Automatisierte Betrugsprüfung erkennt Auffälligkeiten – Treffer müssen fachlich eingeordnet werden

Automatisierte Prüfverfahren helfen Banken, große Mengen an Transaktionen und Kundendaten schnell nach Auffälligkeiten zu durchsuchen. Ihre Ergebnisse sind jedoch nur so zuverlässig wie die Daten, Regeln und Modelle, auf denen sie beruhen. Eine auffällige Zahlung ist zunächst ein Prüfhinweis, kein Beweis für Betrug. Damit Automatisierung tatsächlich schützt, müssen Banken Treffer angemessen einordnen, Fehlalarme beherrschbar halten und Entscheidungen nachvollziehbar dokumentieren.

Moderne Systeme kombinieren regelbasierte Prüfungen mit statistischen Verfahren und maschinellem Lernen. Regelbasierte Systeme markieren beispielsweise Zahlungen, die festgelegte Betragsgrenzen überschreiten oder von bekannten Verhaltensmustern abweichen. Lernende Modelle können komplexere Zusammenhänge erkennen, etwa ungewöhnliche Kombinationen aus Transaktionszeitpunkt, Gerät, Empfänger und bisherigem Kundenverhalten. Häufig werden mehrere Verfahren parallel eingesetzt, damit eine einzelne Schwäche nicht die gesamte Erkennung bestimmt.

Die Automatisierung verändert dabei nicht nur die Geschwindigkeit der Prüfung, sondern auch ihre Reichweite. Ein System kann jede Zahlung nach denselben Kriterien bewerten und Muster über viele Konten hinweg erkennen, die einer einzelnen Sachbearbeiterin oder einem einzelnen Sachbearbeiter entgehen würden. Das ist besonders relevant, wenn Betrugsversuche in kurzer Zeit zahlreiche Transaktionen betreffen oder sich über unterschiedliche Kanäle verteilen. Die Möglichkeit, große Datenmengen zu verarbeiten, beseitigt jedoch nicht die Notwendigkeit fachlicher Kontrolle.

Ein Prüfverfahren erzeugt typischerweise einen Risikowert oder eine Warnung. Was danach geschieht, hängt von der jeweiligen Bank, dem Produkttyp und dem regulatorischen Rahmen ab. Eine niedrige Bewertung kann eine Beobachtung auslösen, eine höhere eine manuelle Untersuchung oder eine vorübergehende Sperre. Schwellenwerte müssen so gewählt werden, dass sie zur Risikotoleranz und zu den verfügbaren Kapazitäten passen. Werden sie zu streng gesetzt, wächst die Zahl harmloser Treffer; sind sie zu großzügig, können relevante Fälle unentdeckt bleiben.

Die zentrale Grenze automatisierter Prüfungen liegt darin, dass sie Wahrscheinlichkeiten und Muster bewerten, nicht die Absicht hinter einer Handlung unmittelbar feststellen. Ein Kunde kann eine ungewöhnliche Zahlung aus einem legitimen Grund ausführen. Umgekehrt kann ein Betrugsversuch so gestaltet sein, dass er zunächst gewöhnlich erscheint. Deshalb sollten automatisierte Bewertungen als Entscheidungshilfe in einen kontrollierten Prozess eingebettet sein: mit klar definierten Eskalationswegen, dokumentierten Eingriffsmöglichkeiten und einer Möglichkeit, Fehlentscheidungen zu korrigieren.

Regelbasierte Verfahren sind besonders gut nachvollziehbar. Wenn ein System eine Zahlung markiert, lässt sich meist auf eine konkrete Bedingung verweisen, beispielsweise eine ungewöhnliche Häufung von Überweisungen innerhalb kurzer Zeit. Diese Transparenz erleichtert die Prüfung und Anpassung von Regeln. Sie macht das Verfahren aber nicht automatisch treffsicher: Kriminelle können bekannte Grenzen ausnutzen, Beträge aufteilen oder ihr Verhalten so verändern, dass einzelne Regeln nicht mehr anschlagen. Starre Regeln reagieren zudem langsam auf neue Betrugsmuster, wenn sie nicht regelmäßig überprüft werden.

Maschinelle Lernverfahren können Veränderungen und Kombinationen von Merkmalen besser abbilden, bringen aber andere Anforderungen mit sich. Die Ergebnisse können schwerer zu erklären sein, insbesondere wenn viele Variablen in die Bewertung einfließen. Für eine Bank genügt es daher nicht, dass ein Modell im Test eine hohe Erkennungsleistung erzielt. Sie muss auch nachvollziehen können, welche Daten verwendet werden, wie das Modell überwacht wird und unter welchen Bedingungen Mitarbeitende eine Empfehlung übersteuern dürfen. Die Anforderungen an Governance und Dokumentation sind je nach Einsatz und geltendem Regelwerk zu bestimmen.

