Fragen Sie ein Mitglied Ihres Compliance-Teams, was im Arbeitsalltag die meiste Zeit beansprucht, fällt die Antwort fast immer gleich aus: Meldungen bearbeiten, die sich als Fehlalarme erweisen. Irgendwann schlägt deshalb jemand eine einfache Lösung vor. Die Abgleichregeln sollen strenger, die Schwellenwerte höher und das System selektiver werden.
Das funktioniert nie wirklich. Strengere Regeln senken die Zahl der Meldungen etwas, vielleicht um zehn oder fünfzehn Prozent. Der Anteil irrelevanter Meldungen bleibt jedoch unverändert. Dieselben 95 % ohne Befund verteilen sich nun auf eine etwas kleinere Zahl von Meldungen. Ihr Team bleibt überlastet, es steckt lediglich etwas weniger tief in der Flut. Unter den unterdrückten Meldungen war allerdings auch eine wichtige. Welche das war, erfahren Sie erst, wenn daraus ein Problem geworden ist.
Die Belastung durch Fehlalarme (False Positives) ist enorm. Branchenweit erweisen sich 85 bis 95 % der Screening-Meldungen als Fehlalarme. Der weitaus größte Teil der Arbeit Ihrer Analysten liefert damit keine tatsächlichen Risikobefunde. Das verursacht erhebliche Kosten: Ein einzelnes Institut kann jährlich zweistellige Millionenbeträge in Dollar für die Bearbeitung völlig unbegründeter Meldungen ausgeben. Zugleich kann diese Arbeit das zuständige Team erschöpfen.
Entscheidend ist ein anderer Blick auf das Problem: Sie versinken nicht in Arbeit, weil Sie zu viel prüfen. Die meisten Meldungen beruhen auf Namensübereinstimmungen, bei denen der Kontext fehlt. Die Empfindlichkeit zu senken, setzt deshalb am falschen Ende an. Fehlalarme sind kein Mengenproblem, sondern ein Kontextproblem. Aus dieser Perspektive lautet die Lösung nicht mehr „weniger prüfen“, sondern „intelligenter prüfen“.
Warum Sie so viele Fehlalarme erhalten
Fehlalarme entstehen nicht durch zufälliges Pech. Sie haben wenige konkrete, vorhersehbare Ursachen. Die meisten davon liegen darin, wie herkömmliche Screening-Systeme Namen abgleichen.
Ein System, das lediglich einen Namen mit einer Liste abgleicht, erfasst jede Person mit demselben Nachnamen wie eine sanktionierte Person. Es meldet auch die anderen vierzig Personen namens Mohamed Ali. Es erfasst unterschiedliche Schreibweisen desselben Namens, denn ein Name lässt sich auf ein Dutzend Arten schreiben. Auf unzureichender Datengrundlage kennzeichnet es Personen allein anhand eines unvollständigen Namens. Geburtsdatum oder Land fehlen, um jemanden als Treffer auszuschließen. Außerdem meldet es erneut Fälle, die Sie bereits im letzten Monat als unbedenklich eingestuft haben. Das System erinnert sich nicht an Ihre kürzlich durchgeführte Prüfung. Dieses Verhalten ist kein Fehler. Das System erfüllt lediglich die einzige Funktion, zu der es fähig ist: Zeichenfolgen abgleichen. Ihm fehlt der Kontext, mit dem ein Mensch den Treffer innerhalb von Sekunden verwerfen würde.
Genau darin liegt die Ursache. Aus Sicht des Systems ist es richtig, diese Treffer anzuzeigen, weil es eine echte Übereinstimmung nicht von einem Zufall unterscheiden kann. Deshalb übergibt es Ihnen sämtliche Treffer und überlässt Ihnen die Einordnung. Sanktionslisten, PEP-Datenbanken und Quellen für negative Medienberichte (Adverse Media) führen jeweils eigene Abgleiche durch. Mit ihrer Zahl steigen auch die Mehrfachmeldungen. Derselbe unbedenkliche Kunde kann so gleichzeitig an drei Stellen auftauchen.
