Zum Inhalt

Cookie-Einstellungen

Sie entscheiden je Kategorie, welche Dienste wir nutzen dürfen; vorausgewählt ist nichts. Ihre Wahl gilt für alle Seiten unter fh‑wedel.de, wird 12 Monate in einem Cookie gespeichert und lässt sich jederzeit im Footer unter „Cookie-Einstellungen“ ändern oder widerrufen. Datenschutz

Notwendig

Immer aktiv

Speichert Ihre Wahl, damit die Einwilligung funktioniert. Immer aktiv.

  • EinwilligungsverwaltungFachhochschule Wedel gGmbH
    Anbieter
    Fachhochschule Wedel gGmbH, Feldstraße 143, 22880 Wedel
    Zweck
    Speichert Ihre Entscheidung über Cookies und Dienste, damit wir Sie nicht bei jedem Aufruf erneut fragen.
    Cookies
    • fhw_einwilligung12 Monate
    • fhw_widerspruch12 Monate
    Drittland
    keins (EU)

Statistik

Wir messen, wie viele Menschen unsere Seiten besuchen und welche Beiträge sie lesen, um das Angebot zu verbessern.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google Analytics 4Google Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, wie unsere Seiten genutzt werden, etwa welche Seiten aufgerufen werden und woher die Besuche kommen.
    Cookies
    • _ga2 Jahre
    • _ga_*2 Jahre
    Drittland
    USA (Data Privacy Framework)
  • MatomoFachhochschule Wedel gGmbH (eigener Server)
    Anbieter
    Fachhochschule Wedel gGmbH (eigener Server), Feldstraße 143, 22880 Wedel
    Zweck
    Misst auf unserem eigenen Server, welche Seiten und Beiträge aufgerufen und gelesen werden und woher die Besuche kommen.
    Cookies
    • _pk_id*13 Monate
    • _pk_ses*30 Minuten
    • _pk_ref*6 Monate
    Drittland
    keins (EU)

Marketing

Wir zeigen Werbung für die FH Wedel bei Google, Facebook, Instagram und TikTok (auch Menschen, die unsere Seiten besucht haben) und messen, ob sie wirkt. Dabei gelangen Daten in die USA und nach China.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google AdsGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, ob Besuche auf unsere Anzeigen zurückgehen, und zeigt unsere Anzeigen Besucherinnen und Besuchern erneut (Remarketing).
    Cookies
    • _gcl_*3 Monate
    Drittland
    USA (Data Privacy Framework)
  • Meta-PixelMeta Platforms Ireland Limited
    Anbieter
    Meta Platforms Ireland Limited, Merrion Road, Dublin 4, D04 X2K5, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf Facebook und Instagram und zeigt sie passenden Zielgruppen.
    Cookies
    • _fbp3 Monate
    • _fbc3 Monate
    Drittland
    USA (Data Privacy Framework)
  • TikTok-PixelTikTok Technology Limited
    Anbieter
    TikTok Technology Limited, 10 Earlsfort Terrace, Dublin, D02 T380, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf TikTok und zeigt sie passenden Zielgruppen.
    Cookies
    • _ttp13 Monate
    • _tt_enable_cookie13 Monate
    • ttcsid*siehe Anbieter
    Drittland
    Drittländer einschließlich China (Standardvertragsklauseln)

Externe Medien

Wir zeigen eingebettete Videos und andere Inhalte fremder Anbieter direkt auf unseren Seiten; dabei erhält der Anbieter Daten wie Ihre IP-Adresse.

  • YouTubeGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Spielt eingebettete Videos von YouTube ab, nachdem Sie ein Video geladen haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
Alle Artikel

Thesis

Geldwäsche gemeinsam aufspüren, ohne Kundendaten zu teilen

Können Banken Geldwäsche gemeinsam erkennen, ohne Kundendaten zu teilen? Die Thesis entwickelt dafür ein Protokoll, das nur anonyme Signaturen austauscht, prüft es an einem Datensatz und bewertet die wirtschaftliche Tragfähigkeit.

  • Veröffentlicht am
  • Verfasst von Leon Allers, B. Sc. Informatik
  • Betreut von Prof. Dennis Proppe und Saskia Dorbandt
  • Teilen

Das Problem: jeder sieht nur seinen Ausschnitt

Geldwäsche läuft selten über ein einzelnes Institut. Kriminelle verteilen ihre Zahlungen bewusst über viele Banken. So sieht jede Bank für sich nur einen kleinen und harmlos wirkenden Ausschnitt. Das gemeinsame Muster bleibt verborgen. Der Grund dafür ist einfach. Datenschutz und Bankgeheimnis verbieten es den Banken, Kundendaten untereinander zu teilen. Das Gesamtbild sieht deshalb niemand.