Besondere Aufmerksamkeit verdient die Qualität der Eingangsdaten. Unvollständige Angaben, verzögerte Aktualisierungen, uneinheitliche Formate oder fehlerhafte Verknüpfungen können die Bewertung verfälschen. Ein System kann beispielsweise einen legitimen Zahlungsvorgang als ungewöhnlich einstufen, wenn frühere Transaktionen eines Kunden fehlen. Umgekehrt können doppelte oder falsch zugeordnete Datensätze scheinbar vertraute Muster erzeugen und dadurch eine Warnung abschwächen. Banken benötigen deshalb Kontrollen, die Datenlücken und Abweichungen erkennen, bevor sie die Ergebnisse der Betrugsprüfung beeinflussen.

Hinzu kommt, dass Betrugsmuster nicht statisch sind. Werden bestimmte Prüfregeln bekannt oder zeigen sie sich als wirksam, können Täter ihre Vorgehensweise anpassen. Ein Modell, das ausschließlich aus historischen Fällen lernt, kann außerdem neue Betrugsvarianten übersehen, wenn diese in den Trainingsdaten nicht ausreichend vertreten sind. Auch Veränderungen im Kundenverhalten – etwa durch neue digitale Angebote oder geänderte Zahlungsgewohnheiten – können dazu führen, dass frühere Vergleichswerte an Aussagekraft verlieren. Modelle und Regeln brauchen deshalb laufende Leistungsüberwachung sowie kontrollierte Aktualisierungsprozesse.

Ein wesentlicher praktischer Engpass ist die Zahl der Fehlalarme. Jedes System, das Verdachtsfälle meldet, erzeugt auch Treffer, die sich nach einer Prüfung als unbedenklich erweisen. Sind es zu viele, steigt die Arbeitslast der Ermittlungs- und Compliance-Teams. Die Bearbeitung kann sich verzögern, und Mitarbeitende können Warnungen weniger aufmerksam prüfen. Eine hohe Trefferzahl ist daher nicht automatisch ein Zeichen für gute Betrugserkennung. Entscheidend ist, ob relevante Fälle zeitnah erkannt werden und ob die verfügbaren Kapazitäten eine sorgfältige Bearbeitung ermöglichen.

Für die Bewertung eines Prüfverfahrens sollten Banken mehrere Kennzahlen betrachten, nicht nur die Anzahl markierter Vorgänge. Dazu gehören beispielsweise:

  • Trefferquote: Welcher Anteil der untersuchten Warnungen bestätigt sich als relevanter Verdachtsfall?
  • Erkennungsrate: Welcher Anteil der bekannten oder später bestätigten Fälle wurde vom System erkannt?
  • Bearbeitungszeit: Wie lange dauert es von der Warnung bis zur Entscheidung oder Eskalation?
  • Fehlalarmvolumen: Wie viele unauffällige Vorgänge binden Prüfkapazität?
  • Übersteuerungen: Wie häufig ändern Mitarbeitende eine automatisierte Empfehlung, und aus welchen Gründen?

Diese Kennzahlen müssen im Zusammenhang interpretiert werden. Eine höhere Erkennungsrate kann beispielsweise mit mehr Fehlalarmen einhergehen. Eine niedrige Zahl von Warnungen kann auf eine präzise Prüfung hindeuten, aber ebenso darauf, dass das System zu wenig meldet. Die passende Gewichtung hängt davon ab, welche Schäden verhindert werden sollen, wie schnell eine Reaktion erforderlich ist und wie viele Fälle die Bank fachgerecht untersuchen kann.

Automatisierung kann außerdem bestehende Verzerrungen in Daten und Entscheidungsprozessen fortschreiben. Wenn bestimmte Kundengruppen in historischen Daten häufiger geprüft oder anders behandelt wurden, kann ein lernendes Verfahren solche Unterschiede übernehmen. Das führt nicht zwangsläufig zu einer fehlerhaften Entscheidung im Einzelfall, kann aber systematische Ungleichheiten erzeugen. Banken sollten deshalb regelmäßig prüfen, ob Modelle für unterschiedliche Kundengruppen vergleichbar funktionieren und ob verwendete Merkmale sachlich gerechtfertigt sind. Die Prüfung muss sowohl die Modellleistung als auch die Auswirkungen des gesamten Prozesses berücksichtigen.

