Einsatz der Statistik bei Ermittlungen zur Geldwäsche


Geldwäsche zu erkennen ist nicht gerade einfach. Die verdächtigen Vorgänge verbergen sich häufig in der Masse der Finanztransaktionen, die täglich getätigt werden. Typischerweise zeigen sie sich nicht als eine einzelne Aktion und sind auch nicht auf eine einzelne Person zurückzuführen. Außerdem wird oft ein einzelner Vorgang der Geldwäsche in kleine Transaktionen gestückelt, um die Kontrollen zu umgehen, die automatisch erfolgen, wenn eine bestimmte Höhe der Gelder überschritten wird.

Trotzdem sind die Finanzinstitute gehalten, strenge Kontrollmaßnahmen und eine konsequente Berichterstattung durchzuführen, um Geldwäsche zu bekämpfen. Mit Hilfe spezieller Techniken bei den statistischen Erhebungen wurden diese Kontrollen vereinfacht.

Es gibt Analyse-Strukturen (Algorithmen und Modelle), die bei Transaktionen enorme Datenmengen verarbeiten können, die nicht- oder nur halb strukturiert sind, (oder die nicht zusammengefasst sind, wie es dem standardisierten Verfahren entspräche, was natürlich ihre Analyse und ihre Vergleichbarkeit erschwert), und deren Fluss enorm schnell ist. Diese Techniken können Muster bei den Transaktionen identifizieren, oder sie können verschiedene autonome Operationen, die aber miteinander verbunden und voneinander abhängig sind, deren Verbindungen aber absichtlich unkenntlich gemacht wurden, wieder miteinander verbinden.

Zur Unterstützung der Geldwäsche-Analysen werden oft Techniken des „Machine Learning“ eingesetzt. Diese Algorithmen können wiederholt von den Daten „lernen“ und ein maßgeschneidertes analytisches Modell der fraglichen Datenbank erstellen. So sind sie in der Lage, von selbst verborgene Muster zu identifizieren, ohne dass der Programmierer dem Algorithmus angeben müsste, wo er zu suchen hat. Beispiele dafür sind das „Network Modeling“ (Netz-Analyse) und „Cluster Analysis“ (Analyse von Clustern).