Schollmeyer betont, dass die ganze Lösung auch möglichst leicht zu bedienen sein muss, damit der Kunde sie leicht anwenden kann. Natürlich ist das Ganze auch ein Katz-und-Maus-Spiel, bei dem man immer schneller als der Betrüger sein muss. "Deshalb hat Machine Learning hier eine Grenze, denn da gibt es immer ganz neue Entwicklungen, die man nie erwartet hat", erzählt Schollmeyer. Und die Betrüger sind immer auf zack: Während der Pandemie, bei geschlossenen Filialen, riefen dann Betrüger bei Kunden an und versuchten so an deren Geld zu kommen - was ja sehr realistisch wirkte, schließlich arbeiteten alle aus der Homeoffice. Deshalb muss man hier immer weiterarbeiten, um die neuesten Betrugsmaschen frühzeitig zu erkennen. 

Dr. Diana Mantel

Wie sieht so ein Fall dann aus? Das System achtet auf ungewöhnliches Verhalten bei einem Kunden. Vor allem achten sie darauf, welche Fälle parallel passieren, ob es weiteres auffälliges Verhalten vielleicht bei anderen Banken gibt. "Das Ganze ist keine Rocket Science", betont Schollmeyer, "Aber es machen trotzdem immer noch viel zu wenige Banken." 

Es sind nicht nur die Daten, um die es geht, sondern auch um ihren Kontext - bei den Kunden genauso wie bei den Betrügern. Denn man erkennt auch bei den Betrügern immer wieder das gleiche Verhalten, das man analysieren und dann möglichst frühzeitig identifizieren kann. 

Dr. Diana Mantel