Fraud Detection

Betrug kostet Unternehmen weltweit über 5 % ihres Jahresumsatzes — laut Association of Certified Fraud Examiners. Regelbasierte Systeme erkennen nur bekannte Muster. AI findet auch das Unbekannte.

Anomalie-Erkennung

Wie AI Anomalien findet

Statt starre Regeln ("Alarm bei Transaktionen über 10.000 €") lernt AI, was normal ist — und flaggt alles, was davon abweicht:

• Statistische Anomalien: Transaktionen, die außerhalb der erwarteten Verteilung liegen
• Verhaltensanomalien: Ein Mitarbeiter, der plötzlich ungewöhnliche Buchungsmuster zeigt
• Netzwerk-Anomalien: Ungewöhnliche Beziehungen zwischen Lieferanten, Mitarbeitern und Konten

Unsupervised Learning

Der Clou: AI braucht keine gelabelten Betrugsfälle. Unsupervised-Modelle (Isolation Forest, Autoencoder, DBSCAN) lernen die normale Datenverteilung und identifizieren Ausreißer automatisch.

Vorteil: Erkennt neue, noch unbekannte Betrugsmuster — sogenannte Zero-Day-Fraud.

Echtzeit-Monitoring

Von Batch zu Streaming

Klassische Prüfungen finden monatlich oder quartalsweise statt — Betrug wird erst Wochen später entdeckt. AI-Echtzeit-Monitoring prüft jede Transaktion in Millisekunden:

1. Transaction Scoring: Jede Buchung erhält einen Risiko-Score (0–100)
2. Threshold-Alerts: Ab Score 80 → automatische Warnung an Compliance
3. Adaptive Schwellen: AI passt Schwellenwerte basierend auf Kontext an (Jahresend-Buchungen sind natürlicherweise höher)
4. Investigation Queue: Priorisierte Liste verdächtiger Transaktionen für manuelle Prüfung

Use Cases im Unternehmenskontext

• Spesen-Betrug: Doppelt eingereichte Belege, fiktive Ausgaben, Splitting unter Freigabegrenzen
• Lieferanten-Betrug: Scheinrechnungen, überhöhte Preise, Kickback-Arrangements
• Procurement Fraud: Bevorzugung bestimmter Lieferanten ohne Ausschreibung
• Payroll Fraud: Ghost Employees, unautorisierte Gehaltsänderungen

ML-Modelle in der Praxis

Modell-Auswahl

Bewährte Ansätze für Fraud Detection:

Feature-Engineering

Entscheidende Features für Fraud-Modelle:

• Zeitliche Muster: Uhrzeit, Wochentag, Monatsende
• Betragsverteilung: Abweichung vom persönlichen Durchschnitt
• Frequenz: Wie oft bucht dieser Mitarbeiter/Lieferant?
• Gegenpartei-Risiko: Score des Empfängers/Lieferanten
• Sequenzmuster: Ungewöhnliche Abfolge von Buchungen

False Positives managen

Das größte Praxisproblem: Zu viele Fehlalarme. Wenn 95 % der Alerts harmlos sind, ignoriert das Compliance-Team sie irgendwann.

Lösung: Feedback-Loop — Compliance markiert Alerts als "Betrug bestätigt" oder "False Positive", AI lernt und reduziert Fehlalarme kontinuierlich.

Entscheidend: Fraud Detection ist ein Katz-und-Maus-Spiel. Betrüger passen sich an. Deshalb muss Ihr Modell kontinuierlich re-trainiert werden — nicht einmal im Jahr, sondern monatlich.