Die tatsächlichen Kosten der Alarmmüdigkeit
Die offensichtlichen Kosten dieser irrelevanten Meldungen sind Zeit und Geld. Dazu zählen die Arbeitszeit der Analysten und zusätzlich eingestellte Mitarbeiter, die allein zur Bewältigung der Warteschlange nötig sind. Auch das Onboarding kommt zum Stillstand, während ein unbedenklicher Kunde hinter Hunderten von Fehlalarmen wartet. Diese Folgen sind allen bewusst. Sie gelten durchweg als größtes operatives Compliance-Problem. Nach und nach treiben sie die Fluktuation in Teams voran, deren Aufbau Jahre gedauert hat.
Wie sich irrelevante Meldungen auf die Erkennung auswirken, zeigt kein Dashboard. Ein Analyst geht an den zweihundertsten Fehlalarm des Tages anders heran als an den ersten. Meldungen als unbedenklich einzustufen wird zum Reflex, denn in neunundneunzig von hundert Fällen ist das die richtige Entscheidung. Das Problem ist der hundertste Fall: der echte Treffer. Er wird mit derselben ermüdeten Routine verworfen wie alle anderen. Alarmmüdigkeit bremst das Team nicht nur aus. Sie gewöhnt es schrittweise daran, Dinge zu übersehen. Genau das Gegenteil dessen, was die Meldungen bewirken sollen.
Die Falle der Regeloptimierung
Damit sind wir wieder bei der einfachen Lösung und der Frage, warum sie nicht funktioniert. Stauen sich viele Meldungen an, werden üblicherweise die Regeln verschärft, damit weniger Fälle eine Meldung auslösen. Das Problem: Sie verändern nur eine Stellschraube. Auf der einen Seite stehen Fehlalarme, auf der anderen übersehene Treffer. Senken Sie die Empfindlichkeit so weit, dass die irrelevanten Meldungen deutlich abnehmen, unterdrücken Sie auch echte Treffer. Das System kann dadurch nicht präziser werden, sondern nur weniger empfindlich.
Höhere Schwellenwerte beseitigen irrelevante Meldungen nicht. Sie tauschen diese gegen blinde Flecken ein. Sie fühlen sich vielleicht etwas weniger überlastet, verlieren dabei aber unbemerkt an Sicherheit. In einem regulierten System gehört das zu den ungünstigsten Kombinationen. Ausführlicher erläutern wir diesen Zusammenhang in „Der Trugschluss der Abdeckung“. Solange Ihr System ausschließlich Abgleiche durchführt, steuert dieselbe Stellschraube sowohl die Abdeckung als auch die Zahl irrelevanter Meldungen.
Die einzig schlüssige Schlussfolgerung lautet: Ein durch die Regeloptimierung verursachtes Fehlalarmproblem lässt sich damit nicht beseitigen. Das System muss anders arbeiten.
Fehlalarme sind ein Kontextproblem
Beobachten Sie jemanden bei der Bearbeitung eines Fehlalarms, erkennen Sie schnell das Vorgehen. Die Person verliert wenig Zeit. Sie betrachtet die Meldung und prüft mögliche Erklärungen: Das Geburtsdatum oder das Land stimmt nicht. Vielleicht betrifft der Treffer ein Unternehmen, während es hier um eine Person geht. Vielleicht wurde genau dieser Name bereits letzte Woche als unbedenklich eingestuft. Oder der Artikel ist tatsächlich positiv. Mithilfe des Kontexts erkennt die Person innerhalb weniger Sekunden, dass kein Risiko vorliegt.
All diese Einschätzungen beruhten auf Kontext, der dem Abgleichsystem vorlag, den es aber ignorierte. Erhält das System denselben Kontext, verschwinden die irrelevanten Meldungen. Dazu gehören zusätzliche Identifikationsmerkmale wie Geburtsdatum und Adresse, die Rechtsordnung, Beziehungen zwischen Entitäten und gespeicherte Ergebnisse früherer Prüfungen. Damit kann das System tun, was der Analyst tut: Möglichkeiten ausschließen.