Auch die Nachvollziehbarkeit kann an Grenzen stoßen, wenn mehrere Systeme zusammenspielen. Eine Warnung entsteht möglicherweise aus einer Kombination von Zahlungsplattform, Identitätsprüfung, Transaktionsmonitoring und Fallmanagement. Sind Zeitstempel, Datenquellen oder Entscheidungsschritte nicht sauber verbunden, lässt sich später nur schwer rekonstruieren, warum eine Maßnahme ergriffen oder unterlassen wurde. Für eine belastbare Prüfung sollten Banken daher nachvollziehbar festhalten, welche Informationen zum Entscheidungszeitpunkt vorlagen, welche Regeln oder Modellversionen angewendet wurden und wer den Fall bearbeitet oder übersteuert hat.

Dieser Anspruch betrifft nicht nur die technische Protokollierung. Mitarbeitende müssen erkennen können, welche Hinweise eine Warnung ausgelöst haben und welche nächsten Schritte vorgesehen sind. Ein Risikowert ohne verständliche Erläuterung bietet wenig Unterstützung für die Fallbearbeitung. Umgekehrt darf eine erklärbare Begründung nicht den Eindruck vermitteln, sie sei ein vollständiger Beweis. Die Dokumentation sollte zwischen automatisierter Einschätzung, ergänzender Prüfung und abschließender Entscheidung unterscheiden.

Die europäische Digital Operational Resilience Act-Verordnung (DORA), Verordnung (EU) 2022/2554, legt für Finanzunternehmen Anforderungen an das Management digitaler operationeller Risiken fest. Sie macht ein Betrugserkennungssystem nicht automatisch wirksam und schreibt nicht für jeden Anwendungsfall dieselbe technische Lösung vor. Sie unterstreicht jedoch, wie wichtig belastbare Kontrollen rund um digitale Systeme, Dienstleister, Vorfälle und deren Bewältigung sind. Banken müssen die für sie geltenden Pflichten im jeweiligen Anwendungsfall prüfen und ihre Prozesse entsprechend ausgestalten.

Ähnliche Sorgfalt ist bei Cloud-Diensten erforderlich. Wer Prüfverfahren oder zugehörige Datenverarbeitung auslagert, muss Verantwortlichkeiten, Zugriffsmöglichkeiten, Sicherheitskontrollen und die Überwachung des Dienstleisters berücksichtigen. Die BaFin weist in ihrem Merkblatt zu Cloud-Auslagerungen auf Anforderungen an die Beurteilung und Steuerung solcher Auslagerungen hin. Eine Cloud-Plattform ersetzt daher weder die Kontrolle durch die Bank noch die Prüfung, ob konkrete Vertrags- und Betriebsmodelle den einschlägigen Vorgaben entsprechen.

Ein weiteres Risiko entsteht, wenn die technische Warnung und der operative Ablauf voneinander getrennt sind. Wird ein Treffer in einem System erzeugt, aber in einem anderen manuell dokumentiert, entstehen Medienbrüche. Informationen können verloren gehen, Zuständigkeiten unklar bleiben oder Eskalationen verzögert werden. Ein durchgängiger Workflow sollte den Fall von der Erkennung bis zur Entscheidung abbilden und dabei Verantwortliche, Fristen, erforderliche Nachweise und Freigaben festhalten. Die Automatisierung ist nur dann wirksam, wenn sie in die tatsächliche Arbeit der Bank eingebunden ist.

Für diese Prozesssicht können digitale Prozessmodelle hilfreich sein. Sie machen sichtbar, welche Schritte auf eine Warnung folgen, wo manuelle Prüfungen erforderlich sind und an welchen Stellen Entscheidungen freigegeben werden müssen. Der Begriff Regulatorische Digital Twins kann in diesem Zusammenhang die Verbindung aus Prozessabbildung, Kontrollen und Nachweisen beschreiben. Ein solches Modell erkennt Betrug nicht von selbst und garantiert keine Regelkonformität. Es kann jedoch helfen, Abläufe systematisch zu überprüfen und Änderungen an Vorgaben oder internen Kontrollen kontrolliert in die Prozesse zu übertragen.

