Betrugsabwehr auf dem Prüf­stand: Warum False Positives teurer sind als echter Betrug

Deutsche Banken investieren Millionen in Betrugserkennung. Trotzdem treffen ihre Systeme oft die Falschen: ehrliche Kunden statt Kriminelle. Ein Systemfehler? Wer zu viele Fehlalarme auslöst, hat nicht nur ein Kosten-, sondern auch ein Vertrauensproblem, sagt Experian in der aktuellen Studie “Tackling involving fraud threads”.

von Jochen Werne, CEO Experian DACH

Betrüger werden cleverer, Abwehrmaßnahmen teurer. Wer 2025 nicht in passende Technologien investiert, riskiert doppelten Schaden: finanzielle Verluste und Vertrauensverlust. Diese fünf Punkte sollten Finanzdienstleister jetzt ganz oben auf die Agenda setzen:

Migration auf SaaS- und Cloud-Lösungen

Cloud-False-Positives-Infrastrukturen bilden die technologische Basis für moderne Betrugsprävention – sie ermöglichen automatische Updates, verbessern die Skalierbarkeit und vereinfachen den Zugriff auf große Datenmengen. Für viele deutsche Unternehmen (48 Prozent) ist dieser Umstieg ein strategischer Hebel, um Fraud Detection zukunftsfähig zu machen. Besonders stark im Fokus: regulierte Branchen wie Finanzdienstleister, die flexibel und sicher agieren müssen.

Einführung von ML-basierten Fraud-Modellen

Machine Learning (ML) entwickelt sich zur Schlüsseltechnologie im Kampf gegen zunehmend komplexe Betrugsformen. Insgesamt 43 Prozent der Unternehmen erkennen darin die Chance, bestehende Regelwerke zu ergänzen und neue Muster frühzeitig zu identifizieren. Besonders empfehlenswert: vortrainierte ML-Modelle, die sich schnell integrieren lassen und kontinuierlich dazulernen – vorausgesetzt, sie werden mit qualitativ hochwertigen Daten versorgt.

Senkung der Kosten für manuelle Untersuchungen

Automatisierung ist nicht nur eine Effizienzfrage, sondern zunehmend betriebswirtschaftliche Notwendigkeit. Um Ressourcen gezielter einzusetzen und Kosten zu senken, investieren viele Unternehmen (41 Prozent) in intelligente Vorprüfung, Risikoklassifizierung und fallbasierte Workflows. Ein solches Vorgehen ist angeraten, weil Unternehmen unkritische Anträge automatisch freigeben und sich ihre Fraud-Spezialisten auf wirklich verdächtige Fälle konzentrieren können.

Reduktion von False Positives

Fehlalarme belasten nicht nur Prüfprozesse, sondern auch Kundenerlebnis und Kostenstruktur – eine Herausforderung, die in Deutschland besonders viele Unternehmen (41 Prozent) adressieren möchten. Global betrachtet geben sogar 61 Prozent der Befragten an, dass False Positives höhere Verluste verursachen als tatsächlicher Betrug. Präzisere Modelle, die Verhalten, Gerätedaten und Biometrie kombinieren, schaffen hier Abhilfe.

Abbau von Bias in ML-Modellen

Mit wachsender regulatorischer Aufmerksamkeit rückt die Frage nach Fairness und Transparenz in den Fokus. Mehr als ein Drittel (35 Prozent) der Unternehmen wollen ihre Modelle auf Verzerrungen überprüfen und sicherstellen, dass Entscheidungen diskriminierungsfrei, nachvollziehbar und prüfbar bleiben. Hier besteht Handlungsbedarf: Moderne „Reason Codes“ machen auch komplexe KI-Entscheidungen erklärbar – ein wichtiger Schritt in Richtung vertrauenswürdiger Betrugsprävention.

Die vollständige Studie kann hier gegen Abgabe der Kontaktdaten heruntergeladen werden.Jochen Werne, CEO Experian DACH/aj