In der heutigen Zeit spielen Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) eine immer größere Rolle. Deshalb ist es auch naheliegend alle Möglichkeiten auszuschöpfen, die diese Technologien uns für die Betrugserkennung bieten. Im gleichen Zuge bietet es sich auch an, dass wir unsere Denkweise bei der Datenanalyse mit diesen Technologien weiterentwickeln. Es geht nicht mehr nur darum, Risikofaktoren als Schwarz oder Weiß zu betrachten und daraus Betrug abzuleiten. Vielmehr müssen einzelne Eigenschaften betrachtet und zu einem Muster zusammengesetzt werden. Aus diesem lässt sich dann ein Spektrum von Wahrscheinlichkeiten ableiten, mit dem der Fall eingeschätzt werden kann.
Genauso wie die Quantenmechanik in der Physik das Denken revolutioniert hat – nehmen Sie nur Schrödingers berühmte Katze, die gleichzeitig tot und lebendig ist – müssen auch wir in der Betrugserkennung neue Wege gehen. KI- und ML-gestützte Systeme können uns darin unterstützen, das meiste aus unseren Daten herauszuholen. Der Mehrwert dabei entsteht jedoch nicht auf magische Weise, sondern dadurch, dass die Ergebnisse der KI richtig interpretiert und genutzt werden. Anstatt Eigenschaften als „verdächtig“ oder „nicht verdächtig“ zu betrachten, sollten wir uns auf Wahrscheinlichkeiten und das Zusammenspiel mit weiteren Faktoren konzentrieren.
Die Macht der Grauzone
Indem wir den Fokus auf Wahrscheinlichkeiten legen, öffnen wir die Tür zur sogenannten Grauzone. Das bedeutet, dass wir uns nicht nur auf offensichtliche Betrugsfälle konzentrieren, sondern auch auf solche, die weniger eindeutig sind.
Nehmen wir folgendes Beispiel: Ein für einen bestimmten Kunden hoher Überweisungsbetrag könnte ein Hinweis darauf sein, dass ein Betrüger versucht, das Konto abzuräumen. Doch wenn der Betrüger nicht plump einen wesentlichen Geldbetrag (gemessen an den Einlagen des Kontobesitzers) auf ein unbekanntes Konto überweist, sondern eine erklärbare hohe Transaktion übernimmt, lässt sich der Betrug deutlich schwerer feststellen. Im konkreten Fall könnte das dann so aussehen: die Betrüger setzen ein Geschäftskonto eines (erfundenen) Unternehmens auf; sagen wir ein Autohaus. Übernehmen die Betrüger nun das Konto eines Betrugsopfers, erklären sie Transaktionen mit hohen Beträgen durch das Einkaufen in diesem Autohaus. Eine einzelne Person mag zwar nicht regelmäßig PKWs anschaffen, für die Betrüger reicht aber auch das eine Mal.
Das reine Markieren von PKW-Käufen und ähnlichen Transaktionen als Betrugsfall führt zu einer großen Zahl an falsch-positiven Meldungen – schlussendlich ist die große Mehrheit an Autokäufen schlicht das: ein normaler Autokauf.
Betrüger haben also für sich erkannt, dass offensichtlich verdächtige Handlungen ziemlich schnell identifiziert werden. Deshalb versuchen sie, ihre Betrügereien an das gewöhnliche Kundenverhalten anzulehnen und nur gering davon abzuweichen. Man befindet sich hier also in den Grauzonen, wo jede Eigenschaft für sich genommen unverdächtig ist, zu einem Muster zusammengesetzt jedoch ein klareres Bild ergibt.
Durch das Erkennen dieser subtilen Anomalien kann Betrug effektiver bekämpft und Kundenzufriedenheit verbessert werden. Das geht einher mit weniger Betrugs- und Bearbeitungskosten.
Ein neues Mindset für Banken
Um diesen Paradigmenwechsel erfolgreich zu vollziehen, ist es unerlässlich, dass Banken bereit sind, ihre bestehenden Prozesse und Systeme zu überdenken und anzupassen. Das bedeutet, offen für innovative Ansätze und Technologien zu sein, die sich auf Wahrscheinlichkeiten und Grauzonen konzentrieren. In einer Welt, in der KI und ML immer mehr an Bedeutung gewinnen, sollten Banken darauf achten, ihre Mitarbeitenden fortzubilden und die Vorteile dieser Technologien für ihre Betrugserkennungssysteme zu nutzen. Der Wandel beginnt mit einem offenen Dialog und der Bereitschaft, traditionelle Denkmuster zu überwinden und neue Perspektiven zu erkunden.
Ein zentraler Aspekt dieses neuen Ansatzes liegt darin, Daten als Geschichtenerzähler zu begreifen. Statt uns lediglich auf einzelne Zahlen und Fakten zu versteifen, sollten wir in der Lage sein, die zugrunde liegenden Muster und Zusammenhänge zu erkennen, um daraus wertvolle Handlungsempfehlungen abzuleiten. Wenn wir also über die revolutionäre Kraft von Schrödingers Katze sprechen, sollten wir es nicht bei einer faszinierenden, wenn auch surrealen, Anekdote belassen, sondern auch die spannenden Möglichkeiten hervorheben, die sich durch den Einsatz von KI und ML im Bereich der Betrugserkennung eröffnen.
Mehr Informationen zum Thema “Betrug verhindern” finden Sie hier:
https://www.ppi.de/banken/banksteuerung-und-risikomanagement/it-risiken/fraud-detection/
Autor: Paul Günther
