Fraud Detection: Vom Status-quo zu künftigen Lösungsansätzen

Schwerpunkt: Fraud Detection

Fraud Detection im Bankensektor wurde in den vergangenen Jahren ein immer komplizierteres Spiel – dank der immer ausgefeilteren Betrugsmuster und dank der immer höheren regulatorischen Anforderungen. Doch wer konsequent auf integrierte Plattformen, starke Datenqualität und gut strukturierte KI-Prozesse setzt, wird auch langfristig erfolgreiche Fraud Detection betreiben.

von Dr. Nicholas Drude, Senior Principal Data Strategist und Tribelead Banking & Insurance, Alexander Thamm

Im Bankensektor hat der finanzielle Schaden durch Betrug in den letzten Jahren deutlich zugenommen – allein in Deutschland beläuft er sich jährlich auf einen zweistelligen Milliardenbetrag. Professionelle Täter nutzen gezielt digitale Kanäle und setzen auf immer ausgefeiltere Angriffsmuster, während Banken mit bestehenden Systemen versuchen, eine effektive Abwehr zu gewährleisten. Gleichzeitig wachsen die regulatorischen Anforderungen, etwa durch die EU-Zahlungsdiensterichtlinie (PSD2), die Geldwäsche-Richtlinie (AMLD) und den AI Act. Angesichts dieser Herausforderungen rückt ein ganzheitliches und leistungsfähiges Betrugsmanagement zunehmend in den Mittelpunkt.

Wachsende Komplexität der Fraud Detection

Betrugsfälle reichen von Identitätsdiebstahl bei Kontoeröffnungen über Phishing und Vishing (Voice Phishing) bis hin zu ausgefeilten Geldwäschemethoden.

Die Herausforderung liegt darin, Daten aus verschiedenen Kanälen – Online-Banking, Kreditvergabe, Filialgeschäft – in ein gemeinsames Echtzeit-Scoring zu überführen.”

Ohne eine übergreifende Plattform bleiben selbst gravierende Auffälligkeiten unentdeckt. Gleichzeitig behindert oft die mangelnde Datenqualität die Präzision von Machine-Learning-Modellen. Ein durchgängiger Blick auf Kundenaktivitäten ist daher essenziell, um Betrugsmuster nicht nur punktuell, sondern ganzheitlich zu erkennen.

Fortbestehende Schwachstellen und Risiken

Obwohl viele Banken bereits in neuartige Betrugserkennungslösungen investieren, bleiben Schwachstellen bestehen. Daten liegen oft in Silos, die nicht ausreichend vernetzt sind. Betrugsstrategien verändern sich ständig und stellen hohe Anforderungen an die kontinuierliche Weiterentwicklung von KI-Modellen. Auch das Fachwissen erfahrener Betrugsanalysten ist unverzichtbar, um neue Angriffsmuster zu identifizieren und die Algorithmen zur Betrugserkennung laufend zu justieren.

Trends und technologische Entwicklungen

Rein regelbasierte Betrugserkennung stößt immer öfter an Grenzen, denn Betrüger passen ihre Methoden schnell an.

Moderne Agentic AI Ansätze kombinieren deshalb bewährte Regeln mit selbstlernenden Algorithmen, die Unregelmäßigkeiten frühzeitig aufspüren.”

Dabei gewinnen Big-Data-Plattformen an Bedeutung, um große Datenströme performant zu verarbeiten und mithilfe von Graphtechnologien Beziehungen in Echtzeit zu analysieren. Zusätzlich helfen Explainable-AI-Ansätze, Transparenz zu schaffen und regulatorische Vorgaben zu erfüllen. Im Know-Your-Customer-Umfeld ermöglichen KI-basierte Textverarbeitungsmodelle eine automatisierte Prüfung externer Dokumente, wodurch sich Auffälligkeiten in Geschäftsberichten oder Online-Quellen schneller aufdecken lassen.

Anforderungen an moderne Betrugserkennungstools

Damit Fraud Detection ihre volle Wirkung entfaltet, sind Echtzeit-Bewertungen, eine verlässliche Reduktion von Fehlalarmen und die enge Verzahnung verschiedener Datenquellen notwendig. Entscheidend ist zudem, dass die Systeme Audit-sichere Erklärungen für ihre Einstufungen liefern. Nur so bauen Fachabteilungen Vertrauen in teilautomatisierte Entscheidungen auf und sind bereit, auf entsprechende Alerts zu reagieren. Moderne Tools müssen sich leicht in unterschiedliche Prozesse wie Vertriebskanäle integrieren lassen und flexible Anbindungsmöglichkeiten bieten, um sowohl digitale als auch stationäre Interaktionen zusammenzuführen.

Optimierung der Schutzmechanismen

Der Schlüssel liegt in der Verknüpfung sämtlicher Kundendaten über den gesamten Lebenszyklus. Ein leistungsfähiges Betrugssystem sammelt daher Informationen aus Onboarding, Transaktionsverhalten und externen Quellen, um Risiken früh zu erkennen und konsequent gegenzusteuern. Neben der technischen Architektur spielt die Datenqualität eine zentrale Rolle: Nur korrekte und aktuelle Datensätze ermöglichen belastbare KI-Modelle. Zudem sollte eine skalierbare Architektur bereitstehen, damit Modelle kontinuierlich erneuert werden können. MLOps-Prozesse stellen sicher, dass Anpassungen an neue Betrugsmuster rasch in den Betrieb gelangen und laufend überwacht werden.

Fazit

Wer konsequent auf integrierte Plattformen, starke Datenqualität und gut strukturierte KI-Prozesse setzt, wird langfristig erfolgreiche Fraud Detection betreiben – und damit nicht nur Verluste mindern, sondern auch das Vertrauen der Kunden stärken.Dr. Nicholas Drude, Alexander Thamm/dk