Matthias Dennig/ Juli 30, 2018/ Uncategorized

Ein leidiges Thema: False Positives

Neben allen Neuerungen, die in der Compliance in den letzten Jahren zu berücksichtigen sind, gibt es auch alte Dauerbrenner. Dazu gehören die falsch positiven Resultate (False Positives) bei der Suche nach Bösewichten: Um keinen kritischen Treffer zu übersehen, schlagen Compliance-Systeme lieber frühzeitig an und lösen damit auch Fehlalarme aus. Mitunter kann es einen wesentlichen Teil der Arbeitszeit eines Compliance-Mitarbeiters ausmachen, diese falsch positiven Ergebnisse auszusortieren. Eine monotone, lästige Aufgabe, die gleichzeitig mit viel Verantwortung verbunden ist. Und dennoch rutschen immer wieder Treffer durch. Eine Verbesserung der Trefferquote bei gleichzeitiger Senkung der False-Positive-Rate wäre hier ein großer Fortschritt und ist eine der Herausforderungen, denen neue Systeme unter Einbezug neuer Technologien begegnen müssen.

Die konventionelle Klassifizierung von Kundengruppen und ihre Schwächen 

Bei der regelbasierten Vorgehensweise werden Kunden nach festen Kriterien (statische Attribute) zu Gruppen (z.B. Firmenkunde, ausländischer Kunde) zusammengefasst. Für diese Gruppen werden Regeln definiert und unter zusätzlicher Berücksichtigung der Risikoeinstufung davon Schwellenwerte abgeleitet.

Der Nachteil dieser Strategie ist, dass die Kriterien für die Gruppenzuordnung „von außen“ vorgegeben werden müssen und statisch sind. Eventuelle inhärente Strukturen können so nicht berücksichtigt werden. Auch kann auf diese Weise nur eine eingeschränkte Anzahl an Kriterien (Dimensionen) gleichzeitig berücksichtigt werden. Die Schwellenwerte sind dadurch zu ungenau und unflexibel.

Um genauere Ergebnisse zu erzielen, kann man an dieser Stelle moderne Methoden des Data Mining einsetzen: die existierenden Daten werden ausgewertet, um dadurch flexibel Kriterien zu definieren und genauere Schwellenwerte zu bekommen.

Was hat Compliance mit Archäologie zu tun?

Die Clusteranalyse (k-means) wird in der Archäologie zur Altersbestimmung von Fundstücken eingesetzt: Die Muster von Tonscherben der gleichen geschichtlichen Epoche ähneln sich mehr, als die Muster aus unterschiedlichen Epochen. Auf Grundlage dieser Erkenntnis kann nun eine Menge von Tonscherben mittels der Clusteranalyse gruppiert und somit aufgezeigt werden, welche Tonscherben aus der gleichen Epoche stammen.

Ziel der Clusteranalyse ist es also, eine Menge von Objekten nach dem Grad ihrer Ähnlichkeit zu gruppieren. Damit wird in einer vorgegebenen Objektmenge eine inhärent vorhandene Struktur sichtbar gemacht.

Einsatz der Clusteranalyse in der Compliance

Mit Hilfe des Clusteranalyseverfahrens können Kunden nach inhärent vorhandenen Ähnlichkeiten gruppiert werden. Es entstehen intern homogene Kundengruppen: die Angehörigen einer Kundengruppe unterscheiden sich bezüglich ihrer Merkmale möglichst wenig voneinander. Kunden, die unterschiedlichen Gruppen angehören, unterscheiden sich stark voneinander: extern heterogene Kundengruppen. Auf Grundlage dieser Kundensegmentierung können nun deutlich präzisere Schwellenwerte definiert werden

Vorteile der Kundensegmentierung durch Clusteranalyse:

  • Vorliegende Daten werden ausgewertet und nach inhärenten Gemeinsamkeiten erforscht
  • Gemeinsamkeiten beziehen sich vernehmlich nicht auf statische Attribute, sondern auf das Verhalten der Kunden
  • die empirische Klassifikation erhält dadurch Priorität
  • Minimierung der Unterschiedlichkeit zwischen den Probanden innerhalb der Kundengruppen
  • Maximierung der Unterschiedlichkeit zwischen den einzelnen Kundengruppen
  • es können theoretisch beliebig viele Dimensionen bei der Klassifizierung berücksichtigt werden: (Zahlungssumme, Anzahl der Transaktionen, übliches Transaktionsverhalten, Empfänger, Sender usw.)

Auch unter Berücksichtigung lediglich einer Dimension (der Summe) und auf einer noch recht kleinen Datenbasis wurden mittels Kunden-Clustering gute Ergebnisse erzielt. Noch bessere Ergebnisse kann man erreichen, wenn man eine möglichst große Datenbasis zur Verfügung hat. (je mehr Daten, umso mehr kann man daraus lernen, umso genauer wird die Zuordnung)

Fazit: Die Kundensegmentierung durch Clusteranalyse kann dazu beitragen ihre Compliance-Lösung präziser zu machen, erleichtert die tägliche Arbeit und stärkt das Vertrauen in die Lösung.


Quellen und weiterführende Links:

Matthias Dennig

Über Matthias Dennig

Seit dem 1. Juli 2016 hat Matthias Dennig die Presales Verantwortung für das Produkt SMARAGD aces360 übernommen. Sein Aufgabengebiet umfasst die Beratung der Interessenten und Unterstützung bei der Neueinführung des SAP BIS basierten Produkts SMARAGD aces360. Seit mehr als 15 Jahren ist er in diversen Großprojekten im In- und Ausland als Projektmanager im Compliance Umfeld für die targens GmbH tätig.