Das frühzeitige Erkennen von Betrug und der Aufbau von Schutzmaßnahmen sind Schlüsselkompetenzen im Finanzsektor. Wie in nahezu allen Bereichen nimmt die Digitalisierung auch im Fraudmanagement eine entscheidende Rolle ein. Durch den technologischen Fortschritt liegen Finanz- und Versicherungsunternehmen immer mehr Informationen in digitaler Form vor. Diese Entwicklung ermöglicht es der Finanzbranche, ihre Ansätze zur Betrugserkennung und Geldwäscheprävention fundamental zu verbessern.
Betrug automatisiert erkennen
Denn Geldwäsche ist nicht nur in Europa ein großes Problem, sondern etwa auch in Asien. Durch die Verwendung moderner KI-Verfahren konnten hier enorme Erfolge erzielt werden. Dank neuer Methoden aus dem Bereich des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) können aus den Daten Algorithmus-basiert Muster gelernt werden. Anschließend können diese zur automatisierten Betrugserkennung beim Eintreffen neuer Transaktionen genutzt werden. Daraus ergeben sich Kostenersparnisse, einerseits durch eine bessere Betrugserkennung, andererseits durch ein schnelleres und effizienteres Handling der Fälle.
Um erfolgreich Betrugserkennung oder Geldwäscheprävention mit KI durchzuführen, sind drei Faktoren entscheidend: Daten, Modellierung und Organisation. Daten bilden die Grundlage für alle KI-Modelle. Durch die Digitalisierung lassen sich diese leichter und kostengünstiger sammeln. In der Regel ist die Verfügbarkeit von Daten in ausreichender Größe und Qualität der limitierende Faktor. Hier sind oft große Anstrengungen nötig, um die internen Prozesse und die IT vorzubereiten, damit entsprechende Datensätze bereitgestellt werden können. Eine Möglichkeit, um die Lage zu verbessern, sind sogenannte Data Trusts. Hier poolen mehrere Finanzunternehmen ihre Daten. Das ist ein aussichtsreicher Ansatz, der aber die einzelnen Institute auch nicht davon entbindet, die Datenqualität im eigenen Unternehmen sicherzustellen.
Der zweite wichtige Faktor ist die statistische Modellierung und Analyse mit Künstlicher Intelligenz und Methoden des Maschinellen Lernens. Bei Betrugserkennung und Geldwäscheprävention handelt es sich um sogenannte Vorhersageprobleme, die mit KI gelöst werden können. Jedoch gibt es bei Betrugserkennung und Geldwäscheprävention einige Besonderheiten, die zu Herausforderungen in der Modellierung führen.
Der letzte Faktor ist die Organisation: Um ein KI-Projekt erfolgreich in einem Unternehmen einzuführen, müssen auch die entsprechenden organisatorischen Voraussetzungen geschaffen und die Prozesse dahingehend angepasst werden. Betrugsfälle oder auffällige Transaktionen werden häufig manuell geprüft, was oftmals sehr zeit- und personalintensiv ist.
Durch den Einsatz von KI-Systemen, die eine automatische Vorprüfung vornehmen, verschieben sich hier Tätigkeitsschwerpunkte der Arbeitnehmer. Auch ist es wichtig, dass die Sachbearbeiter über Kenntnisse von KI und Maschinellen Lernmethoden verfügen, um die Funktionsweise zu verstehen und auch Rückmeldung zur Verbesserung der Algorithmen geben zu können. Hier sind begleitende Schulungen unerlässlich. Denn ein tiefgreifendes Verständnis von KI führt zusätzlich zu einer höheren Akzeptanz der Methoden.
Technische Herausforderungen
Bei der Analyse von Finanzdaten zur Betrugserkennung und Geldwäscheprävention ergeben sich drei Herausforderungen. Um gute Ergebnisse zu erzielen, müssen diese beim Trainieren der Modelle und Algorithmen berücksichtigt werden.
Eine Herausforderung liegt etwa in sogenannten unstrukturierten Daten. Gerade Finanzdaten liegen häufig in unstrukturierter Form vor, da etwa Transaktionen eine unterschiedliche Anzahl an Positionen aufweisen. Die Felder, die beispielsweise pro Transaktion ausgefüllt sind, variieren von Fall zu Fall stark („missing data“).
Außerdem gibt es Freitextfelder, in denen die Sachbearbeiter Informationen in nicht standardisierter Form eintragen können. Aufgrund ihrer fehlenden Struktur kann die Analyse von unstrukturierten Daten mittels traditioneller Methoden, etwa Lineare Regression, an ihre Grenzen stoßen. Neuere Methoden des Deep Learning eignen sich hierfür allerdings sehr gut.
Des Weiteren kämpfen Institute oft mit einem Ungleichgewicht zwischen Betrugs- und Nichtbetrugsfällen. Typisch für Betrug ist, dass aus datenanalytischer Perspektive nur ein verhältnismäßig geringer Anteil der Fälle betrügerischer Natur ist und dass davon wiederum nur ein kleiner Anteil tatsächlich als Betrug erkannt wird.
Dies hat zur Folge, dass die Anzahl an Schadensfällen, die in den Daten als „Betrugsfall“ klassifiziert ist, relativ zur Gesamtzahl aller Schadensfälle nur sehr gering ist („unbalanced data“). Dieses Ungleichgewicht erschwert das Trainieren von Algorithmen. Durch entsprechende statistische Modellierung kann hier jedoch Abhilfe geschaffen werden.
Die dritte Herausforderung besteht in der richtigen Identifizierung von Betrugsfällen. Bei erkannten Betrugs- oder Geldwäschefällen besteht in aller Regel eine hohe Sicherheit, dass es sich tatsächlich um einen solchen handelt. Es gibt somit nur wenige Fälle im Datensatz, die fälschlicherweise als Betrug eingestuft wurden. Umgekehrt verhält es sich jedoch zumeist derart, dass es mit großer Sicherheit eine Vielzahl an Betrugs- oder Geldwäschefällen gibt, die unentdeckt sind und fälschlicherweise als Nichtbetrug eingestuft wurden.
Selbstverständlich sollen automatisierte Verfahren auch bisher unerkannte Betrugsfälle entdecken. Zu diesem Zweck können sogenannte „Unsupervised Deep Learning“-Methoden, wie (variational) Autoencoder, verwendet werden.
Moderne Methoden des Deep Learning können in erheblichem Umfang zur Verbesserung von Geldwäscheprävention und Betrugserkennung beitragen. In der Forschung wurden auch spezielle Methoden entwickelt, die für die Charakteristika von Betrugs- und Geldwäschedaten maßgeschneidert sind. In vielen asiatischen Ländern ist das schon Praxis, aber in Europa gibt es hier noch sehr großes Potenzial. Das sollte gehoben werden, um nicht den Anschluss zu verlieren.
TIPP: Sie möchten mehr zum Thema Fraudmanagement lesen? Dann erfahren Sie hier, über den Betrug per Messenger oder hier wieso der Kampf gegen Geldwäsche keine Priorität in Deutschland hat.
