NatusAI
Ermittler für Finanzkriminalität und Teamleitung prüfen ein Transaktionsnetzwerk am Bildschirm
  1. Startseite
  2. Anwendungsfälle
  3. Banken & Finanzdienstleistungen
Banken · Betrugserkennung & ComplianceUmgesetzt · Kundenergebnis

Eine große europäische Bank

Betrugserkennung und Compliance-Analysen in der Bank: von 3 Tagen Abfragezeit zu Echtzeit

Betrugserkennung und Analytik: von einem 3-tägigen Abfrageprozess zu Erkenntnissen in Echtzeit über Millionen täglicher Transaktionen.

Ähnliches Projekt besprechen
3 Tage → < 1 s

Abfragezeit für komplexe Beziehungsabfragen

85 %

verbesserte Betrugserkennung, laut Angaben der Bank

70 %

Produktivitätssteigerung

Zusammenfassung: Analysen für Betrugserkennung und Compliance

Kunde
Eine große europäische Bank
Branche
Banken & Finanzdienstleistungen
Umfang
Millionen Transaktionen pro Tag
Umfang
Betrugserkennung, Compliance-Berichte, Dokumentenanalyse

Ausgangslage, Entscheidung, Ergebnis

  • Ausgangslage. Komplexe Datenbankabfragen dauerten 3 Geschäftstage – Betrugserkennung in Echtzeit war so unmöglich. Abteilungssilos verhinderten eine 360°-Sicht auf Kunden, und Mitarbeitende verbrachten Stunden mit wiederkehrenden Datenabfragen.
  • Entscheidung. Die Architektur um Beziehungen herum neu aufbauen: eine leistungsstarke Graph-Datenschicht, die Abteilungen verbindet, Anomalieerkennung mit maschinellem Lernen und eine Echtzeit-Pipeline für Millionen täglicher Transaktionen. Ermittlungsteams behalten hinter jeder Warnung den vollständigen Kontext.
  • Ergebnis. Antworten in Sekundenbruchteilen auf komplexe Beziehungsabfragen, die früher 3 Tage dauerten. 85 % verbesserte Betrugserkennung (laut Angaben der Bank), 80 % schnellere Compliance-Berichte, 70 % höhere Produktivität und 42 % höhere Kundenzufriedenheit.
  • Zeit bis zum Nutzen. Die Mitarbeitenden der Bank erhielten Schulungen und technische Dokumentation, ausgerichtet an den Fragen, die Ermittlungsteams ohnehin stellen.
Die Herausforderung

Die Herausforderung für Betrugs- und Compliance-Teams

Im Bankgeschäft hängt die brauchbare Antwort von Beziehungen ab: zwischen Konten, Transaktionen, Dokumenten, Kunden und Ereignissen. In dieser Bank waren diese Beziehungen über Abteilungssysteme verstreut, und komplexe Abfragen dauerten 3 Geschäftstage.

Die Verzögerungen trafen Ermittlungen, Berichtswesen und jede Entscheidung, die ein vernetztes Bild brauchte. Bis die Daten abgeglichen waren, hatte sich das Entscheidungsfenster oft schon geschlossen – und langsame Entscheidungen erhöhten das Betrugsrisiko.

So wurde gearbeitet

Der Weg: von 3-tägigen Abfragen zu Ermittlungen in Echtzeit

Der Engpass lag in den Beziehungen – nicht bei den Menschen und nicht in der Hardware.

  1. Schritt 01 · Analysieren

    So haben wir die Engpässe diagnostiziert

    Wir haben den Weg von der Transaktionsverarbeitung über die Betrugserkennung bis zum Compliance-Reporting nachgezeichnet und die Datenflüsse zwischen den Abteilungen verfolgt.

    Wir haben nach Silos, wiederholter Abfragearbeit und den Beziehungen gesucht, die Teams gemeinsam sehen mussten. So konnten wir die erste Veränderung auf die Fragen konzentrieren, bei denen vernetzte Daten die meiste Kapazität freisetzen.

    Umsetzung Analyse durch unser Team.

  2. Schritt 02 · Konzipieren & transformieren

    So haben wir ein Datenmodell für Ermittlungen gebaut

    Wir haben eine leistungsstarke Graphdatenbank-Architektur konzipiert, optimiert für komplexe Beziehungsabfragen, und die Beziehungsdaten in eine Struktur gebracht, die zu Ermittlungen passt.

    Wir haben Modelle des maschinellen Lernens für Mustererkennung und Anomalieerkennung in Transaktionsdaten trainiert und eine Echtzeit-Verarbeitungspipeline für Millionen täglicher Transaktionen gebaut.