Dieser Punkt sollte die größte Sorge der Beteiligten ausräumen. Dieser Ansatz bedeutet nicht, höhere Risiken einzugehen. Ein Arbeitspapier der Federal Reserve von 2025 verglich bei einer Sanktionslistenprüfung einen kontextbezogenen Abgleich mit herkömmlichem unscharfem Namensabgleich. Dabei sanken die Fehlalarme um etwa 92 %, während die Zahl der erkannten Treffer um rund 11 % stieg. Weniger irrelevante Meldungen und mehr echte Treffer sind also gleichzeitig möglich. Die verbreitete Annahme, weniger Fehlalarme müssten zwangsläufig mehr übersehene Treffer bedeuten, ist eine Schwäche einfacher Abgleichverfahren, kein Naturgesetz. Das verändert die gesamte Ausrichtung des Vorhabens. Ihr Ziel ist nicht, weniger Fälle prüfen zu müssen. Sie wollen dem System genügend Urteilsvermögen geben, damit es die eindeutigen Fälle selbst bearbeitet und Menschen nur noch die schwierigen Fälle prüfen müssen.
Wie Sie irrelevante Meldungen tatsächlich reduzieren
Was ist also die Lösung, wenn Regeloptimierung nicht hilft? In der Praxis lassen sich Fehlalarme reduzieren, indem das System Kontext erhält und frühere Prüfungen berücksichtigt. Entscheidend sind folgende Maßnahmen:
- Identifizieren Sie Personen anhand zusätzlicher Identifikationsmerkmale. Gleichen Sie Geburtsdatum, Adresse, Rechtsordnung und den vollständigen Namen statt eines Spitznamens ab, nicht nur die Namenszeichenfolge. So reicht derselbe Nachname allein nicht mehr für einen Treffer aus.
- Nutzen Sie den relevanten Kontext, statt nur einen einzelnen Namen mit einer Liste abzugleichen. Berücksichtigen Sie Beziehungen zwischen Entitäten und die begleitenden Fakten. So kann das System einen plausiblen Treffer von einer bloß zufälligen Übereinstimmung unterscheiden.
- Sortieren Sie offensichtlich unbedenkliche Fälle aus. Positive Nachrichten, eindeutig irrelevante Einträge und Treffer zur falschen Entität sollten automatisch verworfen und nicht zur menschlichen Prüfung weitergeleitet werden.
- Berücksichtigen Sie bereits geprüfte Fälle. Das laufende Monitoring sollte tatsächlich neue Entwicklungen erkennen. Es sollte keine Warnungen zu Ereignissen auslösen, die im vorherigen Prüfzyklus bereits als unbedenklich eingestuft wurden. Den gesamten Bestand jeden Monat von Grund auf neu zu prüfen, erzeugt erhebliche Mengen irrelevanter Meldungen.
- Priorisieren Sie nach Wesentlichkeit. Bewerten Sie Meldungen anhand von Risiko und Schweregrad. So konzentriert sich Ihr Team auf Fälle, die tatsächlich eine Entscheidung erfordern, statt einer beliebigen Reihenfolge in der Warteschlange zu folgen.
- Verknüpfen Sie jede Einstufung als unbedenklich mit ihrer Quelle und protokollieren Sie diese. Wird eine Meldung automatisch als unbedenklich eingestuft, sollten die Begründung und die zugehörigen Belege festgehalten werden. Das verbessert die Prüfbarkeit Ihrer Aufzeichnungen.
Dabei geht es nicht darum, weniger zu prüfen. Bei jeder dieser Maßnahmen übernimmt das System mehr von den Beurteilungen, die zuvor ein Mensch manuell vorgenommen hat. Die Gesamtwirkung ist erheblich. Kombinieren Sie diese Maßnahmen, enthält eine Warteschlange mit ehemals Tausenden von Meldungen nur noch wenige Fälle. Die Erkennungsabdeckung bleibt dabei gleich.
Weniger irrelevante Meldungen bedeuten keine Abstriche bei der Sorgfalt
Compliance-Verantwortliche denken dabei verständlicherweise an die nächste Aufsichtsprüfung: Wird eine Aufsichtsbehörde weniger Meldungen als Beleg dafür werten, dass Sie nicht genau genug hinsehen? Bei einer sachgerechten Umsetzung ist das Gegenteil der Fall.