Die Idee: ein Protokoll statt eines Datenpools

Die Arbeit baut einen Prototyp, der dieses Problem löst, ohne Rohdaten zu teilen. Jede Bank analysiert ihre eigenen Transaktionen lokal als Netzwerk und misst dessen Struktur. Ein trainiertes Modell braucht sie dafür nicht. Das Ergebnis verdichtet sie zu einer anonymen Signatur aus wenigen Kennzahlen, ohne Namen, ohne Konten und ohne Beträge. Nur diese Signatur verlässt das Haus. Eine zentrale Stelle vergleicht die Signaturen zweier Banken und hebt bei hoher Ähnlichkeit den lokalen Risikowert an, ohne ihn zu ersetzen.

Was der Prototyp zeigt

Der Prototyp wird am öffentlichen und synthetisch erzeugten IBM AML HI-Small Dataset erprobt. Für die Demonstration mit zwei Banken wurde ein im Datensatz vorhandener Geldwäsche-Ring ausgewählt, dessen Konten sich über beide Banken verteilen. Bei jeder Bank für sich bleibt er unauffällig. Erst der Vergleich der beiden Signaturen macht ihn sichtbar. Der lokale Risikowert der anfragenden Bank steigt dabei spürbar an, ausgelöst allein durch den anonymen Vergleich und nicht durch geteilte Kundendaten.

Die Demonstration zeigt zugleich eine Grenze. Auch zwei strukturell ähnliche Banken ohne gemeinsames Muster erzeugen einen Treffer. Vor einem produktiven Einsatz müsste der Schwellenwert deshalb gegen vergleichbare Institutspaare kalibriert werden.

Was die Praxis dazu sagt

Neben der Technik prüft die Arbeit, ob Institute den Ansatz überhaupt annehmen würden. Grundlage sind vier Interviews aus einer Genossenschaftsbank, einer Großsparkasse, einem Wertpapierinstitut und einem Zahlungsinstitut. Sie bestätigen die Ausgangslage. Ein systematischer Austausch von Kundendaten findet nicht statt und ist rechtlich auch nicht zulässig.

Der wichtigste Einwand kam aus denselben Gesprächen. Ein anonymes Signal lässt sich nicht auf eine konkrete Person zurückführen, und genau diese Zuordnung beschreibt die Praxis als Kern ihrer Arbeit. Die Eigenschaft, die den Austausch rechtlich erst möglich macht, begrenzt also zugleich seinen Nutzen. Übrig bleibt die Priorisierung auffälliger Fälle, nicht die Ermittlung selbst. Das ist das zentrale Ergebnis der Arbeit.

Was die wirtschaftliche Prüfung ergab

Der Nutzen ist damit echt, aber schmaler als erhofft. Das Netzwerksignal liefert keine fertige Entscheidung über einen Fall. Es sortiert die ohnehin nötige manuelle Prüfung nach Dringlichkeit. Das ist vor allem für kleinere Institute wertvoll, die keine eigene Analyseabteilung haben. Von den betrachteten Erlösmodellen passt eine erfolgsbasierte Vergütung am besten, weil sie den Preis an den nachgewiesenen Nutzen koppelt. Der wichtigste Schutz vor Nachahmern liegt nicht im Verfahren selbst, sondern im Netzwerk. Sein Wert steigt mit jedem neuen Teilnehmer.

Die größte Hürde ist deshalb keine technische. Einem leeren Netzwerk tritt niemand bei. Der plausibelste Weg führt daher nicht über die Einzelansprache jeder Bank, sondern über eine bereits akzeptierte Instanz wie einen Branchenverband oder die Aufsicht, die den Anfangsnutzen stiftet.

Fazit

Banken können korrelierte Auffälligkeiten institutsübergreifend sichtbar machen, ohne Kundendaten preiszugeben. Technisch ist das gezeigt. Ob daraus ein tragfähiges Geschäft wird, entscheidet sich nicht an der Technik. Es entscheidet sich daran, ob der schmalere Nutzen der Priorisierung genügt und ob ein Netz aus teilnehmenden Instituten überhaupt zustande kommt.