Die Wahl zwischen vollständiger Automatisierung und menschlicher Entscheidung ist dabei keine einfache Entweder-oder-Frage. Wiederholbare Prüfungen mit klaren Kriterien lassen sich häufig weitgehend automatisieren. Komplexe Fälle, widersprüchliche Hinweise oder Entscheidungen mit erheblichen Auswirkungen benötigen dagegen angemessene fachliche Kontrolle. Wichtig ist, dass die Bank festlegt, welche Entscheidungen automatisiert getroffen werden dürfen, wann eine zusätzliche Prüfung erforderlich ist und wie eine Person bei Bedarf eingreifen kann.

Ein tragfähiges Prüfkonzept beschreibt deshalb nicht nur die eingesetzte Software, sondern den gesamten Kontrollkreislauf. Dazu gehören die Auswahl der Daten, die Festlegung von Regeln und Schwellenwerten, die Überwachung der Modellleistung, die Untersuchung von Warnungen und die Auswertung bestätigter Fälle. Erkenntnisse aus der Fallbearbeitung sollten in die Verbesserung des Systems einfließen, ohne dass Änderungen ungeprüft in den laufenden Betrieb gelangen. Modell- und Regeländerungen müssen kontrolliert getestet, freigegeben und dokumentiert werden.

Vor der Einführung oder Erweiterung eines automatisierten Verfahrens sollte eine Bank klären, welches konkrete Problem gelöst werden soll. Geht es darum, bestimmte Transaktionen schneller zu prüfen, Muster über mehrere Kanäle zu erkennen oder die Bearbeitung von Warnungen zu priorisieren? Die Antwort bestimmt, welche Daten benötigt werden, wie Erfolg gemessen wird und welche Risiken bei einer Fehlbewertung entstehen. Ein klar begrenzter Anwendungsfall erleichtert zudem den Vergleich zwischen Ausgangslage und späterer Leistung.

Für einen aussagekräftigen Test sollten Modelle und Regeln nicht nur an bekannten Beispielen gemessen werden. Banken müssen auch prüfen, wie das Verfahren mit fehlenden Daten, veränderten Verhaltensmustern und hoher Fallbelastung umgeht. Ein Testbetrieb mit fachlicher Kontrolle kann zeigen, ob Warnungen verständlich sind, ob die Zahl der Fälle bearbeitbar bleibt und ob kritische Vorgänge rechtzeitig eskaliert werden. Dabei ist zwischen technischer Leistungsfähigkeit und organisatorischer Einsatzfähigkeit zu unterscheiden: Ein Modell kann im Labor gut abschneiden und im Tagesgeschäft dennoch an unklaren Zuständigkeiten oder unvollständigen Daten scheitern.

Typische Fehlerquellen bei der Betrugserkennung

Viele Fehler in der Betrugserkennung entstehen nicht durch einen einzelnen Defekt, sondern durch das Zusammenspiel unvollständiger Daten, ungeeigneter Regeln und nicht abgestimmter Abläufe. Dadurch kann ein System unauffällige Vorgänge melden, tatsächliche Betrugsversuche übersehen oder Warnungen so spät weiterleiten, dass eine wirksame Reaktion erschwert wird. Für Banken ist es deshalb wichtig, Fehlerquellen entlang des gesamten Prüfprozesses zu untersuchen – von der Datenerfassung bis zur Fallentscheidung.

Eine häufige Ursache sind unvollständige oder veraltete Kundendaten. Ändern sich etwa Telefonnummer, Adresse oder typische Zahlungswege, ohne dass diese Informationen zeitnah aktualisiert werden, vergleicht das System aktuelle Vorgänge mit einem überholten Kundenprofil. Eine legitime Veränderung kann dann als verdächtig erscheinen. Umgekehrt fehlen möglicherweise wichtige Hinweise, wenn Informationen aus verschiedenen Kanälen nicht zusammengeführt werden. Die Bank sieht dann einzelne Transaktionen, aber nicht das Muster, das sich über Konto, Karte, Onlinebanking und mobile Anwendung hinweg entwickelt.

Auch uneinheitliche Datenformate beeinträchtigen die Erkennung. Ein Betrag, ein Zeitstempel oder eine Empfängerkennung kann je nach Quellsystem anders dargestellt sein. Werden solche Angaben fehlerhaft normalisiert oder zugeordnet, vergleicht das Prüfverfahren unter Umständen nicht Gleiches mit Gleichem. Besonders kritisch sind doppelte Datensätze, verzögerte Buchungen und fehlende Verknüpfungen zwischen Kunden- und Kontoinformationen. Regelmäßige Kontrollen auf Vollständigkeit, Aktualität und Konsistenz helfen, solche Fehler vor der Bewertung aufzudecken.

