Auffälligkeiten in Massendaten

Was ist Anomalieerkennung?

Anomaly Detection

Anomalieerkennung bezeichnet Verfahren, die in großen Daten- und Buchungsmengen automatisch die Datensätze markieren, die vom gelernten Normalmuster abweichen, damit ein Mensch gezielt genau diese Fälle prüfen kann.

Niemand prüft Millionen Buchungszeilen von Hand, also brauchst du ein Verfahren, das dir die wenigen Zeilen 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, Zahlläufen, Sensordaten
Ergebnis: Ein Prüfhinweis, kein Urteil
Verwechselt mit: Festen Schwellenwertregeln

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 findest du in jedem Prüfleitfaden, sie sind nachvollziehbar, aber sie kennen nur, was jemand vorher aufgeschrieben hat.

Statistische und lernende Verfahren gehen anders vor. Sie beschreiben zuerst das Normale, etwa über Streuung, Abstände zu Nachbarpunkten oder Rekonstruktionsfehler eines Modells, und melden dann, was sich davon weit entfernt. Der praktische Vorteil: Sie arbeiten unüberwacht, brauchen also keine Sammlung bekannter Betrugsfälle als Trainingsmaterial. Genau die fehlt in den meisten Unternehmen, weil echte Fälle selten und selten sauber dokumentiert sind.

Wo es im Finanzbereich etwas bringt

In der Kreditorenbuchhaltung fallen 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 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.

Der Fehler, der solche Projekte kippt

Zu empfindlich eingestellt, meldet das System Hunderte Fälle pro Tag, und nach zwei Wochen schaut niemand mehr hin. Sinnvoll ist, die Schwelle an der Kapazität auszurichten: Wie viele Fälle kann das Team wirklich prüfen? Diese Zahl bestimmt die Einstellung, nicht umgekehrt.

Der zweite Klassiker ist fehlende Saisonalität. Ein Modell, das den Dezember nicht kennt, meldet den Jahresendabschluss als Auffälligkeit. Deshalb gehören Kalendereffekte, Abschlussbuchungen und geplante Sondereffekte in die Modellierung oder in eine Ausnahmeliste, sonst prüfst du jedes Jahr dieselben harmlosen Fälle.

KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt

Nicht verwechseln

Anomalieerkennung und was oft damit gleichgesetzt wird

Anomalieerkennung gegen Betrugserkennung

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.

Anomalieerkennung gegen Forecast

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

In der Praxis

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. Die entscheidende Größe ist deshalb nicht die Erkennungsrate, sondern 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. Ein Jahresabschluss, eine Umstellung im Warenwirtschaftssystem oder ein neuer Standort erzeugen echte Ausschläge, die kein Fehler sind. 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

Brauche ich bekannte Betrugsfälle als Trainingsdaten?

Für die verbreiteten Verfahren nicht. Sie lernen aus den normalen Daten, was üblich ist, und melden Abweichungen davon. Hast du dokumentierte Fälle, kannst du sie zusätzlich zur Bewertung der Trefferqualität einsetzen.

Ersetzt das die interne Revision?

Nein. Es verschiebt die Arbeit von der Stichprobe zur gezielten Prüfung. Die Bewertung eines Falls, das Gespräch mit der Fachabteilung und die Dokumentation bleiben Aufgaben von Menschen, die den Prozess kennen.

Was tun, wenn zu viele Fehlalarme kommen?

Zuerst die Schwelle an der Prüfkapazität ausrichten, dann wiederkehrende harmlose Muster als Ausnahmen erfassen und schließlich die Merkmale prüfen. Oft steckt hinter einer Alarmwelle ein einziges Feld, das ungepflegt oder uneinheitlich befüllt ist.

Persönlich für dich da