Betrug in Echtzeit stoppen: 40 % weniger Betrugsfälle

Auf einen Blick

Ein Kreditversicherer hat seine nachgelagerte, manuelle Betrugsprüfung durch KI-gestützte Erkennung im Moment der Transaktion ersetzt. Die Zahl der erkannten Betrugsfälle im Bestand sank um 40 Prozent, während die Quote der Fehlalarme deutlich zurückging. Das setzte Prüfressourcen frei und entlastete ehrliche Kunden.

Der Kunde

Ein Kreditversicherer im gewerblichen Kreditrisikogeschäft, der einem wachsenden und zunehmend professionellen Betrugsrisiko ausgesetzt war.

Ausgangslage

Das Betrugsrisiko nahm spürbar zu, und die manuellen Prüfprozesse reichten dafür längst nicht mehr aus. Die traditionellen Erkennungssysteme produzierten viele Falsch-Positive, banden damit Prüfressourcen und belasteten die Kundenbeziehung. Betrugsmuster wurden oft erst spät erkannt, mit der Folge finanzieller Verluste und nicht zu unterschätzender Reputationsrisiken. Weil die Prüfung nachgelagert stattfand, war der Schaden im Erkennungszeitpunkt häufig bereits eingetreten.

Herausforderung

Betrug erkennt man nicht im Nachhinein, sondern im Moment der Transaktion. Das System musste deshalb in Echtzeit arbeiten und gleichzeitig die Quote der Falsch-Positive senken, um die Prüfteams nicht mit Fehlalarmen zu überlasten. Beides zusammen ist der eigentliche Anspruch, denn eine höhere Trefferquote lässt sich immer erkaufen, wenn man mehr Fehlalarme in Kauf nimmt. Hinzu kam die Nachvollziehbarkeit: Jede Auffälligkeit musste begründbar sein.

Vorgehen

Wir haben ein KI-gestütztes Betrugserkennungssystem mit Echtzeit-Analysen und maschinellem Lernen aufgebaut, das genau an der nachgelagerten Prüfung ansetzt, die bisher zu spät kam:

• Echtzeit-Analyse jeder Transaktion mittels maschinellem Lernen statt nachgelagerter manueller Prüfung

• Algorithmen zur Mustererkennung, die zwischen normalen und auffälligen Aktivitäten unterscheiden

• Automatisiertes Benachrichtigungssystem, das zuständige Mitarbeitende unmittelbar alarmiert

• Jeder Alarm wird mit den ausschlaggebenden Merkmalen ausgespielt, damit die Prüfung nachvollziehen kann, warum das System angeschlagen hat

• Gezielte Schulungen der Prüfteams, damit die Hinweise richtig eingeordnet werden

In den ersten Wochen nach Go-live lag die Fehlalarmquote deutlich über der Erwartung. Die Schwellenwerte mussten über mehrere Monate anhand der tatsächlichen Trefferqualität nachgeschärft werden, bevor das System die heutige Balance erreichte.

Ergebnisse

• Betrugserkennung erfolgt im Moment der Transaktion statt nachgelagert im Bestand

• 40 Prozent weniger Betrugsfälle im Bestand

• Deutlich weniger Fehlalarme, dadurch spürbare Einsparung interner Prüfressourcen

• Jeder Alarm ist begründbar, weil die ausschlaggebenden Merkmale mitgeliefert werden

• Weniger Belastung für ehrliche Kunden, die seltener fälschlich geprüft werden

• Gestärkte Sicherheitskultur im Prüfteam

Was andere Versicherer daraus mitnehmen

Die entscheidende Kennzahl ist nicht die Trefferquote allein, sondern die Trefferquote bei sinkender Falsch-Positiv-Quote. Ein System, das mehr findet und dabei mehr Fehlalarme erzeugt, verlagert nur die Kosten in die Prüfteams. Zweitens braucht jeder Alarm eine Begründung, sonst wird er im Zweifel ignoriert. Und drittens: Die Einschwingphase dauert Monate, nicht Wochen. Das gehört in die Erwartungssteuerung, sonst gilt das System als gescheitert, bevor es kalibriert ist.

Häufige Fragen

Was unterscheidet KI-gestützte von regelbasierter Betrugserkennung?
Regelwerke erkennen bekannte Muster. Maschinelles Lernen erkennt Abweichungen vom Normalverhalten und fängt damit auch neue Vorgehensweisen ab.

Wie werden Falsch-Positive reduziert?
Durch Mustererkennung auf dem tatsächlichen Normalverhalten statt starrer Schwellen und durch laufendes Nachschärfen anhand der Trefferqualität im Betrieb.

Ist eine Echtzeit-Prüfung nachvollziehbar?
Ja, wenn jeder Alarm die ausschlaggebenden Merkmale mitliefert. Ohne diese Begründung entsteht eine Blackbox, der die Prüfung nicht folgt.

Wie lange dauert es, bis das System zuverlässig läuft?
Die Erkennung arbeitet ab Go-live, die Kalibrierung der Schwellenwerte brauchte hier mehrere Monate im laufenden Betrieb.