concepts

» Technical Setup Visualization (User UI, Mobile Content, Reports…)

4. Creation of Customer Specific User Manual next to existing Documentation

5. Functional Testing together with Sales Auditors

6. Integration Testing with all Components

7. Handover to Customer

Fraud Management for Retail* As a Pre-Condition a SAP HANA Database and a SAP CAR System are installed and up and running

59

WHAT ARE THE VENDOR/SOLUTION KEY DIFFERENTIATORS THAT CUSTOMER SHOULD CONSIDER?


60



61



62



63

TRANSACTION VIEWER


64

JOURNAL VIEWER


65

APPENDIX - SCREENSHOTS


66

ALERT WORKLIST


67

DETECTION FACET


68

DOCUMENTATION FACET


69

DECISION FACET


70

TRANSACTION VIEWER


71

JOURNAL VIEWER


72

MANAGING UNASSIGNED ALERTS


73

DETECTION METHODS


74

DETECTION STRATEGIES


75

CALIBRATION (1)


76

CALIBRATION (2)


77

SIMULATION RESULTS (COLUMN CHART)


78

SIMULATION RESULTS (DETECTION METHOD CONTRIBUTION)


79

COMBINING THE POWER OF DIFFERENT APPROACHESSAP FRAUD MANAGEMENT FOR RETAIL COVERS THE FULL SPECTRUM OF FRAUD DETECTION


Known Patterns Unknown/complex Patterns

Release 1.0 of Fraud Management for Retail

incorporates a set of common patterns for POS

related Fraud

The solution combines the experiences gained

from a number of Loss Prevention

implementations at various customer projects

retailsolutions Know-How relating to

POS & Retail Processes

SAP POSDM & SAP CAR

SAP HANA

Enables Fraud Management to find the right Data

in a High Volume environment

Possibility to extend the solution to other potential

fraud scenarios such as Inventory Fraud,

Procurement Fraud, Finance Fraud, etc.

80

REFERENCE PROJECT – SAP LOSS PREVENTION COOP SWITZERLAND

» Workshops with Internal Audit & Security Departments as well as End Users

» Design of the solution

» Full Implementation of all necessary Patterns at COOP together with COOP IT

» Implementation of additional BW reports on transaction-level POS Data

» Today, COOP are monitoring

» >1200 Stores

» >2500 Cash Registers

» >5000 Cashiers

» >1,6 Million Sales Transaction per Day

Success Story:

http://www.retailsolutions.ch/fileadmin/dateien/user_upload/Success_Story_Coop_LossPrevention.pdf


Previous SAP Loss Prevention project experiences were incorporated in the solution design and development:

http://www.retailsolutions.ch/fileadmin/dateien/user_upload/Success_Story_Coop_LossPrevention.pdf

81

FRAUD MANAGEMENT FOR RETAIL – CURRENT STATUS

» Internal System Landscape, IT Concepts & Solution Design

» Establishment of a working Prototype

» Customizing Fraud Management

» Development of 6 POS-Fraud related Patterns

» Analytics Design & Realisation

» Customers & Prospects

» SPAR Switzerland

» German Fashion Retailer

» UK Grocery & Non-Food Retail

» German Discount Grocery & Non-Food Retail

» …

» RDS Qualifications


What have we been up to …

82

FRAUD MANAGEMENT FOR RETAIL – WHAT DOES IT DO?

» Solution for Fraud Detection & Prevention within Retail Business Scenarios

» Set up of Fraud Detection Strategies

» Analyse large data volumes by utilizing Fraud Detection rules (SAP HANA)

» Optimisation of Fraud Detection Strategies via Calibration of the Rules & Parameters

» What-If Scenarios

» Detected ‘anomalies’ are being reported as potential Fraud Situations (Alerts)

» Workflow Support

» Case Management Support


Solution Capabilities

83

SOLUTION ARCHITECTURE – FRAUD MANAGEMENT FOR RETAIL


SAP Customer Activity

Repository*

SAP HANA

SAP Fraud Management*


SAP ERP

SLT Replication

NON SAP BOBJ Data Service

*Appl. Server ABAP

Single POS Transaction

POS DATA

SAP CRM

SAP N.N.