    Eine einheitliche Datenschicht verband die Abteilungen über eine gemeinsame Sicht – Betriebskontext und Zugriffskontrollen waren von Anfang an Teil des Designs.

    NatusAI-Produkte für diese Fähigkeit

    Abstrakte Darstellung eines zeitlich versionierten Graphen, in dem Beziehungen ihre Historie behalten
    Jede Transaktion und jede Beziehung bleibt mit ihrer Historie erhalten – so lässt sich ein Muster über die Zeit verfolgen.
Abstrakte Darstellung eines Lagebilds, in dem Warnungen, Transaktionen und ihre Historie verbunden sind
Vernetzte Daten machen Betrugsrisiken zu einem Thema, das ein Vorstand mit Belegen diskutieren kann.
  1. Schritt 03 · Entwickeln

    Was wir entwickelt haben

    Eine Echtzeit-Betrugserkennung mit Live-Transaktionsüberwachung, sofortigen Warnungen und automatisierter Risikobewertung. Ermittlungsteams sehen die Aktivität, das Risikomuster und den Kontext dazu.

    Eine Plattform zur Dokumentenanalyse mit Abfrageschnittstelle in natürlicher Sprache, die Millionen Dokumente in Sekunden verarbeiten kann – so stellen Analysten Fragen über freigegebene Dokumentbestände hinweg.

    360-Grad-Integration der Kundendaten mit abteilungsübergreifendem Zugriff und Werkzeugen für die Zusammenarbeit.

    NatusAI-Produkte für diese Fähigkeit

  2. Schritt 04 · Einführen

    So haben die Teams die Lösung eingeführt

    Schulungen und technische Dokumentation für die Mitarbeitenden der Bank, ausgerichtet an den Fragen, die Ermittlungsteams und Analysten bereits stellen – mit dem Kontext, um ein Ergebnis zu prüfen, statt eine Blackbox-Antwort hinzunehmen.

    NatusAI-Produkte für diese Fähigkeit

Umgesetzt vom NatusAI-Team. Die Produkt-Chips zeigen, welches NatusAI-Produkt die jeweilige Fähigkeit bereitstellt oder bereitstellen soll; den Release-Status finden Sie unter „Für Ihr technisches Team“.

Ermittlungsteams für Finanzkriminalität prüfen gemeinsam Transaktionstabellen und ein Beziehungsdiagramm (Symbolbild)
Symbolbild.
Der Faktor Mensch

Was sich für Risiko-, Betrugs- und Compliance-Teams verändert hat

Weniger Warten zwischen Frage und Entscheidung – und mehr Zeit für das eigene Urteil.

  • Betrugsermittlung. Warnungen kommen in Echtzeit, mit dem Graphen und der Historie dahinter – so lässt sich ein Muster über mehrere Stationen verfolgen und erklären.

  • Compliance-Teams. Berichte entstehen 80 % schneller, weil die Daten bereits verbunden sind und sich Fragen über Dokumente hinweg in normaler Sprache stellen lassen.

  • Mitarbeitende mit Kundenkontakt. Eine abteilungsübergreifende 360-Grad-Sicht auf Kunden. Die Kundenzufriedenheit stieg um 42 %.

Messbare Ergebnisse, die zählen

Die Wirkung: Betrugs- und Compliance-Analysen in Echtzeit

3 Tage → < 1 s

komplexe Beziehungsabfragen: von 3 Geschäftstagen auf unter eine Sekunde

85 %

verbesserte Betrugserkennung, laut Angaben der Bank

70 %

Produktivitätssteigerung

80 %

schnellere Compliance-Berichte

42 %

höhere Kundenzufriedenheit

98 %

Genauigkeit in der Dokumentenanalyse laut Angaben der Bank, über Millionen Dokumente pro Monat

Vom Kunden zum Projektabschluss gemeldete Werte.

Finanzdaten & Ermittlungen

Wohin dasselbe Fundament als Nächstes führt

In den meisten Banken liegen Hauptbuch, Betrugserkennung, Risikomodell und Prüfpfad in getrennten Systemen, verbunden durch nächtliche Batch-Läufe. Ein vernetztes, zeitbewusstes Fundament ermöglicht Entscheidungen, Erkennung und Prognosen auf Live-Daten.

