DataVisor
DataVisor · Sonstiges
DataVisor ist eine Plattform für Betrug und AML bei Banken, Fintechs und Zahlungsdienstleistern. Sie bewertet Ereignisse in Echtzeit mit unüberwachtem maschinellem Lernen und Verknüpfungsanalyse.
Über DataVisor
About
Was ist DataVisor
DataVisor ist eine Betrugspräventionsplattform mit Schwerpunkt Betrugserkennung, gebaut für Banken, Zahlungsabwickler und große Digitalunternehmen. Der Kern ist unüberwachtes maschinelles Lernen: Die Modelle suchen auffällige Gruppen im Verhalten von Konten und Transaktionen, statt auf markierte Betrugsfälle aus der Vergangenheit zu warten. So taucht ein neuer Betrugsring auf, bevor auch nur ein Fall bestätigt ist.
Gegründet wurde das Unternehmen 2013 in Mountain View, Kalifornien, und ist seitdem bei Finanzkriminalität geblieben. Gekauft wird eine Entscheidungsschicht. Signale aus Ihren Systemen treffen auf die Konsortialdaten der Plattform, werden in unter 100 Millisekunden bewertet und kommen als Sperre, Freigabe oder Hinweis für einen Analysten zurück.
Zwei Grenzen entscheiden, ob das passt. Die Preise sind nicht öffentlich, und der Kauf wird zum Integrationsprojekt mit dem Vertrieb, das Wochen dauert und nicht Stunden. Die Geldwäschebekämpfung setzt außerdem ein Betrugsteam voraus, das bereits Regeln und Warteschlangen hat, die migriert werden müssen. Ein einzelner Entwickler meldet sich nicht an und bewertet am selben Nachmittag.
Erste Schritte
- Demo anfordern und den Anwendungsfall eingrenzen. Das Team klärt, welche Abläufe abgedeckt werden sollen: Kontoeröffnung, Karten, ACH- und Auslandsüberweisungen oder Kontoübernahme.
- Daten anbinden. Sie senden Transaktions-, Geräte- und Kontoereignisse über APIs und SDKs oder leiten sie aus Ihrer bestehenden Pipeline weiter.
- Strategien bauen. Analysten setzen Modellbewertungen, Regeln, Listen und Schwellen in der Plattform zusammen, mit Testumgebung für jede Änderung.
- Erst parallel laufen lassen. Üblich sind einige Wochen Shadow-Betrieb auf echtem Verkehr, in denen die Warnungen gegen das bestehende System verglichen werden.
- Live gehen und nachjustieren. Sind die Entscheidungen an Checkout oder Kontoeröffnung angebunden, helfen Tuning-Agenten und Vera, der dialogfähige Assistent, beim Verschieben von Schwellen und beim Prüfen von Fällen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von DataVisor.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Betrugs- und Risikoteams bei Banken
- Zahlungsdienstleister und Fintechs
- AML- und Compliance-Analysten
Aufgaben
- Betrug finden, den noch niemand markiert hat
- Die manuelle Prüfwarteschlange verkürzen
- Verbundene Konten untersuchen
- AML-Meldungen und Berichte erstellen
Szenarien
- Einen neuen Zahlungsweg starten
- Eine Anmeldewelle, die niemand von Hand prüfen kann
- Eine gewachsene Regellandschaft ersetzen
Wichtigste Funktionen
Erkennung mit unüberwachtem maschinellem Lernen
Die Engine gruppiert Konten und Ereignisse nach gemeinsamem Verhalten und markiert Verbünde, die keinem bekannten Muster entsprechen. Zum Start braucht sie keine markierten historischen Fälle, und genau darin liegt der Unterschied, ob ein Betrugsring in Woche eins auffällt oder erst mit den Rückbuchungen. Überwachte Modelle und Regeln laufen daneben weiter für alles, was Sie schon gut kennen.
Verknüpfungsanalyse
Die Verknüpfungsanalyse verbindet Konten, Geräte, Telefonnummern, Adressen und Zahlungsinstrumente in einem Graphen, sodass der Analyst das Netzwerk sieht und nicht das einzelne Konto vor sich. Merkmale, die allein harmlos wirken, werden im Zusammenhang zum Beleg. Das ist der Schritt, der aus einer Warteschlange voller Warnungen eine Handvoll Untersuchungen macht.
Echtzeit-Entscheidung und Automatisierung
Die Bewertung läuft in unter 100 Millisekunden, bei Volumina, die das Unternehmen über 15.000 Anfragen pro Sekunde einordnet. Eine Echtzeit-Entscheidung kann sperren, freigeben, eine zusätzliche Prüfung verlangen oder in die Revision schicken, und der Ablauf entsteht visuell. Die Automatisierung nimmt eindeutige Fälle aus der Schlange, und das verändert die Personalrechnung eines Risikoteams.