Cashier Journal

84

SQL-ScriptProcedureson HANA-DB

100***

FRAUD MANAGEMENT FOR RETAIL – HOW DOES IT WORK?


DetectionStrategy

DetectionMethods

Sales trans. with discount

- % discount of orig. price

Discount in time frame- staring Time discount

Level of pot. Fraud value- Threshold value

Sales trans. with discount

Weight: 60

Discount in time frame

Weight: 50

Level of pot. Fraud value

Weight: 30

Discount fraud

Threshold: 85

SAP HANA(Design time)

SAP FraudManagement

(Run time)

100*** 100***

30**50**60**

∑=90

∑=90 > 85 Alert

85

EXAMPLE FRAUD PATTERNS


Name Description Technical Condition

Void Transactions Transaction subsequently

voided

Transactiontype = 'VOID' (POST)

No Sale Cash Drawer was opened

without Sale

Transactiontype ‘NO SALE' (NOSA)

Employee Discount Sale with Employee Discount DiscountTypeCode = (500)

Return at POS by Cash POS Return and Paid by Cash Transactiontype «SALE" (RETA)

+ only LineItemType = «RETURN" (RETU)

+ TenderTypeCode «CASH" (CASH

+ Article ≠ Materialtype ZAOX (ignore Lotto etc.)

Manual Discount at POS > x% Manual Discount was granted

at POS with more than 20%

> 1 Position with DiscountTypeCode (400) > x%

+ Scan Type was manual

Line Item Voids > x % and Paid

by Cash

Voided line items greater than

x% of the total transaction line

items and Paid out by Cash

Transactiontype «SALE" (RETA)

+ TenderTypeCode «CASH" (CASH)

+ >=x% Poisitions are voided compared to all Positions

86

The cashier/operator (number 313490) voided 56 line items across 6 transactions for one customer and 44 line items for anothercustomer across 4 transactions.

SWEETHEARTING


Fraudulent Behaviour: The cashier either cancels (Voids) or significantly discounts line items or the entire transaction. If a Loyalty Card has been presented, the customer(s) can be identified and combinations of cashier/customer can be analysed.

Variations & Enhancements: • Comparision of a cashier‘s Void-rate with the average Void-rate across all cashiers• $-Value of total discounts/Voids in comparison to the transaction value/average transaction value• Category/Article – does the discount/Void always relate to a particular article or merchandise category

• E.g. Giftvouchers and/or Prepaid Mobile Vouchers

87

OTHER FRAUD PATTERNS

» Returnable Packaging – falsly returning packaging without the physical receipt of goods

» Discounts granted outside of regular hours

» GILT – Goods Lost in Transit

» Wardrobing - Purchasing products for short-term use with the intent to return the item

» Skimming – sale without recording the sale

» Reverse Sweethearting – a sale to contribute to a sales person’s targets but returned in another store

» Inventory Fraud Patterns


88

TECHNICAL BENEFITS OF THIS PRODUCT


Technical Detail Advantage for Customer

SAP CAR Data basis (TLOG) and Customizing is used - no redundant data

- no additional Space for Data needed

- Realtime Access on SAP CAR POS Data

- all SAP CAR integrated POS Systems are

analyzable

Usage of High Performance of HANA for Fraud

Simulations in Realtime

Realtime Test if new Patterns apply correctly

SAP SLT Standard Technology is used to replicate Data

next to POS Information

Existing Standard technology is used, no need for new

Products

SAP Fraud Management is a standard Solution of SAP Customer benefit from all SAP future Developments

Solution is not just limited to POS Fraud, all Information

can be analyzed

e.g. Patterns on Customer Orders etc. from SAP for

Retail possible…

Full flexible Pattern Definition possible on most granular

POS Data Level

All Customer Requirements can be covered in our

Solution (not out of the box, but during Project)

Date post:	08-Feb-2018
Category:	Documents
Upload:	dangnga
View:	218 times
Download:	2 times

Fraud Management im SAP Customer Activity · PDF file4 AGENDA –FRAUD MANAGEMENT FOR...

Documents