Was ist Anomalieerkennung?
Anomaly Detection
Anomalieerkennung, auch Anomaliedetektion oder englisch Anomaly Detection, ist ein Verfahren der Datenanalyse, das automatisch Datenpunkte findet, die vom erwarteten Normalmuster abweichen. Sie markiert ungewöhnliche Buchungen, Messwerte oder Netzwerkzugriffe, damit ein Mensch gezielt genau diese Fälle prüfen kann.
Niemand prüft Millionen Buchungszeilen, Sensorwerte oder Log-Einträge von Hand, also brauchst du ein Verfahren, das dir die wenigen Fälle heraussucht, die eine Prüfung wirklich verdienen.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
- Grundidee
- Abweichung vom gelernten Normalmuster
- Typisch bei
- Buchungsjournalen, Sensordaten, Log-Daten
- Ergebnis
- Ein Prüfhinweis, kein Urteil
- Verwechselt mit
- Festen Schwellenwertregeln
Drei Arten von Anomalien
Eine Anomalie ist nicht einfach ein großer Wert. Ob etwas auffällig ist, hängt davon ab, womit du vergleichst. In der Fachliteratur werden üblicherweise drei Arten unterschieden:
-
Punktanomalie
Ein einzelner Wert fällt aus dem Rahmen, etwa eine Überweisung, die zehnmal so hoch ist wie alle anderen an diesen Lieferanten.
-
Kontextanomalie
Der Wert ist nur in seinem Zusammenhang ungewöhnlich. Hoher Stromverbrauch ist am Montagmorgen normal, nachts am Wochenende nicht.
-
Kollektive Anomalie
Erst eine Folge von Werten ist auffällig, obwohl jeder für sich normal aussieht, etwa viele kleine Buchungen knapp unter einer Freigabegrenze.
Von der festen Regel zum gelernten Muster
Die einfachste Stufe sind feste Regeln: Buchung über einem Betragslimit, Zahlung an ein Konto ohne Stammsatz, Beleg mit Buchungsdatum am Wochenende. Solche Regeln sind nachvollziehbar, aber sie kennen nur, was jemand vorher aufgeschrieben hat. Statistische und lernende Verfahren beschreiben zuerst das Normale und melden dann, was sich weit davon entfernt.
| Verfahren | Grundidee | Typisch für |
|---|---|---|
| Regeln und Schwellenwerte | Feste Grenzen, die jemand vorab definiert | Prüfleitfäden, einfache Überwachung |
| Statistische Verfahren | Abstand zum Mittelwert oder zur üblichen Streuung, etwa per z-Wert | Einzelne Kennzahlen, Zeitreihen |
| Isolation Forest | Auffällige Punkte lassen sich mit wenigen Zufallsschnitten isolieren | Tabellarische Daten mit vielen Merkmalen |
| Local Outlier Factor | Vergleicht die Dichte eines Punkts mit der seiner Nachbarn | Daten mit Gruppen unterschiedlicher Dichte |
| Autoencoder | Neuronales Netz rekonstruiert Normales gut und Ungewöhnliches schlecht | Sensordaten, Bilder, Log-Muster |
Der praktische Vorteil der lernenden Verfahren: Sie arbeiten meist unüberwacht, brauchen also keine Sammlung bekannter Schadensfälle als Trainingsmaterial. Genau die fehlt in den meisten Unternehmen, weil echte Fälle selten und selten sauber dokumentiert sind.
Wo Anomalieerkennung eingesetzt wird
In der IT-Sicherheit melden SIEM- und EDR-Systeme Anmeldungen zu ungewöhnlichen Zeiten oder Datenabflüsse, die vom Verhalten eines Kontos abweichen. Im IT-Betrieb fallen Antwortzeiten oder Fehlerraten auf, bevor Nutzer sich beschweren. In der Industrie zeigen Schwingungs- oder Temperaturwerte einer Maschine, dass sich ein Ausfall anbahnt, das ist die Grundlage von Predictive Maintenance.
Im Finanzbereich fallen in der Kreditorenbuchhaltung Doppelzahlungen auf, wenn dieselbe Rechnungsnummer mit leicht abweichender Schreibweise ein zweites Mal erfasst wurde. In der Stammdatenpflege fällt auf, wenn eine Lieferantenbankverbindung kurz vor einer Zahlung geändert und danach zurückgesetzt wird. Im Berichtswesen fallen Kostenstellen auf, deren Verlauf plötzlich von ihrem eigenen Vorjahresmuster abweicht.
