Kreditbetrugsprävention durch Data Analytics – wie sieht der Schlüssel zum Erfolg aus?

Wie entsteht Kreditbetrug? Ist er vermeidbar? Und wenn ja, wie? Dr. Alexander Klein, Chapter Lead Data Scientist bei der Commerzbank AG und Praxisreferent unseres Seminars Data Driven Banking, beschreibt im Interview, wie Sie mit Data Analytics Betrüger frühzeitig erkennen und die Kreditbetrugsprävention in Ihrem Unternehmen richtig angehen.

Herr Dr. Klein, wie schwer wiegt das Thema Kreditbetrug derzeit in Deutschland? Kommt es vermehrt vor, dass so etwas erst bemerkt wird, wenn es eigentlich schon zu spät ist? Wie schätzen Sie die Lage ein?

Die Feststellung der Schäden aus Kreditbetrug ist schwieriger als die Feststellung der Schäden aus klassischen Kreditausfällen. Das liegt einerseits daran, dass Kreditbetrug häufig unentdeckt bleibt, zum anderen berichten die betroffenen Kreditgeber nicht transparent über Schäden aus Kreditbetrug. Insofern ist eine Aussage zum tatsächlichen Schadensausmaß in Deutschland recht spekulativ.

Unabhängig davon – das haben die jüngsten großen und der Öffentlichkeit bekannten Fälle gezeigt – geht Kreditbetrug meist einher mit erheblichen und überraschenden Verlusten der Kreditgeber, da häufig große Teile der bilanzierten Aktiva überhaupt nicht existieren. Da die konventionellen Verfahren des Risikomanagements nicht speziell auf die Identifikation von Kreditbetrug ausgerichtet sind, ist es leider eher die Regel als die Ausnahme, dass Kreditbetrug entdeckt wird, wenn es zu spät ist, das heißt der Kreditnehmer seinen Verpflichtungen bereits nicht mehr nachkommt.

Welche Möglichkeiten bietet Data Analytics bei der gezielten Vorbeugung von Kreditbetrug?

Präventiv bieten sich Klassifizierungsverfahren an, die speziell auf das Ereignis „Kreditbetrug“ trainiert werden. Diese Detektionsverfahren können sowohl für neue Kreditanträge als auch für das bestehende Geschäft eingesetzt werden.

Wie sieht so ein Detektionsverfahren in der Praxis aus? Was sind die wichtigsten Schritte, die abgearbeitet werden müssen?

Soweit sie auf einem „supervised-learning-Ansatz“ beruhen, funktionieren diese Detektionsverfahren ähnlich wie herkömmliche Bonitätsratings, das heißt, es geht – vereinfacht gesprochen – darum, „Betrüger“ von „Nicht-Betrügern“ zu trennen.

Zur Entwicklung eines solchen Verfahrens werden zunächst einmal Daten benötigt. Das hört sich trivial an, ist aber häufig eine erhebliche Herausforderung, da – wie oben bereits angesprochen – die Identifikation von Kreditbetrug schwierig ist. Daher ist es wichtig, zunächst einmal die Kreditausfälle der Vergangenheit systematisch auf Betrugsmerkmale zu untersuchen. Liegen ausreichend viele historische Betrugsfälle und Nichtbetrugsfälle vor, startet die Modellentwicklung. Hier haben sich in den letzten Jahren Modelle etabliert, die dem Schlagwort Künstliche Intelligenz zuzuordnen sind. Liegt schließlich ein Modell vor, das hinreichend gut „Betrug“ von „Nicht-Betrug“ trennt, gilt es, dieses Modell in die bestehenden Prozesse zu integrieren.

Was können Unternehmen tun, um das Thema Kreditbetrugsprävention sofort auf die Tagesordnung zu setzen?

Zunächst einmal ist es wichtig, alle Beteiligten für das Thema zu sensibilisieren. Gerade bei langjährigen Kundenbeziehungen rechnet ja niemand damit, dass er einem Betrüger gegenübersitzt. Nicht immer muss es die Modellentwicklung sein, mit der ein Unternehmen startet.

Was kann ein Unternehmen langfristig zur Kreditbetrugsprävention tun? Welche Prozesse sollten wann, wie und warum optimiert werden?

Eine vollständige Vermeidung von Betrugsfällen wird kaum möglich sein. Aber wir können mit modernen statistischen Verfahren, entsprechenden Vergabe- und Monitoring-Prozessen und sensibilisierten Mitarbeiter/innen das Schadensausmaß signifikant reduzieren. Wichtig dabei ist es, die Datensammlung und die Datenpflege als einen permanenten Prozess aufzufassen – nur so lassen sich die eingesetzten Detektionsverfahren regelmäßig validieren und weiterentwickeln.

Auch die regelmäßige Schulung der Mitarbeiter/innen ist entscheidend, weil das Detektionsverfahren zwar ein wichtiges Aufgreifkriterium ist, die tiefergehende Analyse und damit einhergehend die abschließende Feststellung des Kreditbetrugs werden aber weiterhin Menschen durchführen.

Dieses Ineinandergreifen von statistischen Verfahren und menschlicher Expertise ist letztlich der Schlüssel zum Erfolg.