Seit Jahren fordern Aufsichtsbehörden Wirksamkeit statt einer bloßen Ausweitung der Aktivitäten. Ein risikobasierter Ansatz im Sinne der FATF-Standards konzentriert die Arbeit auf Bereiche mit dem höchsten Risiko. Er soll nicht die größtmögliche Zahl von Meldungen erzeugen. Die FCA hat mehrfach Systeme zur Transaktionsüberwachung kritisiert, die viele Meldungen erzeugen, aber nur wenige relevante Fälle erkennen. Durchsetzungsbehörden wie OFAC verhängen Geldbußen wegen unwirksamen Screenings und übersehener Fälle, die hätten erkannt werden müssen. Eine abgearbeitete Meldungswarteschlange ist dagegen kein Grund für eine Geldbuße. Ein Programm ist besser zu rechtfertigen, wenn es irrelevante Meldungen reduziert, die Erkennungsquote verbessert und alle Einstufungen als unbedenklich samt Belegen dokumentiert. Das gilt umso mehr im Vergleich zu einem Programm, in dem echte Risiken unter Hunderttausenden von Fehlalarmen verborgen bleiben. Prüfer bevorzugen eine kleinere Zahl aussagekräftiger Meldungen mit jeweils klarer Erklärung. Entscheidend ist die Prüfspur. Eine Einstufung als unbedenklich mit dokumentierter Begründung und Belegverweis ist eine nachvollziehbare Entscheidung. Eine stillschweigend unterdrückte Meldung ist dagegen eine Lücke, für die sich irgendwann jemand verantworten muss.
Kennen Sie Ihre Kennzahlen
Was Sie nicht messen, können Sie nicht steuern. Erfassen Sie deshalb die Situation vor und nach der Umstellung anhand konkreter Kennzahlen. Dokumentieren Sie Ihre Quote echter Treffer, also den Anteil der Meldungen, die sich als relevant erweisen. Erfassen Sie außerdem das Verhältnis von Meldungen zu Untersuchungen sowie die durchschnittliche Bearbeitungszeit pro Meldung. Werden mehr als 90 % der Meldungen als Fehlalarme geschlossen und kostet jede davon mehrere Minuten, sollten Sie genau diese Kennzahl in den Mittelpunkt stellen. Ihr Rückgang zeigt, dass sich das Programm verbessert hat und nicht bloß weniger aktiv geworden ist. Das Ziel war nie, keine Meldungen mehr zu erhalten. Dafür könnten Sie das System einfach abschalten. Das Ziel ist eine Warteschlange, deren Einträge überwiegend tatsächlich eine menschliche Prüfung erfordern. Eine funktionierende Warteschlange ist nicht leer. Sie ist klein und enthält überwiegend echte Treffer. Dann bearbeiten Ihre fähigsten Mitarbeiter keine irrelevanten Meldungen mehr, sondern leisten die Arbeit, für die Sie sie eingestellt haben.
Intelligenter prüfen statt weniger prüfen
Teams entkommen der Fehlalarmfalle nicht dadurch, dass sie weniger Meldungen prüfen. Sie geben dem System den nötigen Kontext, damit es irrelevante Meldungen selbst aussortieren kann. So können sich Menschen auf die wenigen echten Fälle konzentrieren. Genau darum geht es bei der Reduzierung irrelevanter Meldungen: Das Team soll Risiken untersuchen, statt Meldungen abzuarbeiten.
So ist Beady konzipiert. Durch Entitätsauflösung und Kontext filtert Beady etwa 95 % der irrelevanten Meldungen heraus, bevor sie Ihr Team erreichen. Dazu zählen Treffer zur falschen Person, wiederholte Meldungen zu alten Fällen, positive Nachrichten und Duplikate. Grundlage sind keine pauschalen Schwellenwerte. Das Ergebnis ist eine überschaubare Liste von Signalen, die tatsächlich eine Prüfung verdienen. Jedes Signal ist mit seiner Originalquelle verknüpft, damit Ihr Team es überprüfen kann. Prüfer können genau nachvollziehen, warum ein Signal ausgelöst oder als unbedenklich eingestuft wurde. Sämtliche negativen Medienberichte, Sanktionsinformationen und juristischen Unterlagen werden an einem Ort zusammengeführt. So sinkt die Zahl irrelevanter Meldungen, während die Belege erhalten bleiben.
Wenn Sie wissen möchten, welcher Anteil Ihrer aktuellen Meldungen irrelevant ist, buchen Sie eine Demo. Wir analysieren dies anhand Ihres eigenen Screenings.
