In einer ersten Stufe reicherten wir die bereits bestehenden Personendatensätze mit weiteren Merkmalsausprägungen an. Durch Hinzunahme und Erzeugung von zusätzlichen individuellen Informationen erweiterten wir das Analysespektrum. Im zweiten Schritt eruierten wir – in enger Zusammenarbeit mit den Fachkreisen – die belegten Betrugsfälle und markierten diese im Datenbestand. Im dritten Schritt entwickelten wir, basierend auf dem aufbereiteten Datenbestand, mit Methoden des rekursiven Partitionierens (unsupervised learning) ein Klassifikationsverfahren welche Betrugsfälle zuverlässig erkennt. Die auffälligen Merkmalskombinationen können nun schnell eruiert und behandelt werden.