Der Nutzen entsteht überall nicht durch die Meldung selbst, sondern durch die Reihenfolge der Prüfung. Statt Stichproben zu ziehen, arbeitest du eine nach Auffälligkeit sortierte Liste ab. Die Aussage bleibt dabei immer: Hier lohnt ein Blick. Ein Beweis für einen Fehler oder gar für Absicht ist eine Anomalie nie.
Anomalieerkennung und was oft damit gleichgesetzt wird
Betrugserkennung ist ein Anwendungsfall, Anomalieerkennung eine Methode. Viele Anomalien sind harmlos, etwa eine ungewöhnliche, aber korrekte Sonderbuchung, und viele Betrugsfälle sehen unauffällig aus, weil sie sich bewusst im Normalbereich bewegen.
Ein Klassifikationsmodell lernt aus gekennzeichneten Beispielen, etwa „Betrug“ und „kein Betrug“, und erkennt nur, was es in dieser Form gesehen hat. Anomalieerkennung lernt meist nur das Normale und meldet alles, was davon abweicht, auch Muster, die noch nie vorkamen.
Eine Prognose sagt, welcher Wert erwartet wird. Die Anomalieerkennung bewertet, ob ein tatsächlich eingetretener Wert dazu passt. In der Praxis nutzt man beides zusammen: Die Prognose liefert die Erwartung, die Abweichungsanalyse bewertet den Ist-Wert.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
Die Trefferliste ist nur so gut wie die Rückmeldung darauf
Angenommen, ein Verfahren markiert ein Prozent der Zeilen. Bei einem Journal mit Millionen Buchungen bleiben Zehntausende Fälle übrig, und die sieht keine Fachabteilung durch. Zu empfindlich eingestellt, meldet das System so viel, dass nach zwei Wochen niemand mehr hinschaut. Die Schwelle richtet sich deshalb nach der Frage, wie viele Fälle pro Woche jemand tatsächlich prüfen kann.
Was in solchen Projekten fast immer fehlt, ist der Rückkanal. Wer einen markierten Fall prüft und als unauffällig abhakt, muss dieses Urteil zurück ins System geben, sonst lernt das Modell nie, welche Abweichungen im Betrieb normal sind. Ohne diesen Schritt kommen im nächsten Abschluss dieselben Fehlalarme wieder.
Verzerrt wird das Ganze durch die eigenen Prozesse. Eine Umstellung im Warenwirtschaftssystem, ein neuer Standort oder eine Preisänderung erzeugen echte Ausschläge. Solche Ereignisse gehören dokumentiert und aus dem Training herausgehalten, sonst hält das Modell den Ausnahmefall künftig für den Normalfall.
Anomalieerkennung lernen
Welche Verfahren du auf deine eigenen Buchungsdaten anwenden kannst und wie du die Treffer anschließend bewertest, zeigen die Trainings zu KI im Controlling.
Kurse, die Anomalieerkennung behandeln
Häufige Fragen
Was ist der Unterschied zwischen Ausreißer und Anomalie?
Brauche ich bekannte Betrugs- oder Schadensfälle als Trainingsdaten?
Ersetzt das die interne Revision?
Warum meldet das System im Dezember plötzlich so viel?
Passt thematisch dazu
In der Produktion ist die bekannteste Anwendung die vorausschauende Wartung, und dort lohnt der Blick darauf, wie Sensordaten einen Maschinenausfall ankündigen.
Deine Ansprechpartner
Du willst das Thema nicht nur nachschlagen, sondern anwenden können? Wir beraten dich persönlich und kostenlos.
Yves Hoppe
Weiterbildung & Beratung
Ordnet mit dir ein, welcher Kurs zu deinem Vorwissen passt.
Norbert Jansen
Beratung & Inhouse
Plant Inhouse-Trainings, die an euren eigenen Daten und Abläufen ansetzen.
Anomalieerkennung im Kurs statt im Lexikon
Nachschlagen bringt dich bis zum Verstehen. Anwenden lernst du an echten Aufgaben.