Wie KI Betrugserkennung im Zahlungsverkehr erleichtert

Moderne KI-Ansätze in der Betrugserkennung umfassen überwachte sowie unüberwachte Lernmodelle, die mit der Deep-Learning-Technologie verfeinert werden können. Dadurch können bestehende Kontrollen optimiert und ergänzt sowie neue Prüfprozesse zur Betrugserkennung im Zahlungsverkehr durchgeführt werden. Unter anderem bestehen die folgenden KI-gestützten Möglichkeiten, die sich jeweils für spezifische Betrugsrisiken eignen:

Weitere Möglichkeiten liegen unter anderem im Bereich Verhaltensanalyse und der Verarbeitung natürlicher Sprache.

Echtzeit-Entscheidungsmaschinen integrieren die verschiedenen Signale aus den Betrugserkennungstools, um das Transaktionsrisiko innerhalb von Millisekunden zu bewerten und nur bei Bedarf geeignete Maßnahmen zu ergreifen oder einen Menschen zur Unterstützung zu kontaktieren. Diese Systeme verwenden typischerweise Ensemble-Methoden, die Vorhersagen aus mehreren Modellen kombinieren, gewichtet nach ihrer historischen Leistung mit ähnlichen Transaktionstypen.

Unternehmen, die in der Betrugsbekämpfung führend sind, setzen heute kaskadierende Modellarchitekturen ein, bei denen Rapid-Screening-Modelle alle Transaktionen auf offensichtliche Probleme prüfen. Spezialisierte Deep-Learning-Modelle werden nur für Szenarien mit höherem Risiko aktiviert, um einen Ausgleich zwischen Rechenressourcen und Erkennungsgenauigkeit zu schaffen. Dieser hybride Ansatz erzielt deutlich höhere Erkennungsraten bei gleichzeitiger Minimierung von Falschmeldungen, die legitime Geschäftspartner frustrieren.

Exkurs: Zahlungsbetrug entlang der gesamten Prozesskette erkennen

Auffallend ist, dass in den oben aufgeführten Beispielen zur Betrugserkennung im Zahlungsverkehr nicht nur klassische, rein zahlungsrelevante Informationen betrachtet werden. Vielmehr werden auch Kreditorenprüfungen durchgeführt, Genehmigungsprozesse für Lieferanten, Einkaufs- und Rechnungsbelege etabliert und analysiert sowie Rechnungen auf Duplikate gescannt.

Dies zeigt, dass eine vollumfängliche Betrugserkennung im Zahlungsverkehr bereits entlang der gesamten Beschaffungsprozesskette bis hin zur eigentlichen Zahlung verläuft. Es geht daher nicht nur um eine technologische Aufwertung/Unterstützung, sondern um eine Ausweitung der Betrugserkennung auf die gesamte Prozesskette.

Am bedeutendsten sind wahrscheinlich organisationsübergreifende Kollaborationsframeworks, die den Austausch von Betrugserkenntnissen ermöglichen und gleichzeitig Wettbewerbsgrenzen und Datenschutzanforderungen wahren.

Erfolgsfaktoren für die Betrugserkennung im Zahlungsverkehr mit KI

Die Zahlungsbetrugserkennung hat sich weit über das Vier-Augen-Prinzip hinaus zu einer ausgeklügelten Disziplin entwickelt, die menschliche Expertise, traditionelle Kontrollen und modernste Künstliche Intelligenz vereint. Organisationen, die in diesem Umfeld erfolgreich sind, gehen ganzheitlich an die Betrugsprävention heran – sie integrieren Kontrollen in ihre Infrastruktur, nutzen KI zur Verbesserung der Entscheidungsfindung und behalten eine dynamische Haltung bei, die sich parallel zu den Bedrohungen entwickelt.

In der heutigen komplexen Zahlungslandschaft kann keine einzelne Technologie und kein einzelner Prozess vollständigen Schutz bieten. Stattdessen sind Organisationen gefragt, mehrschichtige Prüfmechanismen aufzubauen, bei denen jede Komponente die anderen stärkt. So entsteht ein Ökosystem, in dem es zunehmend schwieriger wird, verdächtige Aktivitäten ohne Erkennung durchzuführen. Durch die Implementierung dieses umfassenden Ansatzes mit KI als Kern können Organisationen ihre Zahlungssysteme schützen und gleichzeitig einen reibungslosen Ablauf im Zahlungsverkehr sicherstellen - ohne unnötigen Zeitverzug, Rückabwicklungen oder Nachfragen bei den Geschäftspartnern, etc.

In einem ersten Schritt bietet es sich an, ein Assessment der derzeitigen Betrugserkennung im Zahlungsverkehr vorzunehmen und eine Reifegradmessung der verwendeten Tools und Prozesse anhand eines Benchmarkings gegen Leading Practices durchzuführen. Hierbei sollte auch bereits ein potenzieller Return on Investment (ROI) für verschiedene Szenarien bestimmt werden. Anhand der Ergebnisse gibt es weiterführende Optionen. Dazu gehören etwa die Definition eines MVP (Minimum Viable Product) oder die Entwicklung eines PoC (Proof of Concept).

Angesichts rasanter technologischer Entwicklungen und begrenzter menschlicher Kapazitäten zur Verarbeitung stetig wachsender Datenmengen in immer kürzerer Zeit erweist sich ein Festhalten an klassischen Betrugserkennungsprozessen gerade in diesem sensiblen Bereich des Zahlungsverkehrs als zunehmend untauglich.

Fazit

Der technologische Fortschritt ermöglicht für Kriminelle auf der einen Seite immer raffiniertere Betrugsszenarien im Zahlungsverkehr, auf der anderen Seite wird die Komplexität und der Umfang der zahlungsrelevanten Datenmengen ebenfalls stetig erhöht (z.B. durch Echtzeittransaktionen). Herkömmliche Kontrollen im Zahlungsverkehr reichen hier nicht mehr aus. Ein mehrschichtiger Ansatz mit KI ist daher essenziell, um Muster und Anomalien zu erkennen und den Umfang und die Komplexität der Datenmenge handhaben zu können. Eine effektive Betrugserkennung umfasst präventive, detektive und korrektive Maßnahmen entlang der gesamten Prozesskette – von der Lieferantenbewertung bis zur Zahlungsfreigabe.