Eine weitere Fehlerquelle liegt in Regeln, die zu starr oder zu grob formuliert sind. Eine pauschale Betragsgrenze kann viele legitime Zahlungen markieren, während Betrugsversuche knapp unterhalb dieser Grenze unauffällig bleiben. Ebenso kann eine Regel, die nur einzelne Merkmale betrachtet, eine auffällige Kombination übersehen. Werden Schwellenwerte nicht anhand tatsächlicher Prüfergebnisse überprüft, passen sie möglicherweise nicht mehr zum aktuellen Kundenverhalten oder zu den verfügbaren Bearbeitungskapazitäten.

Regeln können zudem unbeabsichtigte blinde Flecken erzeugen. Wenn das Monitoring nur bekannte Betrugsmuster berücksichtigt, bleiben neue Vorgehensweisen zunächst außerhalb des Prüfbereichs. Täter können ihre Aktivitäten verändern, Beträge auf mehrere Transaktionen verteilen oder legitime Konten und Geräte für einzelne Schritte missbrauchen. Historische Regeln bieten daher keine Garantie für zukünftige Erkennung. Banken sollten untersuchen, welche bestätigten Fälle das System nicht erkannt hat und ob sich daraus ein wiederkehrender Hinweis auf eine fehlende Regel oder ein ungeeignetes Merkmal ergibt.

Bei lernenden Modellen kann die Qualität der Trainingsdaten entscheidend sein. Sind bestätigte Betrugsfälle selten, verspätet erfasst oder uneinheitlich klassifiziert, lernt das Modell möglicherweise ein verzerrtes Bild davon, welche Vorgänge relevant sind. Auch die Auswahl der Trainingsperiode spielt eine Rolle: Veränderte Zahlungsgewohnheiten oder neue Produkte können dazu führen, dass frühere Daten die heutige Nutzung nur noch begrenzt abbilden. Die Modellleistung sollte daher nicht allein anhand eines einmaligen Tests beurteilt werden, sondern unter realistischen Betriebsbedingungen regelmäßig überprüft werden.

Ein Modell kann außerdem Merkmale nutzen, die als indirekte Stellvertreter für andere Eigenschaften wirken. Dadurch können bestimmte Kundengruppen überproportional häufig geprüft werden, selbst wenn das verwendete Merkmal auf den ersten Blick neutral erscheint. Banken sollten deshalb nachvollziehen, welche Variablen in die Bewertung einfließen, wie sich Fehlalarme und übersehene Fälle über relevante Gruppen verteilen und ob fachlich nicht gerechtfertigte Unterschiede entstehen. Solche Prüfungen ergänzen die allgemeine Leistungsbewertung; sie ersetzen weder die rechtliche Prüfung des konkreten Einsatzes noch eine angemessene Modell-Governance.

Fehlalarme werden besonders problematisch, wenn ihre Zahl die verfügbare Bearbeitungskapazität übersteigt. Mitarbeitende müssen dann viele unauffällige Vorgänge prüfen, während dringende Fälle in einer Warteschlange liegen können. Unter hoher Belastung steigt das Risiko, Hinweise nur oberflächlich zu bewerten oder Warnungen routinemäßig zu schließen. Die Quote bestätigter Verdachtsfälle sollte deshalb gemeinsam mit Fallvolumen, Bearbeitungsdauer und Eskalationszeiten betrachtet werden. Eine scheinbar hohe Erkennungsleistung nützt wenig, wenn relevante Warnungen nicht rechtzeitig untersucht werden.

Auch die menschliche Prüfung kann Fehler einführen. Unklare Hinweise erschweren die Einschätzung, uneinheitliche Arbeitsanweisungen führen zu unterschiedlichen Entscheidungen, und fehlende Schulung kann dazu führen, dass Mitarbeitende bestimmte Warnungen falsch einordnen. Umgekehrt kann übermäßiges Vertrauen in eine automatisierte Empfehlung dazu führen, dass widersprechende Informationen nicht ausreichend berücksichtigt werden. Die Oberfläche sollte daher verständlich zeigen, welche Hinweise eine Warnung ausgelöst haben und welche Informationen noch fehlen, ohne einen Risikowert als abschließenden Beweis darzustellen.

