Reduzierung falsch positiver Ergebnisse: Ein verhaltensanalytischer Ansatz

Das False-Positive-Problem

Herkömmliche regelbasierte AML-Systeme erzeugen eine überwältigende Anzahl falsch-positiver Warnungen – oft erfordern 95 % oder mehr aller Warnungen keine Maßnahmen. Dadurch entstehen mehrere Probleme:

• Alarmmüdigkeit: Analysten werden gegenüber Warnungen desensibilisiert und übersehen möglicherweise echte Bedrohungen
• Ressourcenentzug: Compliance-Teams verbringen mehr als 80 % ihrer Zeit mit der Untersuchung falscher Warnungen
• Verzögerte Reaktion: Echte verdächtige Aktivitäten werden im Lärm unterdrückt
• Kundenreibung: Legitime Transaktionen werden blockiert oder verzögert

Warum traditionelle Systeme scheitern

Regelbasierte Systeme wenden für alle Kunden die gleichen Schwellenwerte an. Eine Transaktion im Wert von 10.000 US-Dollar löst eine Warnung aus, unabhängig davon, ob sie von einem Studenten oder einem Immobilieninvestor stammt. Dieser „one-size-fits-all“-Ansatz kann grundsätzlich nicht zwischen normalem und abnormalem Verhalten unterscheiden.

Verhaltensanalyse: Lernen, was normal ist

Verhaltensanalysen drehen das Paradigma um. Anstelle der Frage „Verstößt diese Transaktion gegen eine Regel?“ fragen wir: „Ist diese Transaktion für diese bestimmte Entität ungewöhnlich?“

Entitätsspezifische Baselines

Für jeden Kunden, jedes Konto und jeden Händler erstellen wir ein Verhaltensprofil:

• Transaktionsmuster: Typische Beträge, Häufigkeiten, Gegenparteien
• Zeitliches Verhalten: Aktive Stunden, Wochentagsmuster, saisonale Trends
• Geografische Muster: Normale Standorte, grenzüberschreitende Tätigkeit
• Kanaleinstellungen: Online vs. persönlich, mobil vs. Desktop

Peer-Gruppen-Analyse

Über einzelne Baselines hinaus vergleichen wir Unternehmen mit ähnlichen Unternehmen. Die Transaktionsmuster eines Freiberuflers unterscheiden sich von denen eines Angestellten, die sich wiederum von denen eines Kleinunternehmers unterscheiden. Unsere Modelle erkennen diese Segmente automatisch und passen die Risikobewertung entsprechend an.

Technische Umsetzung

1. Modelle des unbeaufsichtigten Lernens

Wir verwenden mehrere komplementäre unbeaufsichtigte Techniken:

2. Feature Engineering für Verhalten

Zu den wichtigsten Verhaltensmerkmalen gehören:

• Geschwindigkeitsfunktionen: Die Transaktion zählt über 1-Stunden-, 24-Stunden-, 7-Tage- und 30-Tage-Fenster
• Betragsabweichungen: Z-Scores im Verhältnis zum persönlichen Durchschnitt und zum Durchschnitt der Kollegen
• Sequenzmuster: Änderungen in der Reihenfolge und dem Zeitpunkt der Transaktionen
• Netzwerkentwicklung: Neue Kontrahenten, Änderungen in der Diagrammposition

3. Kontinuierliches Lernen

Verhaltensmuster entwickeln sich. Ein Kunde, der seinen Arbeitsplatz wechselt, in eine andere Stadt zieht oder ein Unternehmen gründet, wird sich zu Recht anders verhalten. Unsere Modelle passen sich an:

• Rollende Fenster: Neuere Daten stärker gewichtet
• Schrittweise Profilaktualisierungen: Sanfte Übergänge statt abrupter Veränderungen
• Feedback-Integration: Analystenentscheidungen beeinflussen Modellaktualisierungen

Ergebnisse aus der Praxis

Fallbeispiel: Geschäftskonto

Ein gewerblicher Kunde erhält in der Regel 5–10 Zahlungen pro Tag im Wert von durchschnittlich 2.500 US-Dollar. Ihr regelbasiertes AML-System markierte sie, als sie eine Zahlung in Höhe von 15.000 US-Dollar erhielten, was eine Warnung „Große Transaktion“ auslöste.

Unser Verhaltenssystem hat erkannt, dass dieser Kunde häufig Zahlungen im Bereich von 10.000 bis 20.000 US-Dollar von dieser bestimmten Gegenpartei (einem Großkunden) erhält. Der Betrag lag im für diese Beziehung üblichen Rahmen. Keine Warnung generiert. Zeitersparnis bei der Untersuchung: 45 Minuten.

Balance zwischen Sensitivität und Spezifität

Die Reduzierung von Falschmeldungen darf nicht auf Kosten des Übersehens echter Bedrohungen gehen. Unser Ansatz erhält oder verbessert die echte positive Erkennung:

• Ensemble-Modelle: Mehrere Erkennungsmethoden, die verschiedene Bedrohungstypen erkennen
• Einstellbare Schwellenwerte: Passen Sie die Sensitivität je nach Risikobereitschaft des Instituts an
• Hybrider Ansatz: Verhaltensmodelle + regelbasierte Backstops für bekannte Muster

Best Practices für die Implementierung

• Aufwärmphase: Sammeln Sie 90 Tage lang Daten, bevor Sie punkten
• Paralleler Betrieb: Führen Sie das Verhaltenssystem zunächst parallel zum bestehenden System aus
• Schrittweiser Rollout: Beginnen Sie mit Segmenten mit geringem Risiko und erweitern Sie diese schrittweise
• Analysten-Feedbackschleife: Erfassen Sie Entscheidungen zur Verbesserung von Modellen
• Regelmäßige Umschulung: Aktualisieren Sie die Modelle monatlich, wenn sich das Verhalten weiterentwickelt

Abschluss

Falsch positive Ergebnisse sind nicht nur ein Ärgernis – sie stellen ein grundlegendes Hindernis für eine wirksame AML-Compliance dar. Verhaltensanalysen bieten einen Weg nach vorne: Sie lernen, was für jede Entität normal ist, und erkennen echte Abweichungen. Die Ergebnisse sprechen für sich: 85 % weniger Fehlalarme, zufriedenere Analysten und eine bessere Erkennung tatsächlicher Finanzkriminalität.