KI-Agenten für Strategie und Untersuchung
DataVisor liefert Agenten, die Strategien entwerfen, Schwellen justieren, Warnungen untersuchen und Berichte zusammenstellen. Vera, der dialogfähige Agent, nimmt Anfragen in Alltagssprache an, etwa "zeig mir die Konten an diesem Gerät", und gibt das Ergebnis zurück. Behandeln Sie die Agenten als Beschleuniger für erfahrene Analysten, nicht als Ersatz für Urteilsvermögen bei Grenzfällen.
Vera Code und Werkzeuge für Entwickler
Vera Code ist das Kit, mit dem sich Betrugs- und AML-Abläufe bauen lassen, ohne bei den Standardmasken der Plattform anzufangen. Teams nutzen die APIs, um Bewertungen in eigene Dienste einzubetten, eigene Datenquellen anzubinden und einen Ablauf in Tagen live zu haben. Das zählt, wenn das Risikomodell im Release-Zyklus eines Produktteams leben muss.
Untersuchung, Fallverwaltung und Reporting
Warnungen landen in einem Arbeitsbereich mit verknüpften Entitäten, den Signalen hinter der Bewertung und der Entscheidungshistorie. Analysten notieren, eskalieren oder schließen mit Begründung, und Reporting-Agenten stellen zusammen, was Aufsicht und interne Revision verlangen. Belege neben der Entscheidung ersparen die Rekonstruktion, die sonst die Prüfzeit frisst.
Vor- und Nachteile
Vorteile
- Unüberwachte Erkennung findet Ringe, ohne auf markierte Fälle zu warten, also genau die Lücke, die Regelwerke offen lassen.
- Die Verknüpfungsanalyse zeigt verbundene Konten auf einem Bildschirm, sodass eine Untersuchung abdeckt, was früher mehrere Warnungen waren.
- Bewertungen unter 100 ms bei hohem Volumen verhindern, dass die Entscheidung Checkout oder Kontoeröffnung ausbremst.
- KI-Agenten und Vera nehmen Handarbeit beim Justieren von Strategien und beim Sichten von Warnungen ab.
- APIs und Vera Code lassen Entwicklungsteams die Bewertung in eigene Dienste einbetten, statt ein weiteres Einzelwerkzeug anzuhängen.
Nachteile
- Keine öffentlichen Preise. Ohne Gespräch mit dem Vertrieb und ein Angebot wissen Sie nicht, ob das Budget reicht.
- Die Einführung ist ein Projekt, keine Anmeldung. Datenintegration und Regel-Migration dauern meist Wochen und binden Entwicklerzeit.
- Die Plattform ist auf große Betrugsabteilungen ausgelegt. Kleine Teams ohne Analysten für die Fallbearbeitung zahlen für Fähigkeiten, die sie nicht nutzen.
- Das Modellverhalten braucht Erklärung. Unüberwachte Gruppen zeigen Muster, die Ihr Team noch deuten und vor Prüfern verteidigen muss.
Häufige Fragen
DataVisor erkennt und stoppt Betrug und Finanzkriminalität in Echtzeit, von Kontoeröffnung und Kontoübernahme über Karten, Schecks und Überweisungen bis zur AML-Überwachung. Banken, Zahlungsdienstleister und große Digitalunternehmen setzen die Anti-Betrugs-Software als Entscheidungsschicht zwischen ihre Transaktionsströme und die Prüfteams.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu DataVisor.
Alternativen zu DataVisor
Odyssey 3
Odyssey · SonstigesOdyssey-3 ist Odysseys fundamentales Weltmodell. Es simuliert Physik in Echtzeit, macht aus einer Eingabe eine interaktive Umgebung und lässt sich an Roboter, Autos und Spiele anpassen.
JarvisCore
Prescott Data · Coding · Produktivität · SonstigesJarvisCore ist eine Open-Source-Laufzeit in Python, in der KI-Agenten als gleichrangige Peers in einem Mesh arbeiten, Aufgaben aus einem gemeinsamen Register übernehmen und externe Dienste über einen Zero-Trust-Broker erreichen.
Clef
Cloudflare · Business · SonstigesClef ist Cloudflares Open-Source-Entscheidungsmodell für Workers AI. Es liefert kalibrierte Wahrscheinlichkeiten für typisierte Fragen statt Text, damit Agenten schnell klassifizieren, routen und handeln.