Medienbrüche zwischen Erkennung und Fallbearbeitung schaffen zusätzliche Risiken. Wird eine Warnung automatisch erzeugt, aber in einem separaten System manuell dokumentiert, können Begründungen, Anhänge oder Fristen verloren gehen. Unklare Zuständigkeiten erschweren die Eskalation; fehlende Rückmeldungen verhindern, dass bestätigte Fälle zur Verbesserung der Prüfregeln beitragen. Ein durchgängiger Ablauf sollte deshalb mindestens folgende Informationen nachvollziehbar verbinden:

  • die auslösende Transaktion und die zum Prüfzeitpunkt verfügbaren Daten;
  • die angewendete Regel oder Modellversion samt relevanten Hinweisen;
  • die zuständige Person, Bearbeitungsschritte und Eskalationszeitpunkte;
  • die Entscheidung, ihre Begründung und gegebenenfalls eine Übersteuerung;
  • das Ergebnis der Untersuchung und die daraus abgeleiteten Korrekturmaßnahmen.

Fehler können auch an Änderungen der Systemlandschaft entstehen. Neue Zahlungskanäle, geänderte Schnittstellen oder Aktualisierungen von Quellsystemen beeinflussen Datenflüsse und Prüfregeln. Wird eine Schnittstelle angepasst, ohne die nachgelagerten Kontrollen zu testen, können einzelne Informationen fehlen oder anders codiert werden. Ein Verfahren, das vor der Änderung zuverlässig arbeitete, kann dadurch unbemerkt schlechtere Ergebnisse liefern. Kontrollierte Tests vor und nach technischen Änderungen sowie eine Überwachung der Datenqualität im Betrieb reduzieren dieses Risiko.

Ähnliche Aufmerksamkeit ist bei ausgelagerten oder cloudbasierten Komponenten erforderlich. Die Bank muss wissen, welche Daten verarbeitet werden, welche Dienstleister Zugriff haben und wie Änderungen, Störungen und Sicherheitsvorfälle gemeldet werden. Das BaFin-Merkblatt zu Cloud-Auslagerungen beschreibt Anforderungen an die Beurteilung und Steuerung solcher Auslagerungen; die konkrete Einordnung hängt vom jeweiligen Leistungs- und Vertragsmodell ab. DORA, Verordnung (EU) 2022/2554, enthält Anforderungen an das Management digitaler operationeller Risiken. Beide Rahmenbedingungen machen eine klare Verantwortungsverteilung und geeignete Kontrollen wichtig, ersetzen aber nicht die fallbezogene Prüfung der geltenden Pflichten.

Für die Ursachenanalyse reicht es nicht, nur den einzelnen Fehlalarm oder übersehenen Fall zu betrachten. Entscheidend ist, ob sich derselbe Fehler an anderer Stelle wiederholen kann. Ein unzutreffender Kundenstatus kann beispielsweise mehrere Regeln beeinflussen; eine fehlerhafte Schnittstelle kann eine ganze Produktgruppe betreffen. Banken sollten deshalb Auffälligkeiten nach Datenquelle, Regel, Modellversion, Produkt und Bearbeitungsschritt auswerten. So lässt sich besser unterscheiden, ob ein Einzelfall vorliegt oder eine systematische Schwäche, die weitere Kontrollen erfordert.

Ein strukturierter Prüfprozess kann diese Zusammenhänge sichtbar machen. Regulatorische Digital Twins können etwa dazu dienen, Prozesse, Kontrollen und Nachweispunkte nachvollziehbar abzubilden. Sie erkennen Betrug nicht automatisch und beseitigen keine Datenfehler. Sie können jedoch zeigen, an welcher Stelle eine Warnung erzeugt, geprüft, freigegeben oder eskaliert wird und welche Nachweise zu jedem Schritt gehören. Damit lässt sich untersuchen, ob eine Prozessänderung neue Lücken schafft oder ob Verantwortlichkeiten und Kontrollpunkte nicht eindeutig festgelegt sind.

Besonders aussagekräftig ist der Vergleich zwischen automatisierter Bewertung und späterem Untersuchungsergebnis. Werden Warnungen regelmäßig übersteuert, sollten die Gründe dafür erfasst und ausgewertet werden. Häufen sich beispielsweise Übersteuerungen bei einer bestimmten Regel oder einem bestimmten Datentyp, kann dies auf einen ungeeigneten Schwellenwert, unvollständige Kontextinformationen oder eine veraltete Annahme hindeuten. Änderungen an Regeln und Modellen sollten anschließend kontrolliert getestet, fachlich freigegeben und dokumentiert werden, statt sie unmittelbar aufgrund einzelner Fälle in den laufenden Betrieb zu übernehmen.