Referenzszenario

Kreditentscheidungen in Echtzeit

Das Problem
Wer einen Kredit oder ein Limit gewährt, muss die Historie und das Geflecht an Verpflichtungen eines Antragstellers zusammentragen – meist eine langsame Verknüpfung über mehrere Systeme.
Der Ansatz
Die vollständige Transaktionshistorie und das Netz der Gegenparteien liegen an einem Ort. Ein Scoring-Modell bewertet sie und liefert binnen Augenblicken Zusage oder Ablehnung.
Das Ergebnis
Kreditentscheidungen in Echtzeit am Point of Sale oder in der App – belegt durch genau die Daten, auf denen sie beruhen.
Referenzszenario

Betrugserkennung & Geldwäscheprävention

Das Problem
Betrug und Geldwäsche zeigen sich als Muster über die Zeit – etwa Ringe, Ketten von Finanzagenten oder plötzliche Häufungen –, die zeilenweise Prüfungen übersehen.
Der Ansatz
Dem Geld über mehrere Stationen folgen, Kreisflüsse und sprunghafte Transaktionsfrequenzen erkennen und Anomalien bewerten, während die Transaktionen stattfinden.
Das Ergebnis
Verdächtige Muster werden in Echtzeit markiert – mit dem vollständigen Netzwerk und der Historie, um sie zu untersuchen und zu erklären.
Referenzszenario

Salden & Liquidität

Das Problem
Das Treasury braucht auch die Salden von morgen – doch Prognosen liegen in Tabellen, getrennt vom Live-Hauptbuch.
Der Ansatz
Den Saldo jedes Kontos prognostizieren, auf Filial- und Gesamtbankliquidität verdichten und Szenarien auf denselben Daten einem Stresstest unterziehen.
Das Ergebnis
Vorausschauende Liquidität, mit der sich planen lässt – laufend aktualisiert statt einmal im Monat.

„Wie sah dieses Exposure am 30. Juni aus?“ Jede Transaktion und jede Beziehung bleibt mit ihrer Historie erhalten. Revision, Compliance und Backtesting arbeiten so mit denselben Daten wie die Live-Entscheidungen.

Referenzszenarien für Banken, Versicherungen und Zahlungsverkehr; illustrativ, keine Kundenergebnisse von NatusAI. Kreditvergabe und Kreditscoring können nach Anhang III der KI-Verordnung (EU AI Act) als Hochrisiko gelten. Siehe Governance weiter unten.

Übertragbarkeit

Was das für Banken, Versicherer und Zahlungsinstitute bedeutet

Banken, Versicherer und Zahlungsinstitute, die noch auf den Batch-Abgleich warten, können denselben Ansatz nutzen – beginnend mit einem Ermittlungspfad: einem Betrugsring, einem Schadensmuster oder einem Compliance-Bericht.

Mit der Frage beginnen, die am längsten wartet.

Ein Ermittlungspfad, ein sichtbar gemachtes Beziehungsgeflecht und ein gemessenes Vorher und Nachher.

Nachvollziehbarkeit entsteht durch Kontext.

Wenn Ermittlungsteams das Netzwerk und die Historie hinter einer Warnung sehen, können sie die Entscheidung gegenüber der Aufsicht vertreten.

Daten dort halten, wo die Regulierung sie haben will.

Graph, Historie und Analysen können als ein System auf der eigenen Infrastruktur der Bank laufen.

Regulierung

Ausgelegt auf die Governance nach DORA, Geldwäscheprävention (AML), Solvency II und KI-Verordnung

Finanzinstitute müssen erklären, reproduzieren und aussteigen können. Die Architektur hält für folgenreiche Entscheidungen eine namentlich verantwortliche Person fest, bewahrt die Historie für deren Rekonstruktion und kann innerhalb des eigenen Perimeters der Bank laufen.

  • DORA (anwendbar seit 17. Jan. 2025): Betrieb On-Premises oder in der EU, eine dokumentierte Exit-Strategie, Angaben für Ihr Informationsregister zu IKT-Drittdienstleistern, Wiederherstellungsnachweise (geprüfte Wiederherstellung, NatusAI Gemini, auf der Roadmap)
  • Geldwäscheprävention / Aufsicht über Finanzkriminalität: Warnungen, verknüpft mit den zugrunde liegenden Transaktionen, Gegenparteien und ihrer Historie – für nachvollziehbare Ermittlungen
  • KI-Verordnung (EU AI Act): Die Kreditwürdigkeitsprüfung natürlicher Personen ist ein Hochrisiko-Einsatz nach Anhang III; die Pflichten für eigenständige Hochrisiko-KI-Systeme werden ab 2. Dez. 2027 erwartet (vorbehaltlich der endgültigen Annahme). Menschliche Aufsicht, Protokollierung und Dokumentation der Daten-Governance unterstützen die Pflichten von Betreibern
  • Solvency II / EIOPA (Versicherer): Dieselben Kontrollen (menschliche Aufsicht, Protokollierung, dokumentierte Datenflüsse und ein dokumentierter Ausstiegsplan) liefern Versicherern die Unterlagen, die Prüfungen ihres Governance-Systems und ihrer Auslagerungen verlangen. DORA gilt für Versicherer ebenso wie für Banken
  • DSGVO: Verarbeitung innerhalb der Umgebung der Bank, dokumentierte Datenflüsse
  • Modellrisiko: Dokumentation zur Unterstützung Ihrer internen Validierung (z. B. SR 11-7 / OSFI E-22 für Einheiten in den USA und Kanada)

NatusAI unterstützt Sie bei Ihren Pflichten; es ersetzt weder Ihre rechtliche Bewertung noch eine aufsichtliche Genehmigung. Wie NatusAI die Governance nach KI-Verordnung, DSGVO, DORA und NIS2 unterstützt

Ein vernetzter Wissensgraph: Antworten, nachvollziehbar bis zu ihren Fakten und Beziehungen
Für Ihr technisches Team
  • Umgesetzte Architektur: eine leistungsstarke Graphdatenbank für Beziehungsabfragen, ML-Anomalieerkennung auf Transaktionsdaten, eine Echtzeit-Verarbeitungspipeline (Millionen Transaktionen pro Tag), eine abteilungsübergreifende einheitliche Datenschicht, ein Multi-Agenten-System zur Dokumentenanalyse mit Abfrageschnittstelle in natürlicher Sprache.
  • Muster der Referenz-Engine: Transaktionen werden beim Eingang als versionierte Kanten zwischen Konto-, Kunden- und Gegenpartei-Knoten indexiert. Graph, Zeitreihen und ML in einer Engine. As-of-Abfragen für jeden Zeitpunkt. Ein einziges, selbst gehostetes Binary.
  • Plattform-Zuordnung: NatusAI Cygnus (geplant: v1), NatusAI Auriga (Roadmap), NatusAI Aquila (Roadmap), NatusAI Orion (Roadmap), NatusAI Lyra (verfügbar).
Fragen

Fragen von CROs und Verantwortlichen für Finanzkriminalität

Geschwindigkeit, Nachvollziehbarkeit, Betrieb und weitere Effekte.

Wie schnell können komplexe Beziehungsabfragen werden?

In dieser Bank wurden komplexe Abfragen, die 3 Geschäftstage dauerten, in unter einer Sekunde beantwortet – während das System Millionen Transaktionen pro Tag verarbeitete.

Können Ermittlungsteams eine KI-generierte Warnung erklären?

Ja. Jede Warnung enthält die zugrunde liegenden Transaktionen, Gegenparteien und ihre Historie. Ermittlungsteams prüfen so den Kontext, statt einen Blackbox-Score hinzunehmen.

Kann die Lösung On-Premises laufen?

Ja. Die Architektur kann als ein selbst gehostetes System auf der eigenen Infrastruktur der Bank laufen.

Gilt derselbe Ansatz auch für Versicherer?

Ja. Das Projekt wurde bei einer Bank umgesetzt, und das Muster greift überall dort, wo Antworten zu Betrug, Schäden oder Compliance von Beziehungen und Historie abhängen. Dieselben Kontrollen unterstützen die Governance-Unterlagen, die Versicherer nach Solvency II und DORA erstellen; NatusAI bescheinigt keine Compliance.

Was hat sich neben der Betrugserkennung noch verbessert?

Compliance-Berichte entstehen 80 % schneller, die Produktivität stieg um 70 % und die Kundenzufriedenheit um 42 % – dank einer abteilungsübergreifenden 360-Grad-Sicht auf Kunden.

Kundenergebnisse
Ähnliches Projekt besprechen

Welche vernetzte Frage dauert bei Ihnen heute zu lange?

Beginnen Sie mit einem Ermittlungspfad und machen Sie seine Beziehungen sichtbar. In 30 Minuten skizzieren wir, wie wir die Veränderung messen würden und wie sie sich in Ihr DORA- und Modellrisiko-Rahmenwerk einfügt.

  • Beginnen Sie mit einer klar abgegrenzten Analysephase, die mit einer eindeutigen Go/No-Go-Entscheidung endet.
  • Referenzgespräche zu diesem Projekt sind nach einem ersten Briefing unter NDA möglich.
Ähnliches Projekt besprechenAlle Anwendungsfälle

Oder schreiben Sie an contact@natusai.com

Ein kleines Führungsteam bespricht in einem Besprechungsraum eine einseitige Ergebniszusammenfassung (Symbolbild)