Menü
Die simulierten Daten stammen aus Transaktionen zwischen Tausenden von Kunden (insgesamt 11.000) in einem mobilen Banknetzwerk. Die meisten Nutzer verhalten sich dabei gemäß einem statistischen Modell, das normales Verhalten beschreibt. Allerdings begehen einige von ihnen Betrug.
Ziel ist es, die betrügerischen Konten anhand ihres Transaktionsverhaltens zu identifizieren. Für den Student Track wird ein anfänglicher Satz an Merkmalen bereitgestellt, doch das Entdecken neuer, aussagekräftigerer Merkmale wird zusätzlich belohnt. Die Betrügerpopulationen im Studierenden- und im Professional Track unterscheiden sich, sodass beide Tracks unterschiedliche Herausforderungen bieten.
| Rank | Score | Team Name | Member Name(s) |
|---|---|---|---|
| 🏆1 | 99.83% | Import teamName | Ayden Janssen, Robyn Sophie Kruse |
| 🥈2 | 97.05% | Data Alchemy | Tobias Fricke |
| 🥉3 | 88.95% | :^) | Arne Winter |
| 4 | 85.64% | DataForcer | Abhirup Sinha, Pritilata Saha |
| 5 | 82.15% | BitBubenBande | Jann Eike Ackermann, Joshua, Aning, Max Lehmann |
| Rank | Score | Team Name | Member Name(s) |
|---|---|---|---|
| 🏆1 | 99.92% | Spider Bobs | Ali Salehzadeh-Yazdi, Eda Cakir, Johannes Falk |
| 🥈2 | 99.76% | Import teamName | Ayden Janssen, Robyn Sophie Kruse |
| 🥉3 | 99.61% | OldSchool | Yale Hartmann |
| 4 | 92.14% | Kornstante | Fabian Wetjen, Wilhelm Jochim, Marcel Plutat |
| 5 | 76.68% | IntroToAML | Eike Voß, Tom Splittgerbe |