Erfolgsfaktoren für zuverlässige Prüfungen in Banken

Zuverlässige automatisierte Prüfungen entstehen nicht allein durch ein leistungsfähiges Modell. Entscheidend ist ein kontrollierter Gesamtprozess: passende Daten, nachvollziehbare Regeln, klare Zuständigkeiten und eine regelmäßige Überprüfung der Ergebnisse. Für Sie als Bank bedeutet das, technische Erkennung und fachliche Fallbearbeitung so zu verbinden, dass relevante Warnungen zeitnah geprüft und Entscheidungen später rekonstruiert werden können.

Beginnen Sie mit einem klar abgegrenzten Anwendungsfall. Legen Sie fest, welche Betrugsart oder welcher Prozess verbessert werden soll, welche Entscheidungen automatisiert werden dürfen und wann eine menschliche Prüfung erforderlich ist. Ein präzises Ziel erleichtert die Auswahl geeigneter Daten und Kennzahlen. Es verhindert außerdem, dass ein System lediglich mehr Warnungen erzeugt, ohne die Erkennungsleistung oder die Bearbeitung tatsächlich zu verbessern.

Vor der Einführung sollten Sie die Ausgangslage dokumentieren: Fallvolumen, bisherige Erkennungs- und Fehlalarmraten, Bearbeitungsdauer sowie bestehende Eskalationswege. Diese Basis ermöglicht später einen belastbaren Vergleich. Erfolg lässt sich nicht an einer einzelnen Kennzahl ablesen. Eine geringere Zahl von Fehlalarmen kann beispielsweise mit übersehenen Verdachtsfällen einhergehen; eine höhere Erkennungsrate wiederum kann zusätzliche Prüfkapazität erfordern.

Eine belastbare Datenbasis ist dafür unverzichtbar. Banken sollten prüfen, ob die verwendeten Informationen vollständig, aktuell und konsistent sind und ob ihre Herkunft nachvollzogen werden kann. Datenqualitätskontrollen müssen auch nach dem Start weiterlaufen, denn neue Produkte, Schnittstellen oder geänderte Abläufe können die Eingangsdaten verändern. Sinnvoll sind definierte Schwellen für fehlende oder verspätete Daten sowie festgelegte Zuständigkeiten für deren Behebung.

Regeln und Modelle benötigen eine dokumentierte Governance. Für jede Regel sollte erkennbar sein, welchem Risiko sie begegnet, welche Daten sie nutzt und wer Änderungen freigibt. Bei lernenden Modellen gehören dazu unter anderem die dokumentierten Trainings- und Testgrundlagen, die vorgesehene Einsatzgrenze und die Überwachung der Leistung im Betrieb. Änderungen sollten zunächst kontrolliert getestet und erst nach fachlicher Freigabe übernommen werden. So vermeiden Sie, dass einzelne auffällige Fälle ungeprüfte Anpassungen auslösen.

Die Überwachung sollte mehrere Kennzahlen zusammenführen und nach relevanten Bereichen auswerten. Dazu zählen beispielsweise:

  • Erkennungs- und Trefferquoten: Wie viele bestätigte Fälle wurden erkannt, und wie viele Warnungen erwiesen sich als relevant?
  • Fehlalarmvolumen: Wie viele unauffällige Vorgänge beanspruchen die verfügbaren Prüfkapazitäten?
  • Bearbeitungs- und Eskalationszeiten: Wie schnell werden Warnungen bewertet und dringende Fälle weitergeleitet?
  • Übersteuerungen: Wie oft weichen Mitarbeitende von der automatisierten Empfehlung ab, und aus welchen Gründen?
  • Daten- und Modellstabilität: Verändern sich Datenqualität oder Leistung über Zeit, Produkte oder Kundengruppen hinweg?

Die Kennzahlen sollten regelmäßig mit den Teams ausgewertet werden, die Warnungen bearbeiten. Gerade Übersteuerungen liefern wertvolle Hinweise: Sie können auf unpassende Schwellenwerte, fehlenden Kontext oder eine veraltete Regel hindeuten. Damit solche Erkenntnisse in Verbesserungen münden, braucht es einen geregelten Rückkanal von der Fallbearbeitung zu den Verantwortlichen für Daten, Modelle und Kontrollen. Jede Anpassung sollte anschließend nachvollziehbar dokumentiert werden.

Auch die Entscheidungskompetenzen müssen eindeutig sein. Mitarbeitende sollten erkennen können, welche Hinweise eine Warnung ausgelöst haben, welche Informationen noch fehlen und welche Handlung als Nächstes vorgesehen ist. Für komplexe oder widersprüchliche Fälle braucht es klare Eskalationswege. Eine automatisierte Bewertung sollte dabei nicht mit einem abschließenden Betrugsnachweis verwechselt werden: Sie priorisiert Prüfbedarf, während die Entscheidung auf der dokumentierten Untersuchung des jeweiligen Falls beruht.

Ein durchgängiger digitaler Ablauf unterstützt diese Nachvollziehbarkeit. Er verbindet die ursprüngliche Warnung mit den verwendeten Daten, der angewendeten Regel oder Modellversion, den Bearbeitungsschritten, Freigaben und dem Untersuchungsergebnis. Werden diese Informationen über getrennte Systeme verteilt erfasst, können Medienbrüche die Rekonstruktion erschweren. Banken sollten deshalb prüfen, ob ihre Systeme eine konsistente Fallakte und einen vollständigen Audit-Trail ermöglichen.

Regulatorische Digital Twins können helfen, Prozessschritte, Kontrollen und Nachweispunkte gemeinsam abzubilden. Ein solches Modell erkennt Betrug nicht selbst und garantiert keine Einhaltung regulatorischer Anforderungen. Es kann jedoch sichtbar machen, wo eine Warnung entsteht, wer sie prüft, welche Freigaben erforderlich sind und an welcher Stelle ein Nachweis hinterlegt werden muss. Ändert sich ein Prozess, lässt sich damit gezielter untersuchen, ob Kontrollen, Verantwortlichkeiten oder Dokumentationspflichten ebenfalls angepasst werden müssen.

Für Banken, die regulatorische Abläufe digitalisieren, kann ein Low-Code-Ansatz wie BPM ITEROP Cloud Bank dazu dienen, Workflows für Prüfung, Freigabe und Eskalation abzubilden. In Verbindung mit der 3DEXPERIENCE-Cloud kann eine solche Prozessschicht Änderungen an Abläufen strukturieren und deren Bearbeitung dokumentieren. Der konkrete Nutzen hängt davon ab, wie Datenquellen, Rollen, Kontrollen und bestehende Banksysteme angebunden werden. Vor einer Einführung sollten Sie deshalb den fachlichen Anwendungsfall, die Integrationsanforderungen und die Betriebsverantwortung gemeinsam bewerten.

Bei Cloud- oder Outsourcing-Modellen bleiben Steuerung und Aufsicht für die Bank zentrale Aufgaben. Zu prüfen sind unter anderem die vertraglich geregelten Verantwortlichkeiten, Zugriffsrechte, Sicherheitsmaßnahmen, Datenverarbeitung und Möglichkeiten zur Überwachung des Dienstleisters. Die BaFin behandelt Aspekte der Auslagerung von Cloud-Diensten in ihrem Merkblatt zu Cloud-Auslagerungen. DORA, Verordnung (EU) 2022/2554, legt Anforderungen an das Management digitaler operationeller Risiken fest. Welche Pflichten im konkreten Fall greifen, hängt von der Ausgestaltung des Dienstes und der jeweiligen Rolle des Instituts ab.

Planen Sie die Einführung schrittweise. Ein begrenzter Pilot mit fachlicher Kontrolle kann zeigen, ob Daten vollständig ankommen, Warnungen verständlich sind und das Fallvolumen zur verfügbaren Kapazität passt. Während des Piloten sollten Sie sowohl technische Ergebnisse als auch den tatsächlichen Arbeitsablauf beobachten: Werden Fälle korrekt zugewiesen? Sind Fristen und Eskalationen eindeutig? Lassen sich Entscheidungen später anhand der gespeicherten Informationen erklären? Erst wenn diese Punkte belastbar funktionieren, sollte der Einsatz kontrolliert ausgeweitet werden.

Schließlich braucht es regelmäßige Überprüfungen nach wesentlichen Veränderungen – etwa bei neuen Zahlungskanälen, geänderten Datenflüssen, Modellaktualisierungen oder auffälligen Verschiebungen der Betrugsmuster. Eine solche Überprüfung sollte nicht nur die Erkennungsleistung betrachten, sondern auch Auswirkungen auf Bearbeitungsaufwand, Kundenerlebnis und Gleichbehandlung. So bleibt die Prüfung an den tatsächlichen Betrieb angepasst und kann veränderte Risiken berücksichtigen, ohne die Nachvollziehbarkeit der Entscheidungen aus dem Blick zu verlieren.

–
Bereit für den nächsten Schritt?
Tiefere Einblicke auf: